[發明專利]一種用尺度直方圖匹配方法獲取目標檢測模型的方法

在審

• 申請號: 202010215777.5
• 申請日: 2020-03-24
• 公開（公告）號: CN111524094A
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 王小華;楊愛軍;郭越;祝金國;王璐縉;岳凡丁;袁歡;榮命哲
• 申請（專利權）人: 西安交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 覃婧嬋

一種用尺度直方圖匹配方法獲取目標檢測模型的方法，所述方法包括如下步驟：S100：將用于預訓練的公開數據集中的尺度分布匹配為目標數據集中的尺度分布；S200：然后用尺度匹配后的公開數據集進行預訓練得到初步的目標檢測模型；S300：使用所述初步的目標檢測模型在目標訓練集上訓練得到最終的目標檢測模型。該方法可有效解決目標檢測特別是工業領域相關任務缺乏足夠樣本數據集而使用公開數據集進行預訓練時對模型性能提升有限的問題。

技術領域

本公開屬于計算機視覺，圖像處理和深度學習，特別涉及一種用于預訓練數據集的尺度直方圖匹配方法。

背景技術

近年來，深度學習在計算機視覺領域取得了重大進展，而卷積神經網絡具有稀疏交互、參數共享等特點，在圖像檢測領域顯現出巨大的優勢。卷積神經網絡的出色表現還取決于與任務相關的數據集的質量和規模，不論采用何種檢測框架，用于訓練的數據越多，檢測器的性能表現往往越好。但是，為特定任務特別是工業領域的任務收集數據的成本非常高，包括數據獲取，數據的清洗，數據的標注等一系列環節，需要耗費大量人力物力，因此，如何通過其他任務獲得類似的學習能力從而減少對數據集數目的依賴是目前研究的熱點。

遷移學習能在一定程度上緩解小樣本數據集帶來的問題。基于遷移學習，視覺任務可以不從頭開始學習的過程，而是通常在像ImageNet這樣的大型基準數據集上對模型進行預訓練，從而使得模型學習到任務之間共有的視覺底層模式。預訓練之后模型再在具體任務的數據集上進行微調。通常來講，預訓練模型可以為訓練提供良好的起點，從而使得網絡訓練能夠更快的收斂，即使僅使用少量標記樣本也可完成檢測任務，并獲得更好的最終結果。但是，數據集之間能夠進行遷移學習一個基本的前提假設是兩個數據集的樣本分布足夠接近，因此該模型可以在預訓練階段捕獲一些通用模式。而當任務指定數據集的樣本分布與用于預訓練的其他數據集的樣本分布差異較大時，預訓練所帶來的提升性能將大大降低。使用可公開獲得的大型數據集來幫助訓練具有不同樣本分布的特定任務數據集是一個尚未完全解決的難題。

發明內容

為了解決上述問題，本公開提供了一種用尺度直方圖匹配方法獲取目標檢測模型的方法，所述方法包括如下步驟：

S100：將用于預訓練的公開數據集中的尺度分布匹配為目標數據集中的尺度分布；

S200：然后用尺度匹配后的公開數據集進行預訓練得到初步的目標檢測模型；

S300：使用所述初步的目標檢測模型在目標訓練集上訓練得到最終的目標檢測模型。

上述技術方案，可有效解決目標檢測特別是工業領域相關任務缺乏足夠樣本數據集而使用公開數據集進行預訓練時對模型性能提升有限的問題。

與現有技術相比，本發明具有的有益效果：本公開提出的尺度直方圖匹配技術簡單而有效，能夠有效調整網絡預訓練使用的公開數據集與特定任務目標數據集之間的樣本分布差異，提高網絡檢測尺度變化劇烈的目標物體的能力，甚至在有限的訓練樣本的情況下也可以大幅提高檢測器的性能。

附圖說明

圖1是本公開一個實施例中所提供的一種用于預訓練數據集的尺度直方圖匹配方法的流程圖；

圖2是本公開一個實施例中尺度直方圖匹配算法流程圖。

具體實施方式

在一個實施例中，如圖1所示，其公開一種用尺度直方圖匹配方法獲取目標檢測模型的方法，所述方法包括如下步驟：

S100：將用于預訓練的公開數據集中的尺度分布匹配為目標數據集中的尺度分布；

S200：然后用尺度匹配后的公開數據集進行預訓練得到初步的目標檢測模型；

S300：使用所述初步的目標檢測模型在目標訓練集上訓練得到最終的目標檢測模型。