[发明专利]对象检测方法、装置、设备及计算机可读存储介质

说明书

本申请实施例公开了一种对象检测方法、装置、设备及计算机可读存储介质，其中方法包括：利用针对第一域采用第一图像样本集训练完成的神经网络，对第二域的图像进行对象检测，得到检测结果；将检测结果的可信度小于第一阈值的图像作为第二图像样本集中的图像样本；从第一图像样本集中选择至少一个图像样本，并从第二图像样本集中选择至少一个图像样本；使用神经网络对选择的各个图像样本进行对象检测，输出预测结果；根据输出的预测结果以及所述选择的各个图像样本的真值，对神经网络的网络参数进行调整。在本申请实施例中，可以使得神经网络在已经训练过的场景中保持已有的检测性能的情况下，在新的场景下也能满足对新场景中对象的检测需求。

技术领域

本申请涉及深度学习技术领域，尤其涉及一种对象检测方法、装置、设备及计算机可读存储介质。

背景技术

随着深度学习神经网络的发展，深度学习神经网络在各个领域得到了广泛的应用，例如，应用于目标检测的卷积神经网络，应用于语言翻译的循环神经网络等。

然而，深度神经网络这项技术在设计之初，假设所有的数据已经准备完成。神经网络训练过程中，其参数(Parameters)会根据目标任务进行更新，从而使神经网络成功拟合(Fitting)到目标数据上；当有新的任务以及新的数据到来时，神经网络以往习得的知识会在训练中重写，从而失去在以往任务和数据上的性能。

发明内容

本申请实施例提供一种对象检测方法，可以使得神经网络在已经训练过的场景中保持已有的检测性能的情况下，快速具有对新场景中对象的检测性能。具有持续学习的能力，即使得神经网络一方面保持在原有场景上的处理性能，另一方面也能很好的满足新的场景中的任务处理的需求。

第一方面，本申请实施例提供了一种对象检测方法，该方法包括：

利用针对第一域采用第一图像样本集训练完成的神经网络，对第二域的图像进行对象检测，得到检测结果；

将所述检测结果的可信度小于第一阈值的图像作为第二图像样本集中的图像样本；

从所述第一图像样本集中选择至少一个图像样本，并从所述第二图像样本集中选择至少一个图像样本；

使用所述神经网络对选择的各个图像样本进行对象检测，输出预测结果；

根据输出的预测结果以及所述选择的各个图像样本的真值，对所述神经网络的网络参数进行调整。

在一种可选的实施方式中，所述方法还包括：

利用网络参数更新后的神经网络对第二域的图像进行对象检测。

在一种可选的实施方式中，所述第二域为一个，所述第二图像样本集为一个，所述第一图像样本集中的图像样本的数量大于所述第二图像样本集中的图像样本的数量，从所述第一图像样本集中选择的图像样本的数量和从所述第二图像样本集中选择的图像样本的数量之间的比值在第一比例范围内。

在一种可选的实施方式中，所述第二域为k个，所述第二图像样本集为k个，所述第一图像样本集中的图像样本的数量大于各个第二图像样本集中的图像样本的数量，从所述第一图像样本集中选择的图像样本的数量和从各个第二图像样本集中选择的图像样本的数量之间的比值在第二比例范围内，其中，k为大于1的整数。

在一种可选的实施方式中，在得到网络参数更新后的神经网络之后，所述方法还包括：

将所述第二图像样本集合并到所述第一图像样本集中，得到新的第一图像样本集。

在一种可选的实施方式中，在得到所述新的第一图像样本集之后，所述方法还包括：

基于所述网络参数更新后的神经网络对所述新的第一图像样本集中的各个图像样本进行处理的处理结果，及所述新的第一图像样本集中的各个图像样本的真值，对所述新的第一图像样本集中的图像样本进行筛选。