[發(fā)明專(zhuān)利]泥頭車(chē)檢測(cè)方法和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010993906.3
• 申請(qǐng)日: 2020-09-21
• 公開(kāi)（公告）號(hào): CN112183274A
• 公開(kāi)（公告）日: 2021-01-05
• 發(fā)明（設(shè)計(jì)）人: 羅鐵;邢軍華
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳中興網(wǎng)信科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/32;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 北京友聯(lián)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11343
• 代理人: 尚志峰;王淑梅

本發(fā)明提出了一種泥頭車(chē)檢測(cè)方法和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。一種泥頭車(chē)檢測(cè)方法，包括：采集源域下的泥頭車(chē)圖像以及目標(biāo)域下的泥頭車(chē)圖像；將源域下兩個(gè)不同的泥頭車(chē)圖像成對(duì)組成正樣本，將源域下的一個(gè)泥頭車(chē)圖像與目標(biāo)域下的另一個(gè)泥頭車(chē)圖像成對(duì)組成負(fù)樣本；根據(jù)正樣本和負(fù)樣本對(duì)預(yù)設(shè)源域模型進(jìn)行域適應(yīng)，得到目標(biāo)檢測(cè)模型。本發(fā)明提供的泥頭車(chē)檢測(cè)方法，針對(duì)目標(biāo)域樣本不足導(dǎo)致訓(xùn)練的模型效果差的情形，提出成對(duì)訓(xùn)練的思想，擴(kuò)充訓(xùn)練樣本；通過(guò)使現(xiàn)有標(biāo)簽去適應(yīng)目標(biāo)測(cè)試數(shù)據(jù)，通過(guò)跨域檢測(cè)，將在源域?qū)W習(xí)到的知識(shí)用于目標(biāo)域，在目標(biāo)檢測(cè)任務(wù)上，建立源域到目標(biāo)域的映射，大大降低了數(shù)據(jù)采集成本，顯著減少人工標(biāo)注的時(shí)間。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體而言，涉及一種泥頭車(chē)檢測(cè)方法，一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

在遷移學(xué)習(xí)中，當(dāng)源域和目標(biāo)域的數(shù)據(jù)分布不同，但兩個(gè)任務(wù)相同時(shí)，這種特殊的遷移學(xué)習(xí)叫做域適應(yīng)(Domain Adaptation)。源域由充足的帶標(biāo)簽數(shù)據(jù)組成，目標(biāo)域由不充足的帶標(biāo)簽數(shù)據(jù)組成。域適應(yīng)的目標(biāo)是從源域?qū)W習(xí)一個(gè)函數(shù)f用來(lái)適應(yīng)目標(biāo)域中的新數(shù)據(jù)。

目標(biāo)檢測(cè)是一項(xiàng)重要的計(jì)算機(jī)視覺(jué)任務(wù)，它旨在對(duì)圖像中的目標(biāo)進(jìn)行定位和分類(lèi)。最新的神經(jīng)網(wǎng)絡(luò)方法已大大提高了目標(biāo)檢測(cè)的性能。但是，這樣的深度神經(jīng)網(wǎng)絡(luò)模型通常需要大規(guī)模的帶標(biāo)注的數(shù)據(jù)集以進(jìn)行監(jiān)督學(xué)習(xí)，并且當(dāng)訓(xùn)練集和測(cè)試集不同時(shí)，不能很好地泛化。例如，兩個(gè)域可能在場(chǎng)景，天氣，光照條件和相機(jī)設(shè)置方面有所不同。此類(lèi)域差異或域轉(zhuǎn)移(domain-shift)會(huì)引起模型泛化問(wèn)題。盡管增加同屬于一個(gè)目標(biāo)域的其他訓(xùn)練數(shù)據(jù)可以提高性能，但是收集不同天、光照條件及相機(jī)設(shè)定條件下的泥頭車(chē)圖片是比較困難的，且對(duì)收集的圖片進(jìn)行標(biāo)注是耗時(shí)耗力的。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)或相關(guān)技術(shù)中存在的技術(shù)問(wèn)題之一。

為此，本發(fā)明的一個(gè)方面在于提出了一種泥頭車(chē)檢測(cè)方法。

本發(fā)明的另一個(gè)方面在于提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

有鑒于此，根據(jù)本發(fā)明的一個(gè)方面，提出了一種泥頭車(chē)檢測(cè)方法，包括：采集源域下的泥頭車(chē)圖像以及目標(biāo)域下的泥頭車(chē)圖像；將源域下兩個(gè)不同的泥頭車(chē)圖像成對(duì)組成正樣本，以及將源域下的一個(gè)泥頭車(chē)圖像與目標(biāo)域下的另一個(gè)泥頭車(chē)圖像成對(duì)組成負(fù)樣本；根據(jù)正樣本和負(fù)樣本對(duì)預(yù)設(shè)源域模型進(jìn)行域適應(yīng)，得到目標(biāo)檢測(cè)模型。

本發(fā)明提供的泥頭車(chē)檢測(cè)方法，首先采集源域下第一數(shù)量的泥頭車(chē)圖像，采集目標(biāo)域下第二數(shù)量的泥頭車(chē)圖像，第一數(shù)量大于第二數(shù)量，具體地，第一數(shù)量如2萬(wàn)張，第二數(shù)量如100張，并進(jìn)行標(biāo)注。然后利用配對(duì)機(jī)制對(duì)標(biāo)注好的泥頭車(chē)圖像進(jìn)行樣本劃分，擴(kuò)充訓(xùn)練樣本。具體地，將源域下的兩個(gè)不同的泥頭車(chē)圖像成對(duì)組成正樣本，將源域下的一個(gè)泥頭車(chē)圖像與目標(biāo)域下的另一個(gè)泥頭車(chē)圖像成對(duì)組成負(fù)樣本。根據(jù)正樣本和負(fù)樣本對(duì)預(yù)設(shè)源域模型進(jìn)行域適應(yīng)，從而訓(xùn)練出一個(gè)新的函數(shù)，即目標(biāo)檢測(cè)模型，這個(gè)目標(biāo)檢測(cè)模型能很好的檢測(cè)出目標(biāo)域下的泥頭車(chē)。本發(fā)明提供的泥頭車(chē)檢測(cè)方法，針對(duì)目標(biāo)域樣本不足導(dǎo)致訓(xùn)練的模型效果差的情形，提出成對(duì)訓(xùn)練的思想，擴(kuò)充訓(xùn)練樣本；通過(guò)使現(xiàn)有標(biāo)簽去適應(yīng)目標(biāo)測(cè)試數(shù)據(jù)，通過(guò)跨域檢測(cè)，將在源域?qū)W習(xí)到的知識(shí)用于目標(biāo)域，在目標(biāo)檢測(cè)任務(wù)上，建立源域到目標(biāo)域的映射，大大降低了數(shù)據(jù)采集成本，顯著減少人工標(biāo)注的時(shí)間。

其中，預(yù)設(shè)源域模型的網(wǎng)絡(luò)結(jié)構(gòu)為Faster-RCNN-FPN網(wǎng)絡(luò)結(jié)構(gòu)，其中，F(xiàn)PN(FeaturePyramid Network)就是所謂的金字塔結(jié)構(gòu)的檢測(cè)器，把FPN融合到Faster-RCNN中，即得到Faster-RCNN-FPN。源域和目標(biāo)域下的泥頭車(chē)圖像可能在場(chǎng)景，天氣，光照條件和相機(jī)設(shè)置方面有所不同，但不限于此。

根據(jù)本發(fā)明的上述泥頭車(chē)檢測(cè)方法，還可以具有以下技術(shù)特征：