本申请提供的目标检测模型处理方法、装置及电子设备，先通过第一样本集合中的大量已标注样本对目标检测模型进行第一阶段训练，使所述目标检测模型在具有一定分类能力的同时具有识别前景目标的能力，再使用少量标注的新增分类的第二样本对目标检测模型进行第二阶段训练，在第二阶段训练中，不调整特征提取网络的网络参数，仅调整分类分支的分类权重，从而在保留了第一阶段训练获得的特征提取能力的情况下，将所述目标检测模型迅速调整为可以对新增的分类进行目标识别。如此，在不需要采用复杂模型结构的情况下可以实现使用小样本训练目标检测模型。练目标检测模型。练目标检测模型。
【技术实现步骤摘要】
目标检测模型处理方法、装置及电子设备
[0001]本申请涉及机器学习领域，具体而言，涉及一种目标检测模型处理方法、装置及电子设备。
技术介绍
[0002]在采用机器学习的目标检测方案中，通常需要大量带有已标注标签的样本对目标检测模型进行训练。但是，需要训练出较为准确的目标检测模型，依赖大量的已标注图像样本，但在实际使用过程中，可能存在某些待检测目标类别样本不足的问题。在一些方案中，采用了基于Attention
‑
RPN的少样本目标检测方法，但是由于加入Attention结构，且输入包含了两部分数据，这会导致模型的推理速度相比普通的目标检测模型慢很多。
技术实现思路
[0003]为了克服现有技术中的上述不足，本申请的目的在于提供一种目标检测模型处理方法，所述方法包括：
[0004]获取目标检测模型，所述目标检测模型包括特征提取网络及预测网络，所述预测网络包括分类分支、目标框回归分支及前景判定分支；
[0005]获取第一样本集合，所述第一样本集合包括多个第一样本，所述第一样本包括样本图像及样本标签，所述第一样本的样本标签包括第一分类标签、第一目标框位置标签及第一前景标签；
[0006]通过所述第一样本对所述目标检测模型进行训练，以调整所述特征提取网络及所述预测网络的网络参数；
[0007]获取第二样本集合，所述第二样本集合包括多个第二样本，所述第二样本包括样本图像及样本标签；所述第二样本的样本标签包括第二分类标签；
[0008]通过所述特征提取网络对所述第二样本的样本图像进行特征提取，获得第二图像特征；
[0009]将所述第二图像特征输入所述分类分支进行处理，根据处理结果及各所述第二样本的所述第二分类标签调整所述分类分支的分类权重。
[0010]在一种可能的实现方式中，至少部分所述第二样本的第二样本标签与所述第一样本集合中各所述第一样本的第一样本标签不同。
[0011]在一种可能的实现方式中，所述通过所述第一样本对所述目标检测模型进行训练，以调整所述特征提取网络及所述预测网络的网络参数的步骤，包括：
[0012]通过所述特征提取网络对所述第一样本的样本图像进行特征提取，获得第一图像特征；
[0013]将所述第一图像特征分别输入所述分类分支、所述目标框回归分支和所述前景判定分支进行处理，获得第一预测结果，所述第一预测结果包括第一分类预测结果、第一目标框位置预测结果及第一前景预测结果；
[0014]根据所述第一样本的样本标签和所述第一预测结果调整所述特征提取网络及预测网络的网络参数。
[0015]在一种可能的实现方式中，所述将所述第二图像特征输入所述分类分支进行处理，根据处理结果及各所述第二样本的所述第二分类标签调整所述分类分支的分类权重的步骤，包括：
[0016]将分别每个所述第二样本对应的所述第二图像特征输入所述分类分支进行处理，获得与各所述第二样本对应的分类特征向量，所述分类特征向量为输入所述分类分支最后一层的特征向量；
[0017]根据各所述第二样本的所述分类特征向量及调整所述分类分支最后一层的分类权重，并根据所述第二样本的所述第二分类标签添加新的分类预测结果标签。
[0018]在一种可能的实现方式中，所述根据各所述第二样本的所述分类特征向量及调整所述分类分支最后一层的分类权重的步骤，包括：
[0019]针对每个分类，计算多个所述分类特征向量中与该分类对应的特征向量的均值；
[0020]根据各所述分类对应的所述均值组成的权重矩阵及替换所述分类分支最后一层的分类权重。
[0021]在一种可能的实现方式中，所述获取第二样本集合的步骤，包括：
[0022]针对每个种的所述第二分类标签对应的分类，获得该分类的目标在不同角度、不同光照和/或不同姿态下的图像作为所述第二样本图像。
[0023]在一种可能的实现方式中，所述获取第二样本集合的步骤，包括：
[0024]获取待标注图像集合；
[0025]从所述待标注图像集合中选取部分图像作为所述第二样本的样本图像，并未所述第二样本添加第二分类标签；
[0026]所述将所述第二图像特征输入所述分类分支进行处理，根据处理结果及各所述第二样本的所述第二分类标签调整所述分类分支的分类权重的步骤之后，所述方法还包括：
[0027]使用所述目标检测模型对所述待标注图像集合中出所述第二样本以外的其他图像进行分类标注。
[0028]本申请的另一目的在于提供一种目标检测模型处理装置，所述目标检测模型处理装置包括：
[0029]模型获取模块，用于获取目标检测模型，所述目标检测模型包括特征提取网络及预测网络，所述预测网络包括分类分支、目标框回归分支及前景判定分支；
[0030]第一样本获取模块，用于获取第一样本集合，所述第一样本集合包括多个第一样本，所述第一样本包括样本图像及样本标签，所述第一样本的样本标签包括第一分类标签、第一目标框位置标签及第一前景标签；
[0031]第一训练模块，用于通过所述第一样本对所述目标检测模型进行训练，以调整所述特征提取网络及所述预测网络的网络参数；
[0032]第二样本获取模块，用于获取第二样本集合，所述第二样本集合包括多个第二样本，所述第二样本包括样本图像及样本标签；所述第二样本的样本标签包括第二分类标签；
[0033]第二训练模块，用于通过所述特征提取网络对所述第二样本的样本图像进行特征提取，获得第二图像特征；将所述第二图像特征输入所述分类分支进行处理，根据处理结果
及各所述第二样本的所述第二分类标签调整所述分类分支的分类权重。
[0034]本申请的另一目的在于提供一种电子设备，包括处理器及机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被所述处理器执行时，实现本申请提供的目标检测模型处理方法。
[0035]本申请的另一目的在于提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被一个或多个处理器执行时，实现本申请提供的目标检测模型处理方法。
[0036]相对于现有技术而言，本申请具有以下有益效果：
[0037]本申请提供的目标检测模型处理方法、装置及电子设备，先通过第一样本集合中的大量已标注样本对目标检测模型进行第一阶段训练，使所述目标检测模型在具有一定分类能力的同时具有识别前景目标的能力，再使用少量标注的新增分类的第二样本对目标检测模型进行第二阶段训练，在第二阶段训练中，不调整特征提取网络的网络参数，仅调整分类分支的分类权重，从而在保留了第一阶段训练获得的特征提取能力的情况下，将所述目标检测模型迅速调整为可以对新增的分类进行目标识别。如此，在不需要采用复杂模型结构的情况下可以实现使用小样本训练目标检测模型。
附图说明
[0038]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标检测模型处理方法，其特征在于，所述方法包括：获取目标检测模型，所述目标检测模型包括特征提取网络及预测网络，所述预测网络包括分类分支、目标框回归分支及前景判定分支；获取第一样本集合，所述第一样本集合包括多个第一样本，所述第一样本包括样本图像及样本标签，所述第一样本的样本标签包括第一分类标签、第一目标框位置标签及第一前景标签；通过所述第一样本对所述目标检测模型进行训练，以调整所述特征提取网络及所述预测网络的网络参数；获取第二样本集合，所述第二样本集合包括多个第二样本，所述第二样本包括样本图像及样本标签；所述第二样本的样本标签包括第二分类标签；通过所述特征提取网络对所述第二样本的样本图像进行特征提取，获得第二图像特征；将所述第二图像特征输入所述分类分支进行处理，根据处理结果及各所述第二样本的所述第二分类标签调整所述分类分支的分类权重。2.根据权利要求1所述的方法，其特征在于，至少部分所述第二样本的第二样本标签与所述第一样本集合中各所述第一样本的第一样本标签不同。3.根据权利要求2所述的方法，其特征在于，所述通过所述第一样本对所述目标检测模型进行训练，以调整所述特征提取网络及所述预测网络的网络参数的步骤，包括：通过所述特征提取网络对所述第一样本的样本图像进行特征提取，获得第一图像特征；将所述第一图像特征分别输入所述分类分支、所述目标框回归分支和所述前景判定分支进行处理，获得第一预测结果，所述第一预测结果包括第一分类预测结果、第一目标框位置预测结果及第一前景预测结果；根据所述第一样本的样本标签和所述第一预测结果调整所述特征提取网络及预测网络的网络参数。4.根据权利要求2所述的方法，其特征在于，所述将所述第二图像特征输入所述分类分支进行处理，根据处理结果及各所述第二样本的所述第二分类标签调整所述分类分支的分类权重的步骤，包括：将分别每个所述第二样本对应的所述第二图像特征输入所述分类分支进行处理，获得与各所述第二样本对应的分类特征向量，所述分类特征向量为输入所述分类分支最后一层的特征向量；根据各所述第二样本的所述分类特征向量及调整所述分类分支最后一层的分类权重，并根据所述第二样本的所述第二分类标签添加新的分类预测结果标签。5.根据权利要求4所述的方法，其特征在于，所述根据各所述第二样本的所述分类特征向量及调整所述分类分支最后一层的分类权重的步骤，包括：针对每个分类，计算多个所述分类特征向量中...
【专利技术属性】
技术研发人员：唐华阳，李源，
申请(专利权)人：上海点泽智能科技有限公司，
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。