[发明专利]一种基于增量学习的目标检测方法

权利要求书

1.一种基于增量学习的目标检测方法，其特征在于：

S1、使用原始数据集，并对其中的图像数据进行预处理，将图像调整到预期目标检测网络设定的尺寸；

S2、构建目标检测网络，并在目标检测网络的图像分类特征层添加图像重构误差模块，基于图像重构提取得到抽象、完备的图像特征；

S3、综合图像重构和原有目标检测网络的损失函数，对目标检测网络进行训练优化，使图像重构损失函数和目标检测网络损失函数达到收敛，并保存优化后网络的权重参数；

S4、使用新的任务数据集，并对其中的图像数据进行预处理，将图像调整到网络设定的尺寸；

S5、构建基于类增量目标检测网络的新的网络模型，并在网络的特征空间添加增量学习模块；

S6、在新的网络模型中加载步骤S3所得的权重参数，并随机初始化增量学习模块的参数；

S7、使用新的任务数据集只训练增量学习模块的分类网络与回归网络，并使分类与回归的损失函数达到收敛，并保存增量目标检测网络的权重参数；

S8、部署优化后的参数，对目标进行检测；

S9、增加新的类别任务，重复执行步骤S4~S8。

2.根据权利要求1所述基于增量学习的目标检测方法，其特征在于：步骤S1中所述预处理至少包括颜色增强、平移变化、水平翻转、垂直翻转、随机马赛克；且使用双线性插值算法将图像调整到预定义的固定分辨率。

3.根据权利要求1所述基于增量学习的目标检测方法，其特征在于：所述图像重构误差模块由一个3×3卷积层、一个1×1卷积层和一个上采样层构成，实现功能为对图像的分类特征先经过3×3卷积层，再使用上采样操作将特征图像的尺寸调整为输入图片的尺寸，而后使用1×1卷积层生成重构图像；步骤S2在一阶段目标检测网络的分类与回归卷积层前添加图像重构误差模块，或者在两阶段目标检测网络的特征提取层后添加图像重构误差模块。

4.根据权利要求1所述基于增量学习的目标检测方法，其特征在于：步骤S3包括：

S31、分析图像重构后网络的损失函数，由原目标检测网络的损失项和图像重构损失两部分组成，由公式（1）：计算得出，其中，由框回归损失、分类损失和置信度损失构成，而图像重构损失由公式（2）：计算得出，其中、、分别表示预测图像与真实图像标签在R、G、B每一通道之间的误差；

S32、对彩色图像每一颜色通道的图像分解得到系列频分图，并对频分图通过高斯卷积生成低频分量图和高频分量图，并组合构建频分图金字塔，对于原图R通道中提取得到低频分量图，由公式（3）：计算得出，其中为原图的R通道图像，*为二维卷积、G为二维高斯卷积核，由公式（4）：的生成函数得到，其中表示方差；对于原图R通道中提取得到高频分量图，由公式（5）：计算得出；

S33、基于频分图金字塔构建图像信息重构误差。

5.根据权利要求4所述基于增量学习的目标检测方法，其特征在于：步骤S33中，基于相应通道图像直接预测的高频分量图和低频分量图，赋予低频分量和高频分量对应的误差权重，对应图像R通道的重构损失函数由公式（6）：

计算得到，其中L为图像R通道的频分图数量，表示第i张频分图的误差权重，为图像R通道中第i张频分图的预测结果，为图像R通道中第i张频分图的真实标签，为一种损失的度量方式。

6.根据权利要求4所述基于增量学习的目标检测方法，其特征在于：步骤S33中，将高频分量作为损失函数的权重系数，对应图像R通道的重构损失函数由公式（7）：计算得到，其中，为图像R通道的预测结果，表示图像R通道的真实标签，w、h分别表示图像的宽度和高度，表示R通道下每一像素点的权重系数，且权重系数由公式（8）：计算得到，其中，L为图像R通道的频分图数量，表示第i张频分图的误差权重，为图像R通道中第i张频分图，γ为幂数。