基于增量学习的轻量化物体检测方法和装置制造方法及图纸

本发明专利技术提供一种基于增量学习的轻量化物体检测方法和装置，所述基于增量学习的轻量化物体检测方法，包括：获取待测图像和目标特征类别图像；将待测图像输入至检测模块，获取由检测模块输出的多个子特征图像；将多个子特征图像输入至分类模块，获取由分类模块输出子特征图像对应的特征表达，以及多个子特征图像中第一目标子特征图像对应的类别；基于多个子特征图像中第二目标子特征图像对应的特征表达和目标特征类别图像间的相似度，确定第二目标子特征图像对应的类别。本发明专利技术的基于增量学习的轻量化物体检测方法，在无需重复训练的前提下，即可完成对新类别的识别，显著提高模型的泛化能力和扩展性，适用于涉及不断变化的信息流的情景。流的情景。流的情景。

【技术实现步骤摘要】
基于增量学习的轻量化物体检测方法和装置


[0001]本专利技术涉及图像检测
，尤其涉及一种基于增量学习的轻量化物体检测方法和装置。

技术介绍

[0002]在对图像进行分类识别时，面对安检安防、自动驾驶以及医疗图像等现实的使用场景，往往需要要求模型具有不断地处理连续的信息流以及应对新类别的能力。然而对于传统图像识别，训练阶段和测试阶段的数据类别是相同的，常用的解决方法是通过不断往训练数据集中加入新的类别数据并重新进行训练，但这一方法需要耗费大量的计算成本、新类别数据以及人工标注成本。

技术实现思路

[0003]本专利技术提供一种基于增量学习的轻量化物体检测方法和装置，用以解决现有技术中在处理不断变化的连续信息流时计算成本和人工标注成本较高的缺陷，提高识别模型的泛化性和可扩展性，降低识别成本。
[0004]本专利技术提供一种基于增量学习的轻量化物体检测方法，包括：
[0005]获取待测图像和目标特征类别图像，所述目标特征类别图像为所述待测图像中未训练的特征类别所对应的图像；
[0006]将所述待测图像输入至检测模块，获取由所述检测模块输出的多个子特征图像；
[0007]将所述多个子特征图像输入至分类模块，获取由所述分类模块输出的所述子特征图像对应的特征表达，以及所述多个子特征图像中第一目标子特征图像对应的类别；所述第一目标子特征图像对应的类别为已训练的特征类别；
[0008]基于所述多个子特征图像中第二目标子特征图像对应的特征表达和所述目标特征类别图像间的相似度，确定所述第二目标子特征图像对应的类别；所述第二目标子特征图像对应的类别为未训练的特征类别；
[0009]其中，所述检测模块的输出端与所述分类模块的输入端连接，所述检测模块是根据带有样本子特征图像标签的样本图像训练后获得的，所述分类模块是根据带有样本类别标签的样本子特征图像训练后获得的。
[0010]根据本专利技术提供的一种基于增量学习的轻量化物体检测方法，所述基于所述多个子特征图像中第二目标子特征图像对应的特征表达和所述目标特征类别图像间的相似度，确定所述第二目标子特征图像对应的类别，包括：
[0011]对所述目标特征类别图像进行数据增强处理，生成映射特征空间内N个映射特征的平均映射特征；其中，N为正整数；
[0012]生成所述第二目标子特征图像对应的特征表达和所述平均映射特征之间的相似度；
[0013]在所述相似度超过目标阈值的情况下，将所述第二目标特征图像的类别确定为所
述目标特征类别。
[0014]根据本专利技术提供的一种基于增量学习的轻量化物体检测方法，所述检测模块包括第一骨干网络，所述分类模块包括第二骨干网络，所述第一骨干网络和所述第二骨干网络结构相同，且共享权重初始化。
[0015]根据本专利技术提供的一种基于增量学习的轻量化物体检测方法，所述第一骨干网络和所述第二骨干网络包括GhostNet模块。
[0016]根据本专利技术提供的一种基于增量学习的轻量化物体检测方法，在所述获取待测图像和目标特征类别图像之前，所述方法包括：
[0017]获取多个样本图像和每个所述样本图像对应的样本子特征图像标签；
[0018]将每个所述样本图像和所述样本图像对应的样本子特征图像标签作为一个第一训练样本，获得多个第一训练样本，利用所述多个第一训练样本对所述检测模块进行训练。
[0019]根据本专利技术提供的一种基于增量学习的轻量化物体检测方法，在所述获取待测图像和目标特征类别图像之前，所述方法包括：
[0020]获取多个样本子特征图像和每个所述样本子特征图像对应的类别标签；
[0021]将每个所述样本子特征图像和所述样本子特征图像对应的类别标签作为一个第二训练样本，获得多个第二训练样本，利用所述多个第二训练样本对所述分类模块进行训练。
[0022]本专利技术还提供一种基于增量学习的轻量化物体检测装置，包括：
[0023]第一处理模块，用于获取待测图像和目标特征类别图像，所述目标特征类别图像为所述待测图像中未训练的特征类别所对应的图像；
[0024]第二处理模块，用于将所述待测图像输入至检测模块，获取由所述检测模块输出的多个子特征图像；
[0025]第三处理模块，用于将所述多个子特征图像输入至分类模块，获取由所述分类模块输出所述子特征图像对应的特征表达，以及所述多个子特征图像中第一目标子特征图像对应的类别；所述第一目标子特征图像对应的类别为已训练的特征类别；
[0026]第四处理模块，用于基于所述多个子特征图像中第二目标子特征图像对应的特征表达和所述目标特征类别图像间的相似度，确定所述第二目标子特征图像对应的类别；所述第二目标子特征图像对应的类别为未训练的特征类别；
[0027]其中，所述检测模块的输出端与所述分类模块的输入端连接，所述检测模块是根据带有样本子特征图像标签的样本图像训练后获得的，所述分类模块是根据带有样本类别标签的样本子特征图像训练后获得的。
[0028]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于增量学习的轻量化物体检测方法。
[0029]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于增量学习的轻量化物体检测方法。
[0030]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于增量学习的轻量化物体检测方法。
[0031]本专利技术提供的基于增量学习的轻量化物体检测方法和装置，通过基于增量学习的
两阶段物体检测方法，在检测阶段，通过由检测模块学习与类别无关的目标检测任务以区分前景特征和背景特征，实现对待测图像的前景特征的提取；然后基于待测图像中的新类别为分类模块提供少量目标特征类别图像，即可使得分类模块在无需重复训练的前提下，完成对新类别的识别，从而显著提高模型的泛化能力和扩展性，适用于如安防检测、自动驾驶以及医疗影像等涉及不断变化的信息流的情景。
附图说明
[0032]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术提供的基于增量学习的轻量化物体检测方法的流程示意图之一；
[0034]图2是本专利技术提供的基于增量学习的轻量化物体检测方法的流程示意图之二；
[0035]图3是本专利技术提供的基于增量学习的轻量化物体检测方法的流程示意图之三；
[0036]图4是本专利技术提供的基于增量学习的轻量化物体检测方法的模型结构示意图之一；
[0037]图5是本专利技术提供的基于增量学习的轻量化物体检测方法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量学习的轻量化物体检测方法，其特征在于，包括：获取待测图像和目标特征类别图像，所述目标特征类别图像为所述待测图像中未训练的特征类别所对应的图像；将所述待测图像输入至检测模块，获取由所述检测模块输出的多个子特征图像；将所述多个子特征图像输入至分类模块，获取由所述分类模块输出的所述子特征图像对应的特征表达，以及所述多个子特征图像中第一目标子特征图像对应的类别；所述第一目标子特征图像对应的类别为已训练的特征类别；基于所述多个子特征图像中第二目标子特征图像对应的特征表达和所述目标特征类别图像间的相似度，确定所述第二目标子特征图像对应的类别；所述第二目标子特征图像对应的类别为未训练的特征类别；其中，所述检测模块的输出端与所述分类模块的输入端连接，所述检测模块是根据带有样本子特征图像标签的样本图像训练后获得的，所述分类模块是根据带有样本类别标签的样本子特征图像训练后获得的。2.根据权利要求1所述的基于增量学习的轻量化物体检测方法，其特征在于，所述基于所述多个子特征图像中第二目标子特征图像对应的特征表达和所述目标特征类别图像间的相似度，确定所述第二目标子特征图像对应的类别，包括：对所述目标特征类别图像进行数据增强处理，生成映射特征空间内N个映射特征的平均映射特征；其中，N为正整数；生成所述第二目标子特征图像对应的特征表达和所述平均映射特征之间的相似度；在所述相似度超过目标阈值的情况下，将所述第二目标特征图像的类别确定为所述目标特征类别。3.根据权利要求1所述的基于增量学习的轻量化物体检测方法，其特征在于，所述检测模块包括第一骨干网络，所述分类模块包括第二骨干网络，所述第一骨干网络和所述第二骨干网络结构相同，且共享权重。4.根据权利要求3所述的基于增量学习的轻量化物体检测方法，其特征在于，所述第一骨干网络和所述第二骨干网络包括GhostNet模块。5.根据权利要求1
‑
4任一项所述的基于增量学习的轻量化物体检测方法，其特征在于，在所述获取待测图像和目标特征类别图像之前，所述方法包括：获取多个样本图像和每个所述样本图像对应的样本子特征图像标签；将每个所述样本图像和所述样本图像对应的样本子特征图像标签...

【专利技术属性】
技术研发人员：陈梓帆，董和鑫，于飞，赵杰，袁铭泽，张立，董彬，
申请(专利权)人：北京大学，
类型：发明
国别省市：