一种小样本目标检测模型的训练方法及相关装置制造方法及图纸

本申请提供了一种小样本目标检测模型的训练方法以及相关装置。本申请实施例可应用于计算机视觉技术领域。其方法包括：首先，获取含有标签信息的第一训练图像及不含标签信息的第二训练图像，接着，将第一训练图像输入小样本目标检测模型中的第一目标分类网络，输出第一预测信息；然后，将第二训练图像输入小样本目标检测模型中的第二目标分类网络，输出第二预测信息；最后，根据第一预测信息、第一标签信息、第二预测信息及第二标签信息生成优化后的小样本目标检测模型。本申请实施例提供的方法，将小样本目标检测模型分解为能够独立地检测第一目标对象和第二目标对象的第一目标分类网络和第二目标分类网络，提高对小样本目标对象识别的准确性。对象识别的准确性。对象识别的准确性。

【技术实现步骤摘要】
一种小样本目标检测模型的训练方法及相关装置


[0001]本申请涉及人工智能
，尤其涉及一种小样本目标检测模型的训练方法及相关装置。

技术介绍

[0002]近年来，全监督深度卷积神经网络在图像分类、物体检测、语义分割和实例分割等各种计算机视觉任务上取得了显著进展。然而，这种卓越的性能在很大程度上取决于大规模精准标注的图像数据集。
[0003]但是，对于一些发生频次低、样本收集困难的新类别样本，带有标记的样本数量较少，从而限制模型对该类别的泛化能力，导致模型对该类别的识别率大幅降低。例如，在工业制造场景中，通过基于人工智能(Artificial Intelligence，AI)的深度学习方法对生产的产品的表面进行质检，以检测产品表面存在缺陷的次品产品，而随着工业生产地进步，在工业生产线上生产出次品产品的数量随之减少，用于训练目标检测模型的样本数据也随之减少，从而限制质检过程中目标检测模型对产品表面多种缺陷的识别能力，降低目标检测的准确性，降低质检质量。

技术实现思路

[0004]本申请实施例提供了一种小样本目标检测模型的训练方法以及相关装置，将小样本目标检测模型分解为第一目标分类网络和第二目标分类网络，通过大量的含有标签的样本图像数据对第一目标分类网络进行训练，使得小样本目标检测模型具备检测第一目标对象的能力，通过少量的不含标签的样本图像数据对第二目标分类网络进行训练，使得小样本目标检测模型具备检测第二目标对象的能力，第一目标分类网络与第二目标分类网络能够独立地检测第一目标对象和第二目标对象，缓解小样本场景下因标签缺失产生的偏向分类问题，提高对小样本目标对象识别的准确性。
[0005]本申请的一方面提供一种小样本目标检测模型的训练方法，包括：
[0006]获取第一训练样本集及第二训练样本集，其中，第一训练样本集包括m个第一训练图像，m个第一训练图像中包括P个第一目标对象，P个第一目标对象携带P个第一标签信息，第二训练样本集包括n个第二训练图像，n个第二训练图像包括Q个第二目标对象,Q个第二目标对象携带Q个第二标签信息，第一标签信息用于指示第一目标对象的标注类别，第二标签信息用于指示第二目标对象的标注类别，m、n、P及Q均为大于1的整数，且m大于n，P大于Q；
[0007]将m个第一训练图像作为小样本目标检测模型的输入，通过小样本目标检测模型中的第一目标分类网络输出P个第一预测信息，其中，第一预测信息用于指示第一目标对象的预测类别；
[0008]将n个第二训练图像作为小样本目标检测模型的输入，通过小样本目标检测模型中的第二目标分类网络输出Q个第二预测信息，其中，第二预测信息用于指示第二目标对象的预测类别；
[0009]根据P个第一预测信息及P个第一标签信息对第一目标分类网络的参数进行优化，以及，根据Q个第二预测信息及Q个第二标签信息对第二目标分类网络的参数进行优化，生成优化后的小样本目标检测模型。
[0010]本申请的一方面提供一种目标检测方法，包括：
[0011]获取目标图像；
[0012]将目标图像作为上述方法训练出的小样本目标检测模型输入，通过小样本目标检测模型输出第一预测信息及第二预测信息，其中，第一预测信息用于指示目标图像中包括的第一目标对象的预测类别，第二预测信息用于指示目标图像中包括的第二目标对象的预测类别。
[0013]本申请的一方面提供一种小样本目标检测模型的训练装置，包括：
[0014]训练样本集获取模块，用于获取第一训练样本集及第二训练样本集，其中，第一训练样本集包括m个第一训练图像，m个第一训练图像中包括P个第一目标对象，P个第一目标对象携带P个第一标签信息，第二训练样本集包括n个第二训练图像，n个第二训练图像包括Q个第二目标对象,Q个第二目标对象携带Q个第二标签信息，第一标签信息用于指示第一目标对象的标注类别，第二标签信息用于指示第二目标对象的标注类别，m、n、P及Q均为大于1的整数，且m大于n，P大于Q；
[0015]第一目标对象训练模块，用于将m个第一训练图像作为小样本目标检测模型的输入，通过小样本目标检测模型中的第一目标分类网络输出P个第一预测信息，其中，第一预测信息用于指示第一目标对象的预测类别；
[0016]第二目标对象训练模块，用于将n个第二训练图像作为小样本目标检测模型的输入，通过小样本目标检测模型中的第二目标分类网络输出Q个第二预测信息，其中，第二预测信息用于指示第二目标对象的预测类别；
[0017]小样本目标检测模型优化模块，用于根据P个第一预测信息及P个第一标签信息对第一目标分类网络的参数进行优化，以及，根据Q个第二预测信息及Q个第二标签信息对第二目标分类网络的参数进行优化，生成优化后的小样本目标检测模型。
[0018]在本申请实施例的另一种实现方式中，第二目标对象训练模块，还用于：
[0019]从n个第二训练图像中获取训练目标图像，其中，训练目标图像包括第二目标对象及第二背景区域，第二目标对象携带第二标签信息，第二背景区域携带背景类别信息；
[0020]将第二标签信息及背景类别信息作为第二目标分类网络的输入，通过第二目标分类网络生成第二目标对象的第二预测信息。
[0021]在本申请实施例的另一种实现方式中，第二目标对象携带第二参考边界框，第二目标对象训练模块，还用于：
[0022]获取置信度阈值；
[0023]根据训练目标图像，生成K个候选框，其中，K为大于1的整数；
[0024]根据第二参考边界框及置信度阈值，从K个候选框中确定第二预测边界框；
[0025]根据第二预测边界框确定第二目标对象的位置信息。
[0026]在本申请实施例的另一种实现方式中，第二目标对象训练模块，还用于：
[0027]根据第二参考边界框及N个候选框，计算得到N个交并比值，其中，交并比值用于表征第二参考边界框与候选框的重合程度；
[0028]根据N个交并比值中满足置信度阈值对应的候选框，生成第二预测边界框。
[0029]在本申请实施例的另一种实现方式中，小样本目标检测模型优化模块，还用于：
[0030]对第二训练图像进行特征提取，得到第二训练图像特征维度，其中，第二训练图像特征维度包括第二目标对象特征维度及第二背景区域特征维度，第二目标对象特征维度对应于第二目标对象，第二背景区域特征维度对应于第二背景区域；
[0031]根据第二目标对象特征维度及第二背景区域特征维度对第二目标分类网络进行梯度更新，得到更新后的第二目标分类网络。
[0032]在本申请实施例的另一种实现方式中，小样本目标检测模型优化模块，还用于：
[0033]对第一训练图像进行特征提取，得到第一训练图像特征维度；
[0034]根据第一训练图像特征维度对第一目标分类网络进行梯度更新，得到更新后的第一目标分类网络。
[0035]在本申请实施例的另一种实现方式中，小样本目标检测模型优化模块，还用于：...

【技术保护点】

【技术特征摘要】
1.一种小样本目标检测模型的训练方法，其特征在于，包括：获取第一训练样本集及第二训练样本集，其中，所述第一训练样本集包括m个第一训练图像，所述m个第一训练图像中包括P个第一目标对象，所述P个第一目标对象携带P个第一标签信息，所述第二训练样本集包括n个第二训练图像，所述n个第二训练图像包括Q个第二目标对象,所述Q个第二目标对象携带Q个第二标签信息，所述第一标签信息用于指示所述第一目标对象的标注类别，所述第二标签信息用于指示所述第二目标对象的标注类别，m、n、P及Q均为大于1的整数，且m大于n，P大于Q；将所述m个第一训练图像作为小样本目标检测模型的输入，通过所述小样本目标检测模型中的第一目标分类网络输出P个第一预测信息，其中，所述第一预测信息用于指示所述第一目标对象的预测类别；将所述n个第二训练图像作为所述小样本目标检测模型的输入，通过所述小样本目标检测模型中的第二目标分类网络输出Q个第二预测信息，其中，所述第二预测信息用于指示所述第二目标对象的预测类别；根据所述P个第一预测信息及所述P个第一标签信息对所述第一目标分类网络的参数进行优化，以及，根据所述Q个第二预测信息及所述Q个第二标签信息对所述第二目标分类网络的参数进行优化，生成优化后的小样本目标检测模型。2.如权利要求1所述的小样本目标检测模型的训练方法，其特征在于，所述将所述n个第二训练图像作为所述小样本目标检测模型的输入，通过所述小样本目标检测模型中的第二目标分类网络输出Q个第二预测信息，包括：从所述n个第二训练图像中获取训练目标图像，其中，所述训练目标图像包括第二目标对象及第二背景区域，所述第二目标对象携带第二标签信息，所述第二背景区域携带背景类别信息；将所述第二标签信息及所述背景类别信息作为所述第二目标分类网络的输入，通过所述第二目标分类网络生成所述第二目标对象的第二预测信息。3.如权利要求2所述的小样本目标检测模型的训练方法，其特征在于，所述第二目标对象携带第二参考边界框，所述通过所述第二目标分割网络输出第二预测信息之后，还包括：获取置信度阈值；根据所述训练目标图像，生成K个候选框，其中，K为大于1的整数；根据所述第二参考边界框及所述置信度阈值，从K个候选框中确定第二预测边界框；根据所述第二预测边界框确定所述第二目标对象的位置信息。4.如权利要求3所述的小样本目标检测模型的训练方法，其特征在于，所述根据所述第二参考边界框及所述置信度阈值，从K个候选框中确定第二预测边界框，包括：根据第二参考边界框及所述N个候选框，计算得到N个交并比值，其中，所述交并比值用于表征第二参考边界框与候选框的重合程度；根据N个交并比值中满足置信度阈值对应的候选框，生成第二预测边界框。5.如权利要求2所述的小样本目标检测模型的训练方法，其特征在于，所述根据所述Q个第二预测信息及所述Q个第二标签信息对所述第二目标分类网络的参数进行优化，包括：对所述第二训练图像进行特征提取，得到第二训练图像特征维度，其中，所述第二训练图像特征维度包括第二目标对象特征维度及第二背景区域特征维度，所述第二目标对象特
征维度对应于第二目标对象，所述第二背景区域特征维度对应于所述第二背景区域；根据所述第二目标对象特征维度及所述第二背景区域特征维度对所述第二目标分类网络进行梯度更新，得到更新后的第二目标分类网络。6.如权利要求1所述的小样本目标检测模型的训练方法，其特征在于，所述根据所述P个第一预测信息及所述P个第一标签信息对所述第一目标分类网络的参数进行优化，包括：对所述第一训练图像进行特征提取，得到第一训练图像特征维度；根据所述第一训练图像特征维度对所述第一目标分类网络进行梯度更新，得到更新后的第一目标分类网络。7.如权利要求1所述的小样本目标检测模型的训练方...

【专利技术属性】
技术研发人员：高斌斌，陈晓辰，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：