[发明专利]一种用尺度直方图匹配方法获取目标检测模型的方法

说明书

一种用尺度直方图匹配方法获取目标检测模型的方法，所述方法包括如下步骤：S100：将用于预训练的公开数据集中的尺度分布匹配为目标数据集中的尺度分布；S200：然后用尺度匹配后的公开数据集进行预训练得到初步的目标检测模型；S300：使用所述初步的目标检测模型在目标训练集上训练得到最终的目标检测模型。该方法可有效解决目标检测特别是工业领域相关任务缺乏足够样本数据集而使用公开数据集进行预训练时对模型性能提升有限的问题。

技术领域

本公开属于计算机视觉，图像处理和深度学习，特别涉及一种用于预训练数据集的尺度直方图匹配方法。

背景技术

近年来，深度学习在计算机视觉领域取得了重大进展，而卷积神经网络具有稀疏交互、参数共享等特点，在图像检测领域显现出巨大的优势。卷积神经网络的出色表现还取决于与任务相关的数据集的质量和规模，不论采用何种检测框架，用于训练的数据越多，检测器的性能表现往往越好。但是，为特定任务特别是工业领域的任务收集数据的成本非常高，包括数据获取，数据的清洗，数据的标注等一系列环节，需要耗费大量人力物力，因此，如何通过其他任务获得类似的学习能力从而减少对数据集数目的依赖是目前研究的热点。

迁移学习能在一定程度上缓解小样本数据集带来的问题。基于迁移学习，视觉任务可以不从头开始学习的过程，而是通常在像ImageNet这样的大型基准数据集上对模型进行预训练，从而使得模型学习到任务之间共有的视觉底层模式。预训练之后模型再在具体任务的数据集上进行微调。通常来讲，预训练模型可以为训练提供良好的起点，从而使得网络训练能够更快的收敛，即使仅使用少量标记样本也可完成检测任务，并获得更好的最终结果。但是，数据集之间能够进行迁移学习一个基本的前提假设是两个数据集的样本分布足够接近，因此该模型可以在预训练阶段捕获一些通用模式。而当任务指定数据集的样本分布与用于预训练的其他数据集的样本分布差异较大时，预训练所带来的提升性能将大大降低。使用可公开获得的大型数据集来帮助训练具有不同样本分布的特定任务数据集是一个尚未完全解决的难题。

发明内容

为了解决上述问题，本公开提供了一种用尺度直方图匹配方法获取目标检测模型的方法，所述方法包括如下步骤：

S100：将用于预训练的公开数据集中的尺度分布匹配为目标数据集中的尺度分布；

S200：然后用尺度匹配后的公开数据集进行预训练得到初步的目标检测模型；

S300：使用所述初步的目标检测模型在目标训练集上训练得到最终的目标检测模型。

上述技术方案，可有效解决目标检测特别是工业领域相关任务缺乏足够样本数据集而使用公开数据集进行预训练时对模型性能提升有限的问题。

与现有技术相比，本发明具有的有益效果：本公开提出的尺度直方图匹配技术简单而有效，能够有效调整网络预训练使用的公开数据集与特定任务目标数据集之间的样本分布差异，提高网络检测尺度变化剧烈的目标物体的能力，甚至在有限的训练样本的情况下也可以大幅提高检测器的性能。

附图说明

图1是本公开一个实施例中所提供的一种用于预训练数据集的尺度直方图匹配方法的流程图；

图2是本公开一个实施例中尺度直方图匹配算法流程图。

具体实施方式

在一个实施例中，如图1所示，其公开一种用尺度直方图匹配方法获取目标检测模型的方法，所述方法包括如下步骤：

S100：将用于预训练的公开数据集中的尺度分布匹配为目标数据集中的尺度分布；

S200：然后用尺度匹配后的公开数据集进行预训练得到初步的目标检测模型；

S300：使用所述初步的目标检测模型在目标训练集上训练得到最终的目标检测模型。