[發明專利]小樣本數據集模型訓練方法、裝置、設備、介質及產品

在審

• 申請號: 202210699010.3
• 申請日: 2022-06-20
• 公開（公告）號: CN115204261A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 涂曉招
• 申請（專利權）人: 中銀金融科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 孟省

1.一種小樣本數據集模型訓練方法，其特征在于，包括：

確定與目標域樣本集對應的源域樣本集，并基于所述源域樣本集對初始化Faster-RCNN模型進行預訓練，得到預訓練好的Faster-RCNN模型；

保存所述預訓練好的Faster-RCNN模型中的特征提取網絡及區域生成網絡的權重參數，并對所述預訓練好的Faster-RCNN模型中的檢測網絡的權重參數進行隨機初始化；

基于所述目標域樣本集對隨機初始化后的檢測網絡進行訓練，得到訓練好的目標Faster-RCNN模型，以通過所述目標Faster-RCNN模型識別目標域對象。

2.根據權利要求1所述的小樣本數據集模型訓練方法，其特征在于，所述基于所述目標域樣本集對隨機初始化后的檢測網絡進行訓練，得到訓練好的目標Faster-RCNN模型，具體包括：

將所述目標域樣本集輸入所述預訓練好的Faster-RCNN模型中的特征提取網絡中，得到所述預訓練好的Faster-RCNN模型中的特征提取網絡輸出的目標域樣本特征；

將所述目標域樣本特征輸入所述預訓練好的Faster-RCNN模型中的區域生成網絡中，得到所述預訓練好的Faster-RCNN模型中的區域生成網絡輸出的目標域樣本候選域特征信息；

將所述目標域樣本候選域特征信息輸入隨機初始化后的檢測網絡進行回歸和分類，得到所述隨機初始化后的檢測網絡輸出的目標域樣本預測標簽；

基于目標域樣本真實標簽及所述目標域樣本預測標簽對所述隨機初始化后的檢測網絡的類別權重參數及位置回歸參數進行調整，得到訓練好的目標Faster-RCNN模型。

3.根據權利要求2所述的小樣本數據集模型訓練方法，其特征在于，所述基于目標域樣本真實標簽及所述目標域樣本預測標簽對所述隨機初始化后的檢測網絡的類別權重參數及位置回歸參數進行調整，具體包括：

計算出所述目標域樣本真實標簽及所述目標域樣本預測標簽對應的分類損失函數及回歸損失函數；

根據所述分類損失函數對所述隨機初始化后的檢測網絡中的分類器的類別權重參數進行調整；

根據所述回歸損失函數對所述隨機初始化后的檢測網絡中的位置回歸參數進行調整。

4.根據權利要求1至3任一項所述的小樣本數據集模型訓練方法，其特征在于，所述特征提取網絡包括VGG16卷積神經網絡，所述區域生成網絡包括RPN網絡，所述檢測網絡包括Fast-RCNN網絡。

5.根據權利要求1至3任一項所述的小樣本數據集模型訓練方法，其特征在于，所述目標域樣本集對應的目標域與所述源域樣本集的源域的邊緣概率分布不同，所述目標域樣本集對應的目標域與所述源域樣本集的源域的條件概率相同，所述源域樣本集中的樣本數量大于所述目標域樣本集的樣本數量。

6.一種小樣本數據集模型訓練裝置，其特征在于，包括：

第一訓練單元，用于確定與目標域樣本集對應的源域樣本集，并基于所述源域樣本集對初始化Faster-RCNN模型進行預訓練，得到預訓練好的Faster-RCNN模型；

初始化單元，用于保存所述預訓練好的Faster-RCNN模型中的特征提取網絡及區域生成網絡的權重參數，并對所述預訓練好的Faster-RCNN模型中的檢測網絡的權重參數進行隨機初始化；

第二訓練單元，用于基于所述目標域樣本集對隨機初始化后的檢測網絡進行訓練，得到訓練好的目標Faster-RCNN模型，以通過所述目標Faster-RCNN模型識別目標域對象。

7.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至5任一項所述小樣本數據集模型訓練方法。

8.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至5任一項所述小樣本數據集模型訓練方法。

9.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至5任一項所述小樣本數據集模型訓練方法。