[發明專利]一種目標檢測模型的訓練方法在審
| 申請號： | 202010707915.1 | 申請日： | 2020-07-22 |
| 公開（公告）號： | CN112036434A | 公開（公告）日： | 2020-12-04 |
| 發明（設計）人： | 馮落落;李銳;金長新 | 申請（專利權）人： | 濟南浪潮高新科技投資發展有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04 |
| 代理公司： | 北京君慧知識產權代理事務所(普通合伙) 11716 | 代理人： | 董延麗 |
| 地址： | 250100 山東省濟南*** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 目標 檢測 模型 訓練 方法 | ||
1.一種目標檢測模型的訓練方法，其特征在于，所述方法包括：
獲取預先訓練的第一模型與第二模型，所述第一模型包括處理模塊，其中，所述處理模塊包括DWConv以及PWConv，所述第二模型包括VGG16模塊；
根據所述第一模型與所述第二模型，確定出初始的目標檢測模型；
根據第一數據集訓練所述初始的目標檢測模型，確定出符合條件的目標檢測模型。
2.根據權利要求1所述的目標檢測模型的訓練方法，其特征在于，獲取預先訓練的所述第一模型與所述第二模型之前，所述方法還包括：
構建初始的第一模型；
根據第二數據集訓練所述初始的第一模型，確定出符合條件的第一模型。
3.根據權利要求2所述的目標檢測模型的訓練方法，其特征在于，所述第一模型包括卷積層、池化層以及全連接層，其中，所述第一模型的卷積層包括卷積模塊與多個處理模塊。
4.根據權利要求3所述的目標檢測模型的訓練方法，其特征在于，所述卷積模塊包括多個3x3Conv；所述處理模塊包括多個3x3DWConv與多個1x1PWConv。
5.根據權利要求4所述的目標檢測模型的訓練方法，其特征在于，所述處理模塊的處理過程具體包括:
接收預設尺寸的圖片，將所述圖片輸入至3個3X3的DWConv進行卷積操作，得到第一特征圖；
對所述第一特征圖使用32個1X1的PWConv進行卷積操作，得到第二特征圖；
對所述第二特征圖使用32個3X3的DWConv進行卷積操作，得到第三特征圖；
將所述第二特征圖與所述第三特征圖進行堆疊操作，得到第四特征圖。
6.根據權利要求3所述的目標檢測模型的訓練方法，其特征在于，所述根據所述第一模型與所述第二模型，確定出初始的目標檢測模型，具體包括：
將預先訓練的所述第一模型中所述卷積層進行保存，并將所述池化層與所述全連接層刪除；
將刪除所述池化層與所述全連接層的第一模型替換所述第二模型的VGG16模塊，確定出初始的目標檢測模型。
7.根據權利要求6所述的目標檢測模型的訓練方法，其特征在于，所述根據第一數據集訓練所述初始的目標檢測模型，確定出符合條件的目標檢測模型之前，所述方法還包括：
將所述第一模型中預設層的卷積權重進行固定。
8.根據權利要求3所述的目標檢測模型的訓練方法，其特征在于，所述全連接層設置有三個，三個全連接層的神經元個數分別為4096、4096以及1000。
9.根據權利要求1所述的目標檢測模型的訓練方法，其特征在于，所述根據第一數據集訓練所述初始的目標檢測模型，確定出符合條件的目標檢測模型之后，所述方法還包括：
將目標圖像輸入至預先訓練的目標檢測模型；
根據所述目標檢測模型確定出目標圖像的檢測結果。
10.根據權利要求1-9任一項所述的目標檢測模型的訓練方法，其特征在于，所述第二模型為Faster RCNN模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于濟南浪潮高新科技投資發展有限公司，未經濟南浪潮高新科技投資發展有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010707915.1/1.html，轉載請聲明來源鉆瓜專利網。
