[发明专利]小样本数据集模型训练方法、装置、设备、介质及产品

权利要求书

1.一种小样本数据集模型训练方法，其特征在于，包括：

确定与目标域样本集对应的源域样本集，并基于所述源域样本集对初始化Faster-RCNN模型进行预训练，得到预训练好的Faster-RCNN模型；

保存所述预训练好的Faster-RCNN模型中的特征提取网络及区域生成网络的权重参数，并对所述预训练好的Faster-RCNN模型中的检测网络的权重参数进行随机初始化；

基于所述目标域样本集对随机初始化后的检测网络进行训练，得到训练好的目标Faster-RCNN模型，以通过所述目标Faster-RCNN模型识别目标域对象。

2.根据权利要求1所述的小样本数据集模型训练方法，其特征在于，所述基于所述目标域样本集对随机初始化后的检测网络进行训练，得到训练好的目标Faster-RCNN模型，具体包括：

将所述目标域样本集输入所述预训练好的Faster-RCNN模型中的特征提取网络中，得到所述预训练好的Faster-RCNN模型中的特征提取网络输出的目标域样本特征；

将所述目标域样本特征输入所述预训练好的Faster-RCNN模型中的区域生成网络中，得到所述预训练好的Faster-RCNN模型中的区域生成网络输出的目标域样本候选域特征信息；

将所述目标域样本候选域特征信息输入随机初始化后的检测网络进行回归和分类，得到所述随机初始化后的检测网络输出的目标域样本预测标签；

基于目标域样本真实标签及所述目标域样本预测标签对所述随机初始化后的检测网络的类别权重参数及位置回归参数进行调整，得到训练好的目标Faster-RCNN模型。

3.根据权利要求2所述的小样本数据集模型训练方法，其特征在于，所述基于目标域样本真实标签及所述目标域样本预测标签对所述随机初始化后的检测网络的类别权重参数及位置回归参数进行调整，具体包括：

计算出所述目标域样本真实标签及所述目标域样本预测标签对应的分类损失函数及回归损失函数；

根据所述分类损失函数对所述随机初始化后的检测网络中的分类器的类别权重参数进行调整；

根据所述回归损失函数对所述随机初始化后的检测网络中的位置回归参数进行调整。

4.根据权利要求1至3任一项所述的小样本数据集模型训练方法，其特征在于，所述特征提取网络包括VGG16卷积神经网络，所述区域生成网络包括RPN网络，所述检测网络包括Fast-RCNN网络。

5.根据权利要求1至3任一项所述的小样本数据集模型训练方法，其特征在于，所述目标域样本集对应的目标域与所述源域样本集的源域的边缘概率分布不同，所述目标域样本集对应的目标域与所述源域样本集的源域的条件概率相同，所述源域样本集中的样本数量大于所述目标域样本集的样本数量。

6.一种小样本数据集模型训练装置，其特征在于，包括：

第一训练单元，用于确定与目标域样本集对应的源域样本集，并基于所述源域样本集对初始化Faster-RCNN模型进行预训练，得到预训练好的Faster-RCNN模型；

初始化单元，用于保存所述预训练好的Faster-RCNN模型中的特征提取网络及区域生成网络的权重参数，并对所述预训练好的Faster-RCNN模型中的检测网络的权重参数进行随机初始化；

第二训练单元，用于基于所述目标域样本集对随机初始化后的检测网络进行训练，得到训练好的目标Faster-RCNN模型，以通过所述目标Faster-RCNN模型识别目标域对象。

7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述小样本数据集模型训练方法。

8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述小样本数据集模型训练方法。

9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述小样本数据集模型训练方法。