一种解耦的增量目标检测方法技术

本发明专利技术公开了一种解耦的增量目标检测方法，包括以下步骤：S1：目标检测数据集预处理：目标检测数据集由安防检测系统中基本检测目标的图像组成；基本检测目标为安防检测系统中已实现检测的旧类别；S2：对目标检测模型进行初始学习；S3：对目标检测模型进行增量学习；S4：对增量学习后的目标检测模型进行平衡微调；S5：将调整后的目标检测模型部署在安防检测系统中，调整后的目标检测模型根据输入的目标图像进行增量目标检测，并将检测结果进行保存。本发明专利技术在保留旧类别检测性能的前提下能够动态增加检测类别、不会产生检测偏好，能够更好的满足安防检测系统需要经常动态增加检测类别并快速部署的要求。类别并快速部署的要求。类别并快速部署的要求。

【技术实现步骤摘要】
一种解耦的增量目标检测方法


[0001]本专利技术属于增量目标检测
，特别是涉及一种解耦的增量目标检测方法。

技术介绍

[0002]近年来，物体检测方法获得了很大的进步，基于卷积神经网络的物体检测方法在PASCAL VOC和COCO等基准上取得了最先进的成果。然而，现有方法的有效性是基于这样一个强烈的假设：要检测的类别是事先定义好的，并且在训练阶段所有类别的数据都是可用的。在现实中，新的兴趣类别会随着时间的推移而出现，这就要求物体检测方法能够动态地学习新的类别以满足新的应用要求。例如，在需要检测场景中是否存在电子产品的智能安防领域，检测的目标往往需要动态增加，会根据需求增加需要检测的电子产品类别。
[0003]因此，增量学习引起了人们极大的研究兴趣，它利用新类别的样本持续更新训练模型。作为研究分支之一，增量目标检测是一项比增量分类和目标检测都更具挑战性的任务。实现增量目标检测的一个自然方法是在新数据上对预训练的模型进行微调。然而，这种方法面临一个棘手的挑战
‑‑
灾难性的遗忘。更具体地说，在新数据上对模型进行微调通常会导致在以前的数据上出现明显的性能下降。为了解决这个问题，大多数增量目标检测方法利用知识蒸馏来确保分类逻辑和回归目标不出现明显的变化。然而，知识蒸馏法在训练过程中所添加的额外正则化项会使其难以学习新的类别。这个问题也被称为稳定性
‑
可塑性困境，一方面，模型需要学习更多的新知识来实现可塑性，另一方面，模型需要保留更多的旧知识来实现稳定性。
[0004]目前，Faster R
‑
CNN被广泛用作增量物体检测方法的基本检测器。然而，它的原始结构是为传统检测设计的，缺乏对增量学习场景的专门考虑，这限制了该方法的上限。例如，Faster R
‑
CNN包含了RPN和RCNN这两个重要组件，然而由于这两种组件需要完成的任务不同，在通过共享骨干网络在之间进行端到端的联合优化时会遇到难以优化的问题。此外，由于大多数增量目标检测方法会通过知识蒸馏提炼共享骨干网络特征，导致优化困难问题将会进一步加剧。同时，还发现Faster R
‑
CNN在增量训练过程中会出现类别不平衡的问题。具体来说，训练方法只得到了没有或很少的旧类别的样本，但有足够的新类别的样本。在这种情况下，训练过程的重点会明显偏向于新的类别，导致分类器的权重和偏差都更有利于新的类别，从而加剧模型对于旧类的遗忘。
[0005]所以，目前在目标检测问题中，仍然存在以下三个问题：
[0006](1)传统的目标检测方法是静态的，当需要模型识别新的类别时，模型需要使用所有的数据进行重新训练，这会导致当存储资源有限，不足以保存全部数据的时候，模型的识别精度无法保证；同时重新训练模型需要消耗大量的算力，会耗费大量的时间，同时也会付出大量的经济成本(如电费、服务器租用费等)。
[0007](2)Faster R
‑
CNN原始结构(如图1)是为传统检测设计的，缺乏对增量学习场景的专门考虑，这限制了现有方法的上限。具体的说，就是基于Faster R
‑
CNN的增量目标检测方法存在骨干网络难以优化问题，很难应用于增量学习中。
[0008](3)为了区分新类别和旧类别，模型在计算损失函数时会使用所有类别的logit。在增量学习过程中，由于数据的不平衡问题，Faster R
‑
CNN输出层将会向新类偏移，导致与旧类有关的权重会被错误的更新。
[0009]传统目标检测的上述三个问题，在实际智能安防领域中尤为突出。其表现为智能安防领域的需求往往是动态变化的，其需要检测的物品类型会随着时间的推移逐渐增加。而传统的目标检测在每次增加检测的新类别时都需要重新开始训练，大大增加了训练的时间成本。而增量的目标检测方法能使用增量的方式为目标检测模型动态的增加检测类别，这减少了在需求变化时模型所需要的训练时间，减少训练成本的同时实现了在智能安防领域需要快速部署的需求。并且若系统为了存储等方面的考虑已经丢失大部分旧数据，那么传统的目标检测模型在重新训练后会在检测时严重偏向于新添加的类别，严重降低了目标检测的性能。

技术实现思路

[0010]本专利技术实施例的目的在于提供一种解耦的增量目标检测方法，在保留旧类别检测性能的前提下能够动态增加检测类别、不会产生检测偏好，能够更好的满足安防检测系统需要经常动态增加检测类别并快速部署的要求。
[0011]为解决上述技术问题，本专利技术所采用的技术方案是，一种解耦的增量目标检测方法，包括以下步骤：
[0012]S1：目标检测数据集预处理：将原始的目标检测数据集划分为训练集、验证集和测试集；同时对训练集进行数据增强操作；所述原始的目标检测数据集由安防检测系统中基本检测目标的图像组成；所述基本检测目标为安防检测系统中已实现检测的旧类别；
[0013]S2：对目标检测模型进行初始学习：将训练集输入到目标检测模型后，RPN网络提取proposal，而后将proposal提交给RCNN进行进一步处理，得到分类和回归结果，最后通过损失函数计算相应损失并通过反向传播对目标检测模型进行优化；
[0014]S3：对目标检测模型进行增量学习：利用新类数据和部分旧类数据进行训练，训练过程除了包含初始学习阶段的步骤外，还通过知识蒸馏在模型Backbone层和RCNN层进行特征蒸馏来保留相应的旧知识；所述新类数据为后续根据安防检测系统的需求需要增加的新品类的图像；所述旧类数据为安防检测系统中的基本检测目标的图像；
[0015]S4：对增量学习后的目标检测模型进行平衡微调；
[0016]S5：将调整后的目标检测模型部署在安防检测系统中，调整后的目标检测模型根据输入的目标图像进行增量目标检测，并将检测结果进行保存。
[0017]进一步地，所述目标检测模型为使用了解耦模块和Cosine分类器的Faster R
‑
CNN模型，其中，所述解耦模块为通道级别，分别添加于RCNN和RPN之前；所述Cosine分类器位于分类层，用于获取没有分类偏好的分类结果。
[0018]进一步地，所述S2具体为：
[0019]S21:将训练集的图像输入至目标检测模型的Backbone，Backbone包含一系列卷积神经网络用来进行特征提取，经过卷积神经网络的处理，Backbone输出一个高维的Feature Map；Feature Map再经过解耦模块，将输出分别输出Feature Map
RPN
和Feature Map
RCNN
；
[0020]S22:目标检测模型为Feature Map
RPN
生成一系列anchor，随后RPN网络对上一步生
成的Feature Map
RPN
进行一个3
×
3的卷积操作，然后分两条路径，一条判断anchor所属的类别属于前景还是背本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种解耦的增量目标检测方法，其特征在于，包括以下步骤：S1：目标检测数据集预处理：将原始的目标检测数据集划分为训练集、验证集和测试集；同时对训练集进行数据增强操作；所述原始的目标检测数据集由安防检测系统中基本检测目标的图像组成；所述基本检测目标为安防检测系统中已实现检测的旧类别；S2：对目标检测模型进行初始学习：将训练集输入到目标检测模型后，RPN网络提取proposal，而后将proposal提交给RCNN进行进一步处理，得到分类和回归结果，最后通过损失函数计算相应损失并通过反向传播对目标检测模型进行优化；S3：对目标检测模型进行增量学习：利用新类数据和部分旧类数据进行训练，训练过程除了包含初始学习阶段的步骤外，还通过知识蒸馏在模型Backbone层和RCNN层进行特征蒸馏来保留相应的旧知识；所述新类数据为后续根据安防检测系统的需求增加的新品类的图像；所述旧类数据为安防检测系统中的基本检测目标的图像；S4：对增量学习后的目标检测模型进行平衡微调；S5：将调整后的目标检测模型部署在安防检测系统中，调整后的目标检测模型根据输入的目标图像进行增量目标检测，并将检测结果进行保存。2.根据权利要求1所述的一种解耦的增量目标检测方法，其特征在于，所述目标检测模型为使用了解耦模块和Cosine分类器的Faster R
‑
CNN模型，其中，所述解耦模块为通道级别，分别添加于RCNN和RPN之前；所述Cosine分类器位于分类层，用于获取没有分类偏好的分类结果。3.根据权利要求1所述的一种解耦的增量目标检测方法，其特征在于，所述S2具体为：S21:将训练集的图像输入至目标检测模型的Backbone，Backbone包含一系列卷积神经网络用来进行特征提取，经过卷积神经网络的处理，Backbone输出一个高维的Feature Map；Feature Map再经过解耦模块，将输出分别输出Feature Map
RPN<...

【专利技术属性】
技术研发人员：杨云，林钰尧，张炎，
申请(专利权)人：云南大学，
类型：发明
国别省市：