本申请提供一种小样本目标检测方法、装置、设备、介质及产品，涉及人工智能领域。该方法包括：获取采用大样本数据集训练的第一目标对象检测模型，第一目标对象检测模型包括特征提取网络和边框预测网络，边框预测网络包括基于支持向量机的分类器；根据包括多张第一目标对象图像的大样本数据集和包括多张第二目标对象图像的小样本数据集生成平衡训练集；冻结特征提取网络的权重，初始化边框预测网络的权重，并采用平衡训练集对冻结权重和初始化权重后的第一目标对象检测模型进行训练；将满足第一预设训练收敛条件的第一目标对象检测模型确定为第二目标对象检测模型，第二目标对象检测模型用于检测第二目标对象和第一目标对象。测模型用于检测第二目标对象和第一目标对象。测模型用于检测第二目标对象和第一目标对象。
【技术实现步骤摘要】
小样本目标检测方法、装置、设备、介质及产品
[0001]本申请涉及人工智能领域，尤其涉及一种小样本目标检测方法、装置、设备、介质及产品。
技术介绍
[0002]随着科学技术的飞速发展，人工智能领域的相关技术突飞猛进，借助人工智能的相关技术能够实现目标检测。
[0003]在现有技术中，预先搭建待训练神经网络模型，采用大量标注了真实检测结果的目标对象图像对待训练神经网络模型进行训练，直至达到预设训练收敛条件，将达到预设训练收敛条件时的待训练神经网络模型确定为目标对象检测模型，以便采用目标对象检测模型对图像中的对象进行目标检测。
[0004]但是，现有技术的方法需要大量的目标对象图像，若目标对象图像的数量较少，则无法根据较少数量的目标对象图像训练出目标对象检测模型。
技术实现思路
[0005]本申请提供一种小样本目标检测方法、装置、设备、介质及产品，用以解决无法根据较少数量的目标对象图像训练出目标对象检测模型问题。
[0006]第一方面，本申请提供一种小样本目标检测方法，包括：
[0007]获取采用大样本数据集训练的第一目标对象检测模型，其中，所述第一目标对象检测模型包括特征提取网络和边框预测网络，所述边框预测网络包括基于支持向量机的分类器；
[0008]获取所述大样本数据集和小样本数据集，并根据所述大样本数据集和所述小样本数据集生成平衡训练集，其中，所述大样本数据集包括多张第一目标对象图像，所述小样本数据集包括多张第二目标对象图像，所述第一目标对象图像的数量远大于所述第二目标对象图像的数量；
[0009]冻结所述第一目标对象检测模型的特征提取网络的权重，初始化所述第一目标对象检测模型的边框预测网络的权重，并采用所述平衡训练集对所述第一目标对象检测模型进行训练；
[0010]将满足第一预设训练收敛条件的第一目标对象检测模型确定为第二目标对象检测模型，所述第二目标对象检测模型用于检测第二目标对象和第一目标对象。
[0011]第二方面，本申请提供一种小样本目标检测装置，包括：
[0012]获取模块，用于获取采用大样本数据集训练的第一目标对象检测模型，其中，所述第一目标对象检测模型包括特征提取网络和边框预测网络，所述边框预测网络包括基于支持向量机的分类器；
[0013]生成模块，用于获取所述大样本数据集和小样本数据集，并根据所述大样本数据集和所述小样本数据集生成平衡训练集，其中，所述大样本数据集包括多张第一目标对象
图像，所述小样本数据集包括多张第二目标对象图像，所述第一目标对象图像的数量远大于所述第二目标对象图像的数量；
[0014]训练模块，用于冻结所述第一目标对象检测模型的特征提取网络的权重，初始化所述第一目标对象检测模型的边框预测网络的权重，并采用所述平衡训练集对所述第一目标对象检测模型进行训练；
[0015]确定模块，用于将满足第一预设训练收敛条件的第一目标对象检测模型确定为第二目标对象检测模型，所述第二目标对象检测模型用于检测第二目标对象和第一目标对象。
[0016]第三方面，本申请提供一种电子设备，所述电子设备包括：处理器，以及与所述处理器通信连接的存储器；
[0017]所述存储器存储计算机执行指令；
[0018]所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面所述的小样本目标检测方法。
[0019]第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面所述的小样本目标检测方法。
[0020]第五方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的小样本目标检测方法。
[0021]本申请提供的小样本目标检测方法、装置、设备、介质及产品，获取采用大样本数据集训练的第一目标对象检测模型，其中，第一目标对象检测模型包括特征提取网络和边框预测网络，边框预测网络包括基于支持向量机的分类器；获取大样本数据集和小样本数据集，并根据大样本数据集和小样本数据集生成平衡训练集，其中，大样本数据集包括多张第一目标对象图像，小样本数据集包括多张第二目标对象图像，第一目标对象图像的数量远大于第二目标对象图像的数量；冻结第一目标对象检测模型的特征提取网络的权重，初始化第一目标对象检测模型的边框预测网络的权重，并采用平衡训练集对第一目标对象检测模型进行训练；将满足第一预设训练收敛条件的第一目标对象检测模型确定为第二目标对象检测模型，第二目标对象检测模型用于检测第二目标对象和第一目标对象。通过上述方案，首先采用由较多数量的第一目标对象图像组成的大样本数据集和由较少数量的第二目标对象图像组成的小样本数据集生成平衡训练集，然后冻结第一目标对象检测模型的特征提取网络的权重，采用平衡训练集对采用大样本数据集训练出的第一目标对象检测模型的边框预测网络的权重进行重新训练，从而获得既能够检测第一目标对象又能够检测第二目标对象的第二目标对象检测模型，实现了根据较少数量的第二目标对象图像训练出第二目标对象检测模型的目的。
附图说明
[0022]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0023]图1为本申请实施例提供的小样本目标检测方法的场景示意图；
[0024]图2为本申请实施例提供的小样本目标检测方法的流程示意图；
[0025]图3为本申请实施例提供的小样本目标检测方法的另一流程示意图；
[0026]图4为本申请实施例提供的小样本目标检测装置的结构示意图；
[0027]图5为本申请实施例提供的电子设备的结构示意图。
[0028]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0029]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0030]需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
[0031]需要说明的是，本申请小样本目标检测方法、装置、设备、介质及产品可用于人工智能领域，也可用于除人工智能之外的任意领域，本申请小样本目标检测方法、装置、设备、介质及产品的应用本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种小样本目标检测方法，其特征在于，包括：获取采用大样本数据集训练的第一目标对象检测模型，其中，所述第一目标对象检测模型包括特征提取网络和边框预测网络，所述边框预测网络包括基于支持向量机的分类器；获取所述大样本数据集和小样本数据集，并根据所述大样本数据集和所述小样本数据集生成平衡训练集，其中，所述大样本数据集包括多张第一目标对象图像，所述小样本数据集包括多张第二目标对象图像，所述第一目标对象图像的数量远大于所述第二目标对象图像的数量；冻结所述第一目标对象检测模型的特征提取网络的权重，初始化所述第一目标对象检测模型的边框预测网络的权重，并采用所述平衡训练集对所述第一目标对象检测模型进行训练；将满足第一预设训练收敛条件的第一目标对象检测模型确定为第二目标对象检测模型，所述第二目标对象检测模型用于检测第二目标对象和第一目标对象。2.根据权利要求1所述的方法，其特征在于，所述获取采用大样本数据集训练的第一目标对象检测模型，包括：获取所述大样本数据集，其中，所述大样本数据集包括多张所述第一目标对象图像及其对应的边框；采用所述大样本数据集对预设Faster
‑
RCNN模型进行训练；将满足第二预设训练收敛条件的预设Faster
‑
RCNN模型确定为所述第一目标对象检测模型。3.根据权利要求1所述的方法，其特征在于，所述大样本数据集包括至少一个类别的第一目标对象图像，所述小样本数据集包括至少一个类别的第二目标对象图像；所述根据所述大样本数据集和所述小样本数据集生成平衡训练集，包括：确定预设图像数量；对各类别所述第一目标对象图像进行第一处理，获得所述预设图像数量的各类别所述第一目标对象图像，其中，所述第一处理包括筛选处理；对各类别所述第二目标对象图像进行第二处理，获得所述预设图像数量的各类别所述第二目标对象图像，其中，所述第二处理包括截取处理、旋转处理、翻转处理中的一种或多种；采用所述预设图像数量的各类别所述第一目标对象图像和所述预设图像数量的各类别所述第二目标对象图像生成所述平衡训练集。4.根据权利要求1所述的方法，其特征在于，所述初始化所述第一目标对象检测模型的边框预测网络的权重，包括：随机初始化所述第一目标对象检测模型的边框预测网络的权重。5.根据权利要求1所述的方法，其特征在于，所述平衡训练集包括目标对象图像及其对应的标注数据，所述标注数据包括真实框和类别；所述采用所述平衡训练集对所述第一目标对象检测模型进行训练，包括：将所述目标对象图像输入所述第一目标对象检测模型，获得预测框；根据所述真实框和所述预测框，计算损失函数值；...
【专利技术属性】
技术研发人员：曹哲，陈永录，廖琦，刘秦昭，
申请(专利权)人：中国工商银行股份有限公司，
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。