[发明专利]一种目标检测模型的训练方法及目标划分方法

说明书

本发明提供了一种目标检测模型的训练方法及目标划分方法，能够采集无标签的包含预设目标的图片作为目标域数据图片，并进行增强处理得到目标域数据集；将目标域数据集中的图片随机分为训练集、测试集；根据训练集训练教师模型和学生模型，得到第一模型和第二模型；训练过程中采用知识蒸馏和权重正则化策略更新更新第二模型的权重参数，并根据第二模型的权重参数更新第一模型的权重参数；将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目标检测模型。本发明可以解决数据隐私保护、存储空间受限、人力成本高昂等因素导致的实时情况下大量源域标注样本不可获得的问题，完成无源域数据的域自适应目标检测任务。

技术领域

本发明涉及技术领域，特别是涉及一种目标检测模型的训练方法及目标划分方法。

背景技术

作为重要的计算机视觉基础任务，目标检测(Object Detection)需要同时在场景图像中获取不同对象的位置结果(矩形轮廓及中心点坐标)和种类结果(标签类别及概率)。基于深度学习的目标检测模型目前已被广泛探讨和研究，围绕模型的检测精度和速度，研究者们相继提出了RCNN、SPP-Net、Fast RCNN、Faster RCNN等，其中典型的如RossB.Girshick提出的Faster RCNN，在结构上将特征提取、区域建议、边界框回归和分类四个模块整合在了一个网络上，综合性能得到显著提高。

上述目标检测深度网络的有效性归功于两个基本条件：一是训练样本和测试样本来自于共同的数据集或分布相似的不同数据集；二是训练阶段拥有海量标注样本。一般将任务实际场景采集的数据集合称为目标域(未标注)，将相关场景公开数据集合(已标注)统称为源域。首先，由于背景、光照强度、天气状况等不同，目标域与源域图像风格迥异、数据分布差异较大；其次，由于目标检测任务的有监督样本需要同时标注对象位置与类别，当对象种类数十成百时人力成本不可承受。因此，跨域目标检测模型的准确性、鲁棒性遇到了巨大挑战。

域自适应目标检测(Domain adaptive object detection)最早于2018年通过CVPR(IEEE Conference on Computer Vision and Pattern Recognition)会议被正式提出，借鉴迁移学习思想，通过源域中带有标注的数据以及目标域少量标注数据或大量无标注数据，学习源域和目标域的共有域不变特征。研究者从不同视角提出了若干的解决方案，例如基于分布差异、并行学习、数据重建、混合机制优化等，有效调和了特征通用性与任务特殊性之间的矛盾。

深度学习网络模型的提出，使计算机视觉领域得到更进一步的发展。深度学习模型从图像中自适应学习，是一种端到端的检测方法。随着大数据时代的到来，各种用于训练深度学习网络模型的数据集不断地丰富与完善也推动了基于深度学习的计算机视觉领域发展。域自适应目标检测是指通过大量带标签的源域数据和不带标签的目标域数据训练跨域的目标检测器，学习两个域间的域不变特征，从而减小或消除域间差异。然而该目标检测方法在跨域学习过程中需要访问源域数据，在一些实际场景中，或因为内存存储要求、共享数据、隐私问题和其他数据集处理问题等，导致源域数据无法访问，不能提取特征空间导致训练受阻。

综上，现有技术中存在实时情况下不可获得大量源域标注样本、训练过程中无法访问源域数据使得检测器无法训练等问题。

发明内容

鉴于以上现有技术的缺点，本发明的目的在于提供一种目标检测模型的训练方法及目标划分方法，以改善现有技术中的实时情况下不可获得大量源域标注样本、训练过程中无法访问源域数据使得检测器无法训练等技术问题。

为实现上述目的及其他相关目的，本发明提供一种目标检测模型的训练方法，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；