[發明專利]目標檢測模型的更新方法及裝置

在審

• 申請號: 202111488653.5
• 申請日: 2021-12-07
• 公開（公告）號: CN114241305A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 袁野;吳國棟;張賽;萬里紅;劉娜
• 申請（專利權）人: 中原動力智能機器人有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06K9/62;G06N20/00
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;許羽冬

本申請公開了一種目標檢測模型的更新方法及裝置，通過獲取用于更新目標檢測模型的數據集，并利用預設的置信上限算法，根據數據集，對目標檢測模型進行更新，得到模型參數和模型參數對應的重要性二進制編碼；以及對模型參數和重要性二進制編碼進行配對，得到鍵值對；最后將鍵值對發送至智能機器人，以使部署于智能機器人上的目標檢測模型根據鍵值對進行模型更新，實現便于機器人選擇待更新的模型參數，降低模型參數大量變更而導致模型遺忘原目標特征的風險，提高模型更新效果，同時在計算機設備上預先更新模型，以避免直接在機器人上更新模型時出錯而導致不可預計的損失，進一步提高模型更新效果。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種目標檢測模型的更新方法及裝置。

背景技術

隨著人工智能崛起，智能機器人在商場、機場和車站等公共場所的應用日益廣泛。通過將訓練好的目標檢測模型部署在智能機器人上，以實現智能機器人對目標的檢測與識別。

目前，應用于智能機器人的目標檢測模型無法對未知類別目標進行識別。對此，當前主要有兩種方式訓練未知類別的目標，一種是將新目標再次整合到訓練集中，訓練一個新模型部署到機器人上，但造成繁雜的模型更新迭代工作，容易出錯；另一種是利用新目標的數據對目標檢測模型進行二次訓練，但由于模型參數和識別的目標相關性很大，更新模型大量參數會導致模型遺忘原來學習到特征，從而導致對原目標的識別準確度下降?？梢?，當前目標檢測模型存在更新效果差的問題。

發明內容

本申請提供了一種目標檢測模型的更新方法及裝置，以解決當前目標檢測模型存在更新效果差的技術問題。

為了解決上述技術問題，第一方面，本申請實施例提供了一種目標檢測模型的更新方法，應用于計算機設備，更新方法包括：

獲取用于更新目標檢測模型的數據集；

利用預設的置信上限算法，根據數據集，對目標檢測模型進行更新，得到新模型參數和新模型參數對應的重要性二進制編碼；

對新模型參數和重要性二進制編碼進行配對，得到鍵值對；

將鍵值對發送至智能機器人，鍵值對用于根據重要性二進制編碼和新模型參數對部署于智能機器人上的目標檢測模型進行模型更新。

本實施例通過獲取用于更新目標檢測模型的數據集，并利用預設的置信上限算法，根據數據集，對目標檢測模型進行更新，得到模型參數和模型參數對應的重要性二進制編碼，從而得到目標檢測模型更新后的每個模型參數和每個模型參數對應的重要性程度；以及對模型參數和重要性二進制編碼進行配對，得到鍵值對，以將模型參數和重要性二進制編碼一一對應，從而便于機器人選擇待更新的模型參數，降低模型參數大量變更而導致模型遺忘原目標特征的風險，提高模型更新效果；最后將鍵值對發送至智能機器人，以使部署于智能機器人上的目標檢測模型根據鍵值對進行模型更新，從而實現在計算機設備上預先更新模型，以避免直接在機器人上更新模型時出錯而導致不可預計的損失，進一步提高模型更新效果。

在一實施例中，利用預設的置信上限算法，根據數據集，對目標檢測模型進行更新，得到新模型參數和新模型參數對應的重要性二進制編碼，包括：

利用預設的置信上限算法，根據數據集對目標檢測模型進行迭代訓練，直至初始目標檢測模型達到預設收斂條件，停止迭代，得到新模型參數；

根據新模型參數和目標檢測模型的原模型參數，確定新模型參數對應的重要性二進制編碼。

本實施例通過新模型參數與原模型參數進行對比，以確定新模型參數的重要性程度，從而便于后續智能機器人有選擇性的更新模型，有效避免模型出現遺忘災難性問題。

在一實施例中，根據新模型參數和目標檢測模型的原模型參數，確定模型參數對應的重要性二進制編碼，包括：

確定新模型參數與原模型參數之間的方差；