[發明專利]目標檢測網絡的訓練方法、電子設備及存儲介質

有效

• 申請號: 202010078783.0
• 申請日: 2020-02-03
• 公開（公告）號: CN111353580B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 牛新;何賢浩;竇勇;姜晶菲;李榮春;蘇華友;喬鵬;潘衡岳
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/0464;G06V10/82;G06V10/764;G06V10/774
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 付婧

1.一種目標檢測網絡的訓練方法，其特征在于，包括：

分別構建孿生網絡和目標檢測網絡的網絡結構，所述孿生網絡包括共享特征提取器、局部特征提取器和相似性度量模塊；

獲取訓練集，所述訓練集中包括多組含有飛行器圖像的交叉樣本圖像；

根據所述訓練集包括的所述交叉樣本圖像訓練所述孿生網絡，得到訓練后的所述孿生網絡對應的網絡參數；

根據所述網絡參數和所述訓練集包括的所述交叉樣本圖像，訓練所述目標檢測網絡；

其中，根據所述訓練集包括的所述交叉樣本圖像訓練所述孿生網絡，得到訓練后的所述孿生網絡對應的網絡參數，包括：

從所述訓練集中獲取預設組數的交叉樣本圖像；

將獲取的每組所述交叉樣本圖像輸入所述共享特征提取器中，分別獲得每組所述交叉樣本圖像對應的特征映射圖像；

將每組所述交叉樣本圖像對應的飛行器坐標、背景坐標、飛行器類別及所述特征映射圖像輸入所述局部特征提取器中，分別獲得每組所述交叉樣本圖像對應的飛行器特征向量和背景特征向量；

將每組所述交叉樣本圖像對應的所述飛行器特征向量和所述背景特征向量輸入所述相似性度量模塊，分別獲得每組所述交叉樣本圖像對應的損失值；

根據每組所述交叉樣本圖像對應的損失值，調整所述孿生網絡對應的網絡參數，返回執行從所述訓練集中獲取預設組數的交叉樣本圖像的操作；

其中，所述將每組所述交叉樣本圖像對應的飛行器坐標、背景坐標、飛行器類別及所述特征映射圖像輸入所述局部特征提取器中，分別獲得每組所述交叉樣本圖像對應的飛行器特征向量和背景特征向量，包括：

通過所述局部特征提取器計算所述交叉樣本圖像與其對應的所述特征映射圖像之間的尺寸縮小因子；

根據所述尺寸縮小因子及所述交叉樣本圖像對應的所述飛行器坐標和所述背景坐標，在所述特征映射圖像中分別確定所述飛行器坐標對應的飛行器映射區域和所述背景坐標對應的背景映射區域；

通過所述局部特征提取器分別對所述飛行器映射區域和所述背景映射區域進行均值池化處理，得到所述交叉樣本圖像對應的飛行器特征向量和背景特征向量。

2.根據權利要求1所述的方法，其特征在于，所述構建孿生網絡的網絡結構，包括：

分別構建共享特征提取器、局部特征提取器和相似性度量模塊；

將所述共享特征提取器的輸出結果作為所述局部特征提取器的輸入參數，將所述局部特征提取器的輸出結果作為所述相似性度量模塊的輸入參數，得到孿生網絡。

3.根據權利要求1所述的方法，其特征在于，所述獲取訓練集，包括：

獲取預設數目包含飛行器圖像的遙感圖像；

在每個所述遙感圖像中標注飛行器坐標、背景坐標及飛行器類別；

將標注后的任意兩個所述遙感圖像組成一組交叉樣本圖像，得到訓練集。

4.根據權利要求2所述的方法，其特征在于，根據所述訓練集包括的所述交叉樣本圖像訓練所述孿生網絡，得到訓練后的所述孿生網絡對應的網絡參數，包括：

當迭代訓練次數大于或等于第一預設迭代次數時，停止訓練，獲取當前所述共享特征提取器、所述局部特征提取器和所述相似性度量模塊對應的網絡參數。

5.根據權利要求1所述的方法，其特征在于，所述根據所述網絡參數和所述訓練集包括的所述交叉樣本圖像，訓練所述目標檢測網絡，包括；

將所述網絡參數配置為所述目標檢測網絡的初始化參數；

將所述訓練集包括的所述交叉樣本圖像輸入所述目標檢測網絡中進行迭代訓練，每次迭代均根據所述目標檢測網絡輸出的損失值調整所述目標檢測網絡對應的網絡參數；

當迭代訓練次數大于或等于第二預設迭代次數時，停止訓練，獲得訓練好的目標檢測網絡。

6.根據權利要求1-5任一項所述的方法，其特征在于，所述根據所述網絡參數和所述訓練集包括的所述交叉樣本圖像，訓練所述目標檢測網絡之后，還包括：

獲取包含飛行器圖像的待檢測圖像；

將所述待檢測圖像輸入訓練好的所述目標檢測網絡中，獲得所述待檢測圖像中包含的飛行器對應的飛行器坐標和飛行器類別。