目标检测网络的训练方法、目标检测方法及系统技术方案

本说明书提供的目标检测网络的训练方法、目标检测方法及系统，获取多个源域训练数据中每个训练数据的混合特征，通过目标检测网络的判别器以对抗的方式迭代训练目标检测网络的解耦器，使解耦器通过从混合特征中迭代生成类无关特征和域特定特征而解耦出域不变特征，直到解耦器通过判别器的判别为止。用来训练目标检测网络的源域训练数据中不包括新域中的数据，但训练好的目标检测网络能够冷启动处理新域中的数据且能够获得与处理源域数据相近的效果。而且，目标检测网络对输入数据的域不敏感，应用在新域上会表现出很好的跨域鲁棒性。应用在新域上会表现出很好的跨域鲁棒性。应用在新域上会表现出很好的跨域鲁棒性。

【技术实现步骤摘要】
目标检测网络的训练方法、目标检测方法及系统


[0001]本说明书涉及数据处理领域，尤其涉及一种目标检测网络的训练方法、目标检测方法及系统。

技术介绍

[0002]目标检测作为计算机视觉中重要的课题之一，具有极广泛的应用，比如人脸识别、智慧交通、工业检测等。在任何一种应用中，目标检测网络都会遇到多种表征差异迥异的场景特性，比如在人脸识别中，有室外光线特别强的人脸识别场景，也有室内光线特别暗的人脸识别场景，如何让一套目标检测网络在面对未知场景时能无差异性地适配成为了重要的研究方向。
[0003]现有技术在跨域适配时，不仅需要已知源域的数据训练检测网络，还需要获取未知新域的数据训练检测网络，才能使得训练好的检测网络适配到新域中，此处的“域”是指场景。然而实际中很难做到在未应用到新域时提前获取大量的未知域的数据，因此该方法的实际应用价值不高。

技术实现思路

[0004]本说明书提供的目标检测网络的训练方法、目标检测方法及系统，在不使用未知场景数据的情况下仍能很好地适配未知场景，将目标检测网络应用在新域上会表现出很好的跨域鲁棒性。
[0005]第一方面，本说明书提供一种目标检测网络的训练方法，所述目标检测网络对输入数据的域不敏感并能够冷启动处理新域数据获得与处理源域数据相近的效果，包括：获取多个所述源域训练数据中每个所述训练数据的混合特征，所述混合特征包括多个相互耦合的特征，所述多个源域训练数据中不包括所述新域中的数据，所述新域为未使用所述目标检测网络进行目标检测的域；以及通过所述目标检测网络的判别器以对抗的方式迭代训练所述目标检测网络的解耦器，使所述解耦器通过从所述混合特征中迭代生成类无关特征和域特定特征而解耦出域不变特征，直到所述解耦器通过所述判别器的判别为止，其中，所述类无关特征包括与所述训练数据的类别无关的特征，所述域特定特征包括每个域的所述训练数据所特有的特征，所述域不变特征包括不同域的所述训练数据之间的共有特征。
[0006]在一些实施例中，所述数据包括图像数据；以及所述目标检测网络还包括生成器，所述获取多个训练数据中每个所述训练数据的混合特征包括：将每个所述训练数据输入所述生成器进行特征提取；以及获取所述生成器输出的所述训练数据的所述混合特征。
[0007]在一些实施例中，其中所述判别器包括类判别器和域判别器，所述类判别器被配置为输出类别，所述域判别器被配置为输出域，所述通过所述判别器以对抗的方式迭代训练所述解耦器包括：固定所述类判别器以对抗的方式迭代训练所述解耦器，使所述解耦器迭代地从所述混合特征中生成所述类无关特征，以及固定所述域判别器以对抗的方式迭代训练所述解耦器，使所述解耦器迭代地从所述混合特征中生成所述域特定特征，直到所述
类无关特征通过所述类判别器的判别以及所述域特定特征通过所述域判别器的判别为止，其中，所述域不变特征包括所述混合特征中除了所述类无关特征和所述域特定特征之外的特征。
[0008]在一些实施例中，其中所述类无关特征通过所述类判别器的判别包括：所述类判别器无法判别出所述类无关特征所属的类别，以及所述域特定特征通过所述域判别器的判别包括：所述域判别器无法判别出所述域特定特征所属的域。
[0009]在一些实施例中，其中所述类判别器在首次训练所述解耦器之前已经基于所述多个训练数据完成训练，所述域判别器在首次训练所述解耦器之前已经基于所述多个训练数据完成训练。
[0010]在一些实施例中，其中所述目标检测网络还包括第一重建器，所述方法还包括：将所述类无关特征和所述域不变特征输入所述第一重建器进行特征重建，输出第一重建特征；以所述第一重建特征与所述混合特征的差异在第一预设范围内为优化目标优化所述目标检测网络，使所述类无关特征和所述域不变特征在迭代训练所述解耦器的过程中始终服从正态分布。
[0011]在一些实施例中，其中所述重建器还包括第二重建器，所述方法还包括：将所述域特定特征和所述域不变特征输入所述第二重建器进行特征重建，输出第二重建特征；以所述第二重建特征与所述混合特征的差异在第二预设范围内为优化目标优化所述目标检测网络，使所述域特定特征和所述域不变特征在迭代训练所述解耦器的过程中始终服从正态分布。
[0012]在一些实施例中，其中所述方法还包括：计算所述类无关特征和所述域不变特征之间的第一互信息，以及所述域特定特征和所述域不变特征之间的第二互信息；以所述第一互信息最小为第一约束条件和所述第二互信息最小为第二约束条件迭代训练所述解耦器。
[0013]第二方面，本说明书还提供一种目标检测方法，包括：获取新域中待检测的目标数据；将所述目标数据输入目标检测网络进行特征解耦，得到所述目标数据的目标域不变特征；以及基于所述目标域不变特征对所述目标数据进行目标检测，输出检测结果，其中，所述目标检测网络根据如第一方面所述的目标检测网络的训练方法训练得到。
[0014]在一些实施例中，其中所述目标检测网络包括解耦器和类检测器，所述类检测器是基于完成训练的类判别器得来，所述将所述目标数据输入目标检测网络进行特征解耦包括：通过所述解耦器对所述目标数据进行特征解耦，输出所述目标域不变特征；相应地，所述基于所述目标域不变特征对所述目标数据进行目标检测包括：将所述目标域不变特征输入所述类检测器进行目标检测，输出所述目标数据的类别。
[0015]在一些实施例中，其中所述目标检测网络为活体攻击检测网络，所述检测结果包括活体类别和攻击类别。
[0016]第三方面，本说明书还提供一种目标检测系统，包括至少一个存储介质以及至少一个处理器，所述至少一个存储介质存储有用于目标检测的目标检测网络；所述至少一个处理器同所述至少一个存储介质通信连接，其中当所述目标检测系统运行时，所述至少一个处理器读取所述至少一个指令集并实施本说明书第一方面所述的目标检测方法，其中，所述目标检测网络根据如第一方面所述的目标检测网络的训练方法训练得到。
[0017]由以上技术方案可知，本说明书提供的目标检测网络的训练方法、目标检测方法及系统，获取多个源域训练数据中每个训练数据的混合特征，通过目标检测网络的判别器以对抗的方式迭代训练目标检测网络的解耦器，使解耦器通过从混合特征中迭代生成类无关特征和域特定特征而解耦出域不变特征，直到解耦器通过判别器的判别为止完成对目标检测网络的训练。用来训练目标检测网络的源域训练数据中不包括新域中的数据，即面对未知的新域，本申请不需要在还未应用到新域时就提前获取新域的数据，但训练好的目标检测网络能够冷启动处理新域中的数据且能够获得与处理源域数据相近的效果，实用价值很高。而且，在完全不使用新域数据的前提下，目标检测网络能够学习到域不变特征，这些特征对域的变化不敏感，可见，目标检测网络在不使用未知场景数据的情况下仍能很好地适配未知场景，将目标检测网络应用在新域上会表现出很好的跨域鲁棒性。
[0018]本说明书提供的目标检测网络的训练方法、目标检测方法及系统，通过两个重建器分别重建特征的方式，使得类无关特征、域特定特征以及域不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测网络的训练方法，所述目标检测网络对输入数据的域不敏感并能够冷启动处理新域数据获得与处理源域数据相近的效果，所述方法包括：获取多个所述源域训练数据中每个所述训练数据的混合特征，所述混合特征包括多个相互耦合的特征，所述多个源域训练数据中不包括所述新域中的数据，所述新域为未使用所述目标检测网络进行目标检测的域；以及通过所述目标检测网络的判别器以对抗的方式迭代训练所述目标检测网络的解耦器，使所述解耦器通过从所述混合特征中迭代生成类无关特征和域特定特征而解耦出域不变特征，直到所述解耦器通过所述判别器的判别为止，其中，所述类无关特征包括与所述训练数据的类别无关的特征，所述域特定特征包括每个域的所述训练数据所特有的特征，所述域不变特征包括不同域的所述训练数据之间的共有特征。2.如权利要求1所述的方法，其中所述数据包括图像数据；以及所述目标检测网络还包括生成器，所述获取多个训练数据中每个所述训练数据的混合特征包括：将每个所述训练数据输入所述生成器进行特征提取；以及获取所述生成器输出的所述训练数据的所述混合特征。3.如权利要求1所述的方法，其中所述判别器包括类判别器和域判别器，所述类判别器被配置为输出类别，所述域判别器被配置为输出域，所述通过所述判别器以对抗的方式迭代训练所述解耦器包括：固定所述类判别器以对抗的方式迭代训练所述解耦器，使所述解耦器迭代地从所述混合特征中生成所述类无关特征，以及固定所述域判别器以对抗的方式迭代训练所述解耦器，使所述解耦器迭代地从所述混合特征中生成所述域特定特征，直到所述类无关特征通过所述类判别器的判别以及所述域特定特征通过所述域判别器的判别为止，其中，所述域不变特征包括所述混合特征中除了所述类无关特征和所述域特定特征之外的特征。4.如权利要求3所述的方法，其中所述类无关特征通过所述类判别器的判别包括：所述类判别器无法判别出所述类无关特征所属的类别，以及所述域特定特征通过所述域判别器的判别包括：所述域判别器无法判别出所述域特定特征所属的域。5.如权利要求3所述的方法，其中所述类判别器在首次训练所述解耦器之前已经基于所述多个训练数据完成训练，所述域判别器在首次训练所述解耦器之前已经基于所述多个训练数据完成训练。6.如权利要求1所述的方法，其中所述目标检测网络还包括第一重建器，所述方法还包括：将所述类无关特征和...

【专利技术属性】
技术研发人员：武文琦，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：