[发明专利]结合蒸馏学习和元学习的目标检测增量学习方法

权利要求书

1.一种结合蒸馏学习和元学习的目标检测增量学习方法，用于对不同新增类别顺序、少量新增类别样本完成精确的新类别检测同时保证同样精确的旧类别检测，其特征在于，包括以下步骤：

步骤S1，对待测图像进行预处理；

步骤S2，结合蒸馏学习和元学习构建新旧目标检测增量学习模型，将预处理后的待测图像输入至该模型中进行检测从而得到所述待测图像的新旧类别目标检测结果，

其中，所述新旧目标检测增量学习模型基于一个双阶段目标检测模块构建，包括第一阶段基于蒸馏损失的前景特征提取子模块，以及第二阶段基于元学习技术的分类回归子模块，

所述前景特征提取子模块包括依次设置的输入层、通用特征提取器主干网模块、区域建议网络模块和第一阶段输出层，

所述分类回归子模块包括依次设置的感兴趣对齐池化层、回归器层、分类器层和第二阶段输出层。

2.根据权利要求1所述的一种结合蒸馏学习和元学习的目标检测增量学习方法，其特征在于：

其中，所述新旧目标检测增量学习模型通过如下方法获得：

步骤T1，将训练集分为旧类别训练集和新类别训练集；

步骤T2，构建初始旧类别目标检测增量学习模型；

步骤T3，将所述旧类别训练集输入至所述初始旧类别目标检测增量学习模型训练得到对旧类别进行目标检测的旧类别目标检测增量学习模型；

步骤T4，为所述旧类别目标检测增量学习模型增加新类别学习支路，并进行初始化得到初始新旧目标检测增量学习模型；

步骤T5，将所述新类别训练集输入至所述初始新旧目标检测增量学习模型中进行训练直至达到训练完成条件，得到可以同时进行新、旧类别目标检测的新旧目标检测增量学习模型。

3.根据权利要求2所述的一种结合蒸馏学习和元学习的目标检测增量学习方法，其特征在于：

其中，所述步骤T3包括如下子步骤：

步骤T3-1，给定步骤T2构建后的所述初始旧类别目标检测增量学习模型；

步骤T3-2，将所述旧类别训练集中的各个训练图像依次输入至所述初始旧类别目标检测增量学习模型中并进行一次迭代；

步骤T3-3，采用最后一层的模型参数分别计算出损失误差并将所述损失误差反向传播从而更新模型参数；

步骤T3-4，重复所述步骤T3-2至所述步骤T3-3直至达到训练完成条件，得到训练后的所述旧类别目标检测增量学习模型。

4.根据权利要求2所述的一种结合蒸馏学习和元学习的目标检测增量学习方法，其特征在于：

其中，所述步骤T5包括以下子步骤：

步骤T5-1，给定所述步骤T4构建得到的所述初始新旧目标检测增量学习模型；

步骤T5-2，基于所述新类别训练集依次获取一批新类别训练图像输入至所述初始新旧目标检测增量学习模型中进行一次迭代；

步骤T5-3，采用最后一层的模型参数分别计算出新类别和旧类别的损失误差并将损失误差分别反向传播至各自类别支路从而更新模型参数；

步骤T5-4，重复所述步骤T5-2至所述步骤T5-3直至达到训练完成条件，得到所述新旧目标检测增量学习模型。

5.根据权利要求2所述的一种结合蒸馏学习和元学习的目标检测增量学习方法，其特征在于：

其中，所述新旧目标检测增量学习模型基于在旧类别目标检测增量学习模型中添加的新类别学习支路构建，在该新旧目标检测增量学习模型的训练过程，其双阶段目标检测模块采用分段式增量学习策略进行新类别的增量式学习，过程如下：

步骤P1，将训练集中的图像数据输入至所述新旧目标检测增量学习模型中，由该模型中的旧类别目标检测增量学习模型以及新类别学习支路，基于蒸馏损失的前景特征提取子模块分别获取覆盖旧类别、新类别的前景预测结果，并且基于输出结果计算损失并反向传播从而训练该前景特征特区子模块；

步骤P2，将覆盖新、旧类别的前景预测结果作为所述第二阶段基于元学习技术的分类回归子模块的输入，获取不同类别目标的精准预测结果，并且基于输出结果计算损失并反向传播从而训练该分类回归子模块。