【技术实现步骤摘要】
本专利技术涉及小样本目标检测模型，更具体地说是指小样本迁移目标检测模型训练方法、装置及计算机设备。
技术介绍
1、小样本目标检测模型是通过少量标注样本的训练来对图像中的目标进行分类和准确定位，以此得到具有良好泛化能力的检测模型，比如电力安全监控领域中的检测山火烟雾是否对电力设施有影响的小样本目标检测模型，目标是借助在丰富注释的基类中学习的先验知识和少量的新类训练样本实现对测试图像中目标的预测。基于有监督的小样本目标检测是最为常见的方案之一；有监督解决方案的步骤大致如下：采集样本、进行数据增强、选择网络模型、模型训练、根据训练结果调整数据增强策略、继续采集样本、更换模型或者调整模型结构、继续训练。
2、当前利用有监督方法进行小样本检测存在以下难点，首先，过拟合是小样本目标检测的核心问题之一，当新类数据与基类数据属于同一领域，但新类别只有很少的训练样本可用时，训练深度检测模型容易导致过拟合。这会导致在新类数据集上性能较差，模型的泛化能力和鲁棒性不足。其次，域偏移是另一个挑战。目前，小样本目标检测方法通常通过学习大规模基类数据集的通用知识，并将这些知识迁移到新任务的学习中。然而，当源域和目标域的数据具有不同的分布时，可能会出现域偏移问题。此外，数据及分布偏差也是一个困扰。数据集本质上是从数据分布中观察到的样本集合。然而，当训练样本数量有限时，数据的多样性降低，导致数据偏差和分布偏差等问题。相比于大规模数据集，有限的训练数据会放大数据集中的噪声，使得数据偏差更加明显，例如相同类别的图像存在较大的内部变化，不同类别的图像之间的
3、因此，有必要设计一种新的方法，实现提高模型的泛化能力、适应不同域的数据分布以及减小数据及分布偏差所带来的影响。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺陷，提供小样本迁移目标检测模型训练方法、装置及计算机设备。
2、为实现上述目的，本专利技术采用以下技术方案：小样本迁移目标检测模型训练方法，包括：
3、获取小样本检测需求，并根据所述小样本检测需求确定开放域目标检测模型；
4、获取目标物的图像数据，并构建图像文本对；
5、根据所述图像文本对扩充小样本目标检测的微调数据库，以确定微调数据集；
6、采用所述微调数据集对所述开放域目标检测模型进行训练。
7、其进一步技术方案为：所述获取目标物的图像数据，并构建图像文本对，包括：
8、获取目标物的图像数据，对所述图像数据进行文本描述，以构建图像文本对。
9、其进一步技术方案为：所述根据所述图像文本对扩充小样本目标检测的微调数据库，以确定微调数据集，包括：
10、采用所述图像文本对训练教师模型；
11、利用训练后的教师模型扩充小样本目标检测的微调数据库，以确定微调数据集。
12、其进一步技术方案为：所述利用训练后的教师模型扩充小样本目标检测的微调数据库，以确定微调数据集，包括：
13、利用训练后的教师模型对未标注的图像数据进行推理，以得到伪标注；
14、筛选伪标注的置信度大于设定值的数据，结合所述图像文本对扩充小样本目标检测的微调数据库，以确定微调数据集。
15、其进一步技术方案为：所述采用所述微调数据集对所述开放域目标检测模型进行训练，包括；
16、利用所述微调数据集对所述开放域目标检测模型进行微调。
17、其进一步技术方案为：所述利用所述微调数据集对所述开放域目标检测模型进行微调，包括：
18、对所述开放域目标检测模型的部分网络层进行冻结，并利用所述微调数据集根据预先选择的微调方式对所述开放域目标检测模型进行微调。
19、其进一步技术方案为：所述利用所述微调数据集对所述开放域目标检测模型进行微调，包括：
20、利用所述微调数据集结合添加的特定输入内容对所述开放域目标检测模型进行微调。
21、本专利技术还提供了小样本迁移目标检测模型训练装置，包括：
22、模型确定单元，用于获取小样本检测需求，并根据所述小样本检测需求确定开放域目标检测模型；
23、图像文本对确定单元，用于获取目标物的图像数据，并构建图像文本对；
24、扩充单元，用于根据所述图像文本对扩充小样本目标检测的微调数据库，以确定微调数据集；
25、训练单元，用于采用所述微调数据集对所述开放域目标检测模型进行训练。
26、其进一步技术方案为：所述图像文本对确定单元，用于获取目标物的图像数据，对所述图像数据进行文本描述，以构建图像文本对。
27、本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
28、本专利技术与现有技术相比的有益效果是：本专利技术通过终端输入目标物的图像数据，并采用教师模型扩充小样本目标检测的微调数据库，并对根据小样本检测需求确定的开放域目标检测模型进行微调训练，通过大量的图像描述数据来覆盖更多的物体概念，使得目标检测不再局限于少数有标注数据的类别，实现提高模型的泛化能力、适应不同域的数据分布以及减小数据及分布偏差所带来的影响。
29、下面结合附图和具体实施例对本专利技术作进一步描述。
本文档来自技高网...【技术保护点】
1.小样本迁移目标检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的小样本迁移目标检测模型训练方法，其特征在于，所述获取目标物的图像数据，并构建图像文本对，包括：
3.根据权利要求1所述的小样本迁移目标检测模型训练方法，其特征在于，所述根据所述图像文本对扩充小样本目标检测的微调数据库，以确定微调数据集，包括：
4.根据权利要求3所述的小样本迁移目标检测模型训练方法，其特征在于，所述利用训练后的教师模型扩充小样本目标检测的微调数据库，以确定微调数据集，包括：
5.根据权利要求1所述的小样本迁移目标检测模型训练方法，其特征在于，所述采用所述微调数据集对所述开放域目标检测模型进行训练，包括；
6.根据权利要求5所述的小样本迁移目标检测模型训练方法，其特征在于，所述利用所述微调数据集对所述开放域目标检测模型进行微调，包括：
7.根据权利要求5所述的小样本迁移目标检测模型训练方法，其特征在于，所述利用所述微调数据集对所述开放域目标检测模型进行微调，包括：
8.小样本迁移目标检测模型训练装置，其特
9.根据权利要求8所述的小样本迁移目标检测模型训练装置，其特征在于，所述图像文本对确定单元，用于获取目标物的图像数据，对所述图像数据进行文本描述，以构建图像文本对。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.小样本迁移目标检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的小样本迁移目标检测模型训练方法，其特征在于，所述获取目标物的图像数据，并构建图像文本对，包括：
3.根据权利要求1所述的小样本迁移目标检测模型训练方法，其特征在于，所述根据所述图像文本对扩充小样本目标检测的微调数据库，以确定微调数据集，包括：
4.根据权利要求3所述的小样本迁移目标检测模型训练方法，其特征在于，所述利用训练后的教师模型扩充小样本目标检测的微调数据库，以确定微调数据集，包括：
5.根据权利要求1所述的小样本迁移目标检测模型训练方法，其特征在于，所述采用所述微调数据集对所述开放域目标检测模型进行训练，包括；
6.根据权利要求5...
【专利技术属性】
技术研发人员：蒋阳，文博，豆泽阳，庞磊，
申请(专利权)人：传申弘安智能深圳有限公司，
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。