[发明专利]一种分类器热启动训练机制下的小样本目标检测方法

说明书

本发明公开了一种分类器热启动训练机制的小样本目标检测方法，属于目标检测技术领域。首先在源域大规模数据集上训练源域检测网络。然后构建一个使用生成式背景抑制正则项网络的目标域检测网络，在训练目标域检测网络时采用了分类器热启动训练机制，即先只训练似物性检测网络，直到训练满足一定条件后激活分类器的参数更新。目标域网络训练时，需要使用源域网络分类器作为适配器，通过适配器将源域网络的知识迁移到目标域网络中来。实验结果显示本发明方法检测精度良好，训练用时少，可以满足任务需求。

技术领域

本发明涉及一种分类器热启动训练机制的小样本目标检测方法，属于目标检测技术领域。

背景技术

当前基于深度学习的目标检测算法有很多，例如Faster Rcnn(Faster Region-based Convolutional Network)，SSD(Single Shot MultiBox Detector)，yolo(You OnlyLook Once) 等。训练深度神经网络需要大量的有标签的训练样本，基于有监督学习的深度学习方法严重依赖于样本标签的准确性。大量的标签标注工作要求大量的人力成本和时间成本，通常情况下，针对特定任务无法获取足够的带有标注的训练样本，深度神经网络无法得到足够的训练，这就导致网络性能的恶化。

近几年研究人员开始对小样本学习进行研究，开发出很多小样本的图像分类方法，但是小样本目标检测方法仍然很少而且效果不佳。小样本迁移检测器(Chen H,Wang Y,Wang G,et al.Lstd:A low-shot transfer detector for object detection[EB/OL].https://arxiv.org/pdf/1803.01529.pdf,2018-3-5)是一个完整的小样本目标检测方案，本质上属于二阶段目标检测框架，其区域提议网络的似物性检测性能直接影响了分类器网络的性能，采用传统的端到端训练方式很难让分类器得到充分训练，导致分类的效果无法满足任务要求。此外，该网络使用了背景抑制正则项，以降低网络在小样本数据上过拟合的问题，引入了过多冗余参数，导致训练时间变长，这对一些特殊、紧急的任务非常不利。

发明内容

技术问题：

深度目标检测的训练需要大量的有标注样本，但标注工作费时费力，而且某些任务无法在短时间内获取到足够的标注样本的，需要在小样本条件下进行目标检测。现有的目标检测方法要求大量的有标注样本作为监督，通过大量样本的训练提高模型的泛化能力，然而大量的样本标注意味着昂贵的成本，这并不能满足一些特殊任务以及一些紧急任务的要求。

技术方案：

本发明提供一种使用分类器热启动训练机制的小样本目标检测方法，包括以下步骤：

步骤(1)：读入源域数据集中的图像数据，通过一系列卷积层操作对图像数据进行特征提取，完成源域数据集中图像的似物性检测以及分类器输入所需的特征提取；

步骤(2)：训练源域网络；

步骤(3)：使用源域网络的参数对目标域网络的参数初始化，目标域网络的分类器输出层参数以及生成式蒙版背景抑制正则项模块均采用随机初始化，生成式蒙版背景抑制正则项模块是对特征提取网络的中间层厚特征图进行统计特征提取而得到的；目标域网络与源域网络通过一个源域网络的分类器构造出知识迁移结构；

步骤(4)：设定目标域网络的分类器训练热启动条件；初始阶段让目标域网络的分类器部分不参与训练，仅对目标域网络的区域提议网络和生成式蒙版背景抑制正则项进行训练；

步骤(5)：读入目标域数据集中的图像数据并提取图像特征；

步骤(6)：训练目标域网络的区域提议网络，直到训练满足目标域网络的分类器训练热启动条件；