基于元学习的检测模型的训练方法、检测方法和相关装置制造方法及图纸

本申请公开了一种基于元学习的检测模型的训练方法、检测方法和相关装置，该方法包括：为多个场景分别创建对应的元任务；其中，每个元任务对应有各自的检测网络，每个元任务对应同一场景下的训练图像，检测模型包括所有检测网络；利用所有元任务及其对应的训练图像对检测模型进行训练，得到训练后的检测模型；其中，每个元任务对应的检测网络在训练过程中，学习提取训练图像中的目标对应的多个特征信息，将多个特征信息进行融合得到融合特征，并基于融合特征得到检测结果。上述方案，能够提高检测模型的通用性和泛化能力。模型的通用性和泛化能力。模型的通用性和泛化能力。

【技术实现步骤摘要】
基于元学习的检测模型的训练方法、检测方法和相关装置


[0001]本申请涉及图像处理
，特别是涉及一种基于元学习的检测模型的训练方法、检测方法和相关装置。

技术介绍

[0002]随着监控设备的普及，多种类型的场景下的图像需要对图像中的目标进行检测，现有技术中通常是针对每种场景训练与场景对应的检测模型，训练后的检测模型用于对单一的场景进行检测，并且当该场景内添加具有新的特征的目标时，需要在原有的训练数据基础上添加大量新的训练数据训练新的检测模型，以致现有的检测模型所能适配的场景单一且泛化能力差。有鉴于此，如何提高检测模型的通用性和泛化能力成为了亟待解决的问题。

技术实现思路

[0003]本申请主要解决的技术问题是提供一种基于元学习的检测模型的训练方法、检测方法和相关装置，能够提高检测模型的通用性和泛化能力。
[0004]为解决上述技术问题，本申请第一方面提供一种基于元学习的检测模型的训练方法，包括：为多个场景分别创建对应的元任务；其中，每个所述元任务对应有各自的检测网络，每个所述元任务对应同一场景下的训练图像，所述检测模型包括所有所述检测网络；利用所有所述元任务及其对应的训练图像对所述检测模型进行训练，得到训练后的所述检测模型；其中，每个所述元任务对应的所述检测网络在训练过程中，学习提取训练图像中的目标对应的多个特征信息，将多个所述特征信息进行融合得到融合特征，并基于所述融合特征得到检测结果。
[0005]为解决上述技术问题，本申请第二方面提供一种目标检测方法，包括：获得至少一个场景对应的待检测图像；将所有所述待检测图像组输入至检测模型，得到每个所述待检测图像中的目标对应的检测结果；其中，所述检测模型基于上述第一方面所述的方法训练后获得。
[0006]为解决上述技术问题，本申请第三方面提供一种电子设备，该电子设备包括：相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据以执行上述第一方面或第二方面所述的方法。
[0007]为解决上述技术问题，本申请第四方面提供一种计算机可读存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现上述第一方面或第二方面所述的方法。
[0008]上述方案，为多个场景分别创建各自对应的元任务，其中，每个元任务对应有各自的检测网络，元任务包括同一场景下的训练图像，所有检测网络共同组成检测模型，利用所有元任务和元任务所对应的训练图像对检测模型进行训练，在训练过程中，每个元任务对应的检测网络，学习如何提取训练图像中的目标所对应的多个特征信息，进而将多个特征信息进行融合得到融合特征，并基于融合特征得到检测结果。故此，每个场景对应一个元任
务且元任务对应有检测网络，所有元任务所对应的检测网络共同组成检测模型，因此，检测模型能够适配多个应用场景，提高检测模型的通用性，且在检测模型的训练过程中，每个元任务对应的检测网络学习如何提取特征、融合特征以及基于特征进行检测，从而通过元学习的方式使检测模型具备学习能力，当检测模型应用于新的场景中时，检测模型基于已有的学习能力，只需要采集新场景对应的少量训练图像即可适配新的场景，提高检测模型的泛化能力。
附图说明
[0009]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。其中：
[0010]图1是本申请基于元学习的检测模型的训练方法一实施方式的流程示意图；
[0011]图2是本申请基于元学习的检测模型的训练方法另一实施方式的流程示意图；
[0012]图3是图2中步骤S202对应的一实施方式的应用场景示意图；
[0013]图4是本申请目标检测方法一实施方式的流程示意图；
[0014]图5是本申请电子设备一实施方式的结构示意图；
[0015]图6是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
[0016]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0017]本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
[0018]本申请所提供的基于元学习的检测模型的训练方法用于对检测模型进行训练，其中，检测模型用于检测目标的位置、目标的类型和目标的属性中的至少一种，本申请所提供的训练方法对应的执行主体为能够调用检测模型的处理器。
[0019]请参阅图1，图1是本申请基于元学习的检测模型的训练方法一实施方式的流程示意图，该方法包括：
[0020]S101：为多个场景分别创建对应的元任务，其中，每个元任务对应有各自的检测网络，每个元任务对应同一场景下的训练图像，检测模型包括所有检测网络。
[0021]具体地，为多个场景分别创建各自对应的元任务，其中，每个元任务对应有各自的检测网络，元任务包括同一场景下的训练图像，所有检测网络共同组成检测模型。
[0022]在一应用方式中，获得多个场景下分别采集的图像，将图像按场景的位置进行分类，得到每个场景对应的训练图像，为每个场景创建对应的元任务，将场景下对应的训练图
像与元任务对应，构建每个元任务对应的检测网络，从而得到检测模型，其中，至少部分元任务对应的算法相同或者相互区别，提高检测模型对不同算法的适配度。
[0023]在另一应用方式中，获得多个初始图像，每个初始图像中包括至少一个类别的目标，确定每个初始图像中占比最高的主要目标，将多个初始图像分成多个场景下的训练图像，其中，同一场景下的训练图像中的主要目标相同，为每个场景创建对应的元任务，将场景下对应的训练图像与元任务对应，构建每个元任务对应的检测网络，从而得到检测模型，其中，同一场景中对应的主要目标相同，以降低检测模型的训练难度。
[0024]S102：利用所有元任务及其对应的训练图像对检测模型进行训练，得到训练后的检测模型，其中，每个元任务对应的检测网络在训练过程中，学习提取训练图像中的目标对应的多个特征信息，将多个特征信息进行融合得到融合特征，并基于融合特征得到检测结果。
[0025]具体地，利用所有元任务和元任务所对应的训练图像对检测模型进行训练，在训练过程中，每个元任务对应的检测网络，学习如何提取训练图像中的目标所对应的多个特征信息，进而将多个特征信息进行融合得到融合特征，并基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的检测模型的训练方法，其特征在于，所述方法包括：为多个场景分别创建对应的元任务；其中，每个所述元任务对应有各自的检测网络，每个所述元任务对应同一场景下的训练图像，所述检测模型包括所有所述检测网络；利用所有所述元任务及其对应的训练图像对所述检测模型进行训练，得到训练后的所述检测模型；其中，每个所述元任务对应的所述检测网络在训练过程中，学习提取训练图像中的目标对应的多个特征信息，将多个所述特征信息进行融合得到融合特征，并基于所述融合特征得到检测结果。2.根据权利要求1所述的训练方法，其特征在于，所述为多个场景分别创建对应的元任务，包括：获得多个场景下的场景图像，将所述场景图像按场景分类，作为每个场景对应的所述训练图像；基于所述场景的类型为每个所述场景创建对应的元任务，并为所述元任务构建所述检测网络，得到初始的所述检测模型。3.根据权利要求1所述的训练方法，其特征在于，所述训练图像包括训练样本和测试样本，所述利用所有所述元任务及其对应的训练图像对所述检测模型进行训练，得到训练后的所述检测模型，包括：利用所述元任务对应的所述训练样本对所述元任务对应的所述检测网络进行训练，得到当前的所述检测网络，将所述元任务对应的所述测试样本输入至当前的所述检测网络，得到所述检测网络对应的网络损失，直至遍历所有所述元任务；基于所有所述检测网络对应的所述网络损失，对所述检测模型的参数进行调整，直至满足预设收敛条件，得到训练后的所述检测模型。4.根据权利要求3所述的训练方法，其特征在于，所述检测网络包括特征学习模块、特征权重模块和检测模块，所述训练样本包括训练检测图像和训练支持图像；其中，所述训练检测图像包括预设类别的目标且设置有标签，所述训练支持图像包括训练正样本和训练负样本，所述训练正样本包括所述预设类别的目标，所述训练负样本包括区别于所述预设类别的目标；所述利用所述元任务对应的所述训练样本对所述元任务对应的所述检测网络进行训练，得到当前的所述检测网络，包括：将所述元任务对应的所述训练检测图像，输入至所述特征学习模块，得到所述训练检测图像中所有目标对应的特征信息；将所述元任务对应的多个所述训练支持图像所包括的所述训练正样本和所述训练负样本，输入至所述特征权重模块，得到每个所述特征信息的权重，基于所述权重对所有所述特征信息进行加权求和，得到所述融合特征；将所述融合特征输入至所述检测模块，得到训练检测结果，基于所述训练检测结果对所述特征学习模块、所述特征权重模块和所述检测模块的参数进行调整，得到当前的所述检测网络。5.根据权利要求4所述的训练方法，其特征在于，所述特征权重模块包括卷积层、池化层和全连接层，所述将所述元任务对应的多个所述训练支持图像所包括的所述训练正样本和所述训练负样本，输入至所述特征权重模块，得到每个所述特征...

【专利技术属性】
技术研发人员：吕辰，殷俊，潘华东，孙鹤，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：