[發明專利]模型訓練方法、目標檢測方法及系統

在審

• 申請號: 202210679877.2
• 申請日: 2022-06-16
• 公開（公告）號: CN114926714A
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 曾祥云;朱姬淵
• 申請（專利權）人: 上海易康源醫療健康科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 上海碩力知識產權代理事務所(普通合伙) 31251
• 代理人: 楊用玲

本發明公開一種模型訓練方法、目標檢測方法及系統，其訓練方法包括步驟：S1:構建神經網絡模型，包括第一網絡和第二網絡,S2:將測試數據輸入至已訓練好的第一神經網絡和未訓練的第二神經網絡；S3:分別對第一特征抽取單元和第一預測單元、第二特征抽取單元和第二預測單元進行壓縮；S4：第一定位單元和第二定位單元之間采用MSEloss平方誤差損失加上CDAN損失進行計算，第一分類單元和第二分類單元之間，均采用KLloss加上CDAN損失進行計算；S5:根據S4的損失值更新第二網絡的參數。本發明可以大大降低模型參數，還能對新領域的樣本具有良好的預測能力。

技術領域

本發明涉及人工智能技術領域，尤其涉及模型訓練方法、目標檢測方法及系統。

背景技術

目標檢測任務是找出圖像或視頻中人們感興趣的物體，并同時檢測出它們的位置和大小。目標檢測技術發展至今已經有幾十年的時間，從技術的發展脈絡看，可以劃分為傳統目標檢測算法時期(2014年之前)以及之后的基于機器學習的目標檢測算法。

傳統目標檢測算法主要基于手工提取特征，手工的缺陷主要在于計算量大，識別效果比較差，而且人工成本也非常高。隨著機器學習的各種新算法成熟，目標檢測技術得到了質的飛躍，基于CNN以及YOLO的各種目標檢測算法不斷創新出來，大大提高了目標檢測的識別能力和準確率。

這些層出不窮的新算法和新模型，功能越來越強大，網絡深度也越來越深，網絡結構也越來越復雜，而模型過大，其帶來的問題就是其計算成本就越來越高，速度也受到了影響，因此無法在移動設備端使用和部署，而且對于對新領域的樣本預測能力不足，導致模型部署后對于沒有見過的新樣本預測不準。

發明內容

本發明為解決現有技術中存在的技術問題，提供一種模型訓練方法，包括步驟：

S1:構建神經網絡模型，所述神經網絡模型包括第一網絡和第二網絡,第二網絡從第一網絡中學習，其中：

所述第一網絡包括依次連接的第一輸入單元、第一特征抽取單元和第一預測單元，以及與第一預測單元的輸出分別連接的第一定位單元和第一分類單元；

第二網絡包括依次連接的第二輸入單元、第二特征抽取單元和第二預測單元，以及與第二預測單元的輸出分別連接的第二定位單元和第二分類單元；

S2:將測試數據輸入至已訓練好的第一神經網絡和未訓練的第二神經網絡；

S3:分別對第一特征抽取單元和第一預測單元、第二特征抽取單元和第二預測單元進行壓縮；

S4：第一定位單元和第二定位單元之間采用MSE loss平方誤差損失加上CDAN損失進行計算，第一分類單元和第二分類單元之間，均采用KL loss加上CDAN損失進行計算；

S5:根據S4的損失值更新第二網絡的參數。

進一步地，第二特征抽取單元根據第一特征抽取單元的損失進行學習和更新參數，使用的損失函數為KL Loss。

進一步地，第二預測單元根據第一預測單元的損失進行學習和更新參數，使用的損失函數為KL Loss。

本發明還提供一種目標檢測方法，應用于目標檢測系統中，包括步驟：

獲取圖片信息；

對圖片信息進行處理，并給出檢測結果，

所述目標檢測系統為所述模型訓練方法得到的神經網絡模型。

本發明還提供一種目標檢測系統，包括獲取單元和處理單元，其中：

獲取單元用以獲取圖片信息；

處理單元用以對圖片信息進行處理，并給出檢測結果，