【技术实现步骤摘要】
一种增量式目标检测方法、装置、设备及介质
[0001]本申请涉及计算机
,具体涉及一种增量式目标检测方法、装置、设备及介质。
技术介绍
[0002]在计算机视觉众多的
中,目标检测(Object Detection)是一项非常基础的任务。目标检测,也叫目标提取,是一种基于目标几何和统计特征的图像分割。它将目标的分割和识别合二为一,其准确性和实时性是整个系统的一项重要能力。
[0003]传统的基于深度学习的目标检测算法主要研究的是一个封闭数据集的问题,通常情况下,封闭数据集的数量和分类有限,利用封闭数据集训练出的目标检测模型无法满足新增类别的场景。如何实现对新增类别数据进行检测是急需解决的技术问题。
技术实现思路
[0004]有鉴于此,本申请实施例提供一种增量式目标检测方法、装置、设备及介质,以实现对新增目标进行检测和识别。
[0005]为实现上述目的,本申请提供的技术方案如下:
[0006]在本申请第一方面,提供了一种增量式目标检测方法,所述方法应用于目标检测模型,所述目标检测模型包括检测器和特征提取器,包括:
[0007]获取训练样本集合,所述训练样本集合包括原始训练样本和新增训练样本,所述新增训练样本包括新增目标;
[0008]利用模型无关的元学习算法对所述原始训练样本和所述新增训练样本进行采样,获得待训练样本集合;
[0009]利用所述待训练样本集合对所述检测器和所述特征提取器进行训练,获得训练后的检测器和训练后的特征提取器,所述训练后 ...
【技术保护点】
【技术特征摘要】
1.一种增量式目标检测方法,其特征在于,所述方法应用于目标检测模型,所述目标检测模型包括检测器和特征提取器,包括:获取训练样本集合,所述训练样本集合包括原始训练样本和新增训练样本,所述新增训练样本包括新增目标;利用模型无关的元学习算法对所述原始训练样本和所述新增训练样本进行采样,获得待训练样本集合;利用所述待训练样本集合对所述检测器和所述特征提取器进行训练,获得训练后的检测器和训练后的特征提取器,所述训练后的检测器用于检测出所述新增目标,所述训练后的特征提取器用于对所述新增目标进行特征提取。2.根据权利要求1所述的方法,其特征在于,所述利用所述待训练样本集合对所述检测器进行训练,获得训练后的检测器,包括:针对所述待训练样本集合中的任一待训练样本,获取所述待训练样本对应的特征图;针对所述特征图中的任一像素点,根据所述特征图确定所述像素点作为检测框的目标中心点的概率;根据所述特征图确定所述检测框的位置向量;基于所述概率以及第一标签、所述位置向量以及第二标签构建损失函数,所述第一标签用于指示所述像素点是否为目标中心点,所述第二标签为所述像素点对应的检测框的位置向量;响应于所述损失函数对应的值满足第一预设条件,获得训练后的检测器。3.根据权利要求1或2所述的方法,其特征在于,所述利用所述待训练样本集合对所述特征提取器进行训练,获得训练后的特征提取器,包括:从所述待训练样本集合中确定至少三个训练样本,所述至少三个训练样本包括第一训练样本、第二训练样本和第三训练样本,所述第二训练样本与所述第一训练样本的类别相同,所述第三训练样本与所述第一训练样本的类别不同;分别对所述至少三个训练样本进行增强处理,获得增强训练样本集合,所述增强训练样本集合包括第一增强训练样本、第二增强训练样本和第三增强训练样本;从所述至少三个训练样本和所述增强训练样本集合中随机抽取三个训练样本作为一组训练样本组;针对目标训练样本组,利用所述特征提取器对所述目标训练样本组进行特征提取,获取特征集合;根据所述特征集合确定所述目标训练组对应的损失函数;基于各目标训练样本组对应的损失函数确定所述特征提取器的损失函数;对所述损失函数进行优化,直至满足第二预设条件,获得训练后的特征提取器。4.根据权利要求3所述的方法,其特征在于,所述目标训练样本组包括第一训练样本组、第二训练样本组、第三训练样本组和第四训练样本组中的至少一组,所述第一训练样本组包括第一训练样本、第二训练样本和第三训练样本,所述第二训练样本组包括第一增强训练样本、第二增强训练样本和第三增强训练样本,所述第三训练样本组包括第二训练样本、第二增强训练样本和第三训练样本,所述第四训练样本组包括第一增强样本、第一增强训练样本和第三训练样本。
5.根据权利要求3或4所述的方法,其特征在于,所述基于各目标训练样本组对应的损失函数确定所述特征提取器的损失函数,包括:对各目标训练...
【专利技术属性】
技术研发人员:段逸群,黄凯,
申请(专利权)人:北京有竹居网络技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。