[发明专利]一种目标检测模型的训练方法及目标划分方法

权利要求书

1.一种目标检测模型的训练方法，其特征在于，包括：

采集包含预设目标的图片，并对所述图片进行增强处理，得到目标域数据集；其中，所述目标域数据集的图片未携带有预设目标对应的区域定位结果和区域分类结果；

将所述目标域数据集中的图片随机分为训练集、测试集；

根据所述训练集训练教师模型和学生模型，得到训练好的第一模型和第二模型；其中，所述教师模型和所述学生模型采用源域数据集预先训练得到，所述源域数据集中的图片包含预设目标且携带有预设目标对应的区域定位结果和区域分类结果；

采用知识蒸馏和权重正则化策略更新所述第二模型的权重参数，并根据所述第二模型的权重参数更新所述第一模型的权重参数；

将所述测试集输入更新权重参数后的第一模型，将满足预设条件的第一模型作为所述目标检测模型。

2.根据权利要求1所述的训练方法，其特征在于，所述教师模型和所述学生模型均包括ResNet-101网络和区域卷积神经网络；

所述根据所述训练集训练教师模型和学生模型，得到训练好的第一模型和第二模型的步骤包括：

将所述训练集中的图片分别输入所述教师模型和所述学生模型的ResNet-101网络，得到对应的特征图；

将所述特征图输入对应的区域卷积神经网络，得到目标检测结果；其中所述目标检测结果包括所有所述预设目标的区域定位结果和区域分类结果。

3.根据权利要求2所述的训练方法，其特征在于，所述采用知识蒸馏和权重正则化策略更新所述第二模型的权重参数，并根据所述第二模型的权重参数更新所述第一模型的权重参数的步骤包括：

采用知识蒸馏来实现所述教师模型和所述学生模型中ResNet-101网络分别输出的特征图的像素级特征对齐；

采用权重正则化策略实现所述教师模型和所述学生模型中区域卷积神经网络输出的目标检测结果的区域级特征对齐、图间结构匹配和图内同类别特征对齐，以实现所述第二模型的权重参数的更新；

根据所述第二模型的EMA指数平均移动更新所述第一模型的权重参数。

4.根据权利要求3所述的训练方法，其特征在于，采用如下公式更新所述第一模型的权重参数：

θ′_t＝λθ′_t-1-(1-λ)θ_t

其中，θ′_t表示所述第一模型当前层的权重参数；θ′_t-1表示所述第一模型上一层的权重参数；θ_t表示所述第二模型的权重参数；λ表示预设的权重平滑参数。

5.根据权利要求4所述的训练方法，其特征在于，所述根据所述第二模型的EMA指数平均移动更新所述第一模型的权重参数的步骤还包括：

采用如下公式计算得到更新后的第一模型的训练损失：

L＝αL_dist+β(L_Re+L_Ec+L_In)

其中，L表示所述训练损失；α、β表示预设的调优参数；L_dist表示知识蒸馏对应的预测损失；L_Re表示区域级特征对齐对应的预测损失；L_Ec表示图间结构匹配对应的预测损失；L_In表示图内同类别特征对应的预测损失。

6.根据权利要求4所述的训练方法，其特征在于，所述将所述测试集输入更新权重参数后的第一模型，将满足预设条件的第一模型作为所述目标检测模型的步骤包括：

将所述测试集输入更新权重参数后的第一模型，得到所述测试集中所有预设目标对应的预测区域定位结果和预测区域分类结果；

针对所述测试集中的每张图片：

计算所有预设目标预测的区域定位结果和区域分类结果；

判断所有预设目标预测的区域定位结果和区域分类结果符合实际的区域定位结果和区域分类结果的概率是否达到预设的阈值，若是，则认为当前图片识别准确，否则，则认为当前图片识别不准确；

判断识别准确的图片是否达到预设数量，若是，则认为更新权重参数后的第一模型满足预设条件。