[发明专利]一种增强型目标检测方法和存储设备

说明书

本发明涉及目标检测技术领域，特别涉及一种增强型目标检测方法和存储设备。所述一种增强型目标检测方法，包括步骤：训练待用模型，所述待用模型包括：前景背景区分模型和特征提取分类模型；响应添加新类别指令，输入新品类图像至所述前景背景区分模型得到前景图像；输入所述前景图像至所述特征提取分类模型得到特征向量；对所述特征向量进行聚类生成新类簇。以上方法中，当有新类别添加时，无需额外再重新训练前景背景区分模型和特征提取分类模型，将大大简化训练流程，灵活性高。

技术领域

本发明涉及目标检测技术领域，特别涉及一种增强型目标检测方法和存储设备。

背景技术

目前的目标检测的大多数做法是进行检测识别并输出类别以及位置，在新品类增加时需要重新采集标注数据集进行重新训练部署。物体识别的能力受限于用于目标检测模型的训练数据集的特征以及图像特征的提取质量。这样的目标检测模型用于目标检测装置时，会出现以下问题：

目标检测模型的训练数据集包含物体类别、物体特征、非目标特征等多种类型的图像信息。即目标检测模型提取的是训练数据集的低级、中级和高级特征。数据集的质量对目标检测模型的影响非常大。

模型的网络结构和网络拓扑(网络建模/网络层级/核心网络单元)，模型的网络性能(参数调优等)调优，对目标检测的影响也非常大。

针对上述两个问题，当目标检测的需求发生变化(增加识别类型、提升识别精度)时，用于目标检测的数据集和深度学习模型都需要重新构建，非常麻烦。

发明内容

为此，需要提供一种增强型目标检测方法，用以解决现有目标检测方法当目标检测的需求发生时，用于目标检测的数据集和深度学习模型都需要重新构建的技术问题。具体技术方案如下：

一种增强型目标检测方法，包括步骤：

训练待用模型，所述待用模型包括：前景背景区分模型和特征提取分类模型；

响应添加新类别指令，输入新品类图像至所述前景背景区分模型得到前景图像；

输入所述前景图像至所述特征提取分类模型得到特征向量；

对所述特征向量进行聚类生成新类簇。

进一步的，还包括步骤：

响应品类识别指令；

输入待识别图像至所述前景背景区分模型得到前景图像；

输入所述前景图像至所述特征提取分类模型得到特征向量；

对所述特征向量进行聚类，并更新类簇中心点；

输出对应品类类别。

进一步的，所述“训练待用模型”，具体还包括步骤：

标注采集的图像数据的类别生成数据集；

用标注好的数据集进行前景背景区分模型训练；

输入图像至前景背景区分模型进行推理生成前景图像；

对前景图像进行类别标注，生成前景图像类别数据集；

用所述前景图像类别数据集进行特征提取分类模型训练；

输入已知类别的前景图像至所述特征提取分类模型进行推理生成特征向量，对所述特征向量进行聚类生成基础类簇。

进一步的，所述“输入待识别图像至所述前景背景区分模型得到前景图像”，具体还包括步骤：

输入待识别图像至前景背景区分网络进行推理，再进行NMS过滤得到前景图像。

进一步的，所述“输入图像至前景背景区分模型进行推理生成前景图像”，具体还包括步骤：