[发明专利]一种多场景配电室物体检测模型的训练方法和设备

权利要求书

1.一种多场景配电室物体检测模型的训练方法，其特征在于，包括：

将单一场景下配电室的训练图像数据输入编码网络中，进行多尺度的特征提取；

其中，所述编码网络至少包括一层特征提取模块，所述特征提取模块包括依次连接的卷积层、插件化的自适应标准化层、池化层和激活函数层；

将提取到的特征输入候选区域网络中，得到候选区域框；

将所述候选区域框输入坐标回归和分类网络中，对所述候选区域框进行筛选、定位和分类，得到预测类别和预测矩形框，进而得到多场景配电室物体检测模型。

2.根据权利要求1所述的多场景配电室物体检测模型的训练方法，其特征在于，还包括：

将单一场景下配电室的测试图像数据输入所述编码网络中，对所述多场景配电室物体检测模型进行测试。

3.根据权利要求1所述的多场景配电室物体检测模型的训练方法，其特征在于，将单一场景下配电室的训练图像数据输入编码网络中，进行多尺度的特征提取，包括：

将所述训练图像数据输入所述卷积层中进行卷积提取特征，得到多尺度的特征图x；

通过统计学方法，利用所述自适应标准化层沿通道计算每一特征图x的特征均值μ和特征方差δ；

基于所述特征均值μ和特征方差δ，利用所述自适应标准化层中的自编码器自适应标准化学习，得到特征图x_s；

基于所述特征均值μ和特征方差δ，利用所述自编码器自适应归一化学习，得到特征图x_norm。

4.根据权利要求3所述的多场景配电室物体检测模型的训练方法，其特征在于，通过统计学方法，利用所述自适应标准化层沿通道计算每一特征图x的特征均值μ和特征方差δ，计算公式如下：

其中，C、H和W分别表示表示特征图x的通道数、长度尺寸和宽度尺寸，C×H×W为特征图x的维度，μ_c和δ_c表示每一通道的特征均值和特征方差，i和j分别表示特征图x的横纵坐标。

5.根据权利要求3所述的多场景配电室物体检测模型的训练方法，其特征在于，基于所述特征均值μ和特征方差δ，利用所述自适应标准化层中的自编码器自适应标准化学习，得到特征图x_s，包括：

基于所述特征均值μ和特征方差δ，利用自编码器自适应标准化学习离散化的特征均值μ_stan和离散化的特征方差δ_stan；

利用可学习的权重因子作为λ作为残差权重项，对所述特征均值μ_stan和特征方差δ_stan进行加权，同时利用1-入约束所述特征均值μ和特征方差δ，计算公式如下：

其中，μ_final表示最终特征均值，δ_final表示最终特征方差；

利用最终特征均值μ_final和最终特征方差δ_final对所述特征图x进行标准化，得到所述特征图x_s，计算公式如下：

X_s＝(x-μ_final)/(δ_final+ε)； (3)

其中，ε为常数项，取值为1e-10，用于防止公式(3)的分母为0。

6.根据权利要求5所述的多场景配电室物体检测模型的训练方法，其特征在于，利用自编码器自适应标准化学习离散化的特征均值μ_stan和离散化的特征方差δ_stan之后，还包括：

通过所述激活函数层中的relu激活函数，保证所述特征均值μ_stan和所述特征方差δ_stan离散且非负。