[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

本發明提供一種小樣本數據集模型訓練方法、裝置、設備、介質及產品，包括確定與目標域樣本集對應的源域樣本集，并基于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，由此通過源域豐富的監督信息彌補目標域樣本不足的缺陷，從而提升使用小樣本目標域訓練好的模型精確度。

技術領域

本發明涉及深度學習技術領域，尤其涉及一種小樣本數據集模型訓練方法、裝置、設備、介質及產品。

背景技術

對圖像或視頻的視覺理解是計算機視覺中長期存在且具有挑戰性的問題。鞏固視覺理解的途徑是建立一個通過收集圖像數據集學習識別為目標數據的模型。

在過去的幾年中，許多深度學習方法在目標檢測方面取得了卓越的性能。但是，這些深度檢測器的成功很大程度上取決于具有完整注釋邊界框的大規模檢測基準，這樣的成本極高。實際上在某些場景下具備完整標注的訓練集樣本數量可能由于各方面的因素受到限制，從而影響深度檢測器的檢測效果。

發明內容

本發明提供一種小樣本數據集模型訓練方法、裝置、設備、介質及產品，用以解決現有技術中在訓練集樣本數量不足的情況下導致影響深度檢測器的檢測效果的缺陷，實現了提高小樣本目標檢測算法精確度。

本發明提供一種小樣本數據集模型訓練方法，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。

根據本發明提供的一種小樣本數據集模型訓練方法，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。

根據本發明提供的一種小樣本數據集模型訓練方法，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。