[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

说明书

本发明公开了一种多场景配电室物体检测模型的训练方法，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，编码网络至少包括一层特征提取模块，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，得到多场景配电室物体检测模型。通过自适应标准化层的自编码器进行自适应学习到离散性较高的特征均值和特征方差等统计信息，能够提高标准化方法的域泛化能力，从而通过单一场景下的配电室图像数据能够训练得到多场景的配电室物体检测模型。

技术领域

本发明属于目标检测技术领域，具体涉及一种多场景配电室物体检测模型的训练方法和设备。

背景技术

近年来，随着深度学习技术的发展，利用深度学习技术进行配电室物体检测的方法被广泛研究，该类方法通过在配电室摄像头的图像上进行大量的目标标注，结合深度学习技术进行模型最优拟合，从而达到辅助物体检测的目的。然而，在目前配电室目标物体自动化检测过程中，由于配电室场景变化不一，所采集图像边缘分布差异较大，导致基于深度学习技术的自动化检测方法，具有以下不便性：一.图像异质性严重。由于配电室中光照和焦距的影响，图像往往具有不同的边缘分布，而图像异质性可直接导致模型泛化性能降低，即同类物体在不同边缘分布条件下被检测为不同类；二.图像标注成本高昂。

随着技术的发展，基于深度学习的目标检测网络被广泛应用与配电室的物体检测中。目标检测网络要求丰富的上下文信息以及局部的细粒度特征信息，且对于数据集样本的特征域特别敏感，当使用单一场景的数据对模型进行训练并接近拟合时，模型的参数对于多场景下的图像信息是非常敏感的，噪声分布不同的影响均会导致模型性能降低。

为了解决目标检测网络存在的上述问题，现有技术将领域自适应和领域泛化应用到目标检测网络中。领域自适应的许多方法在视觉任务中联合执行特征级和像素级领域的自适应，例如目标检测领域的自适应。这些方法通过将对抗学习和深度卷积神经网络相结合，利用两种不同场景分布的数据并将其输入到具有特征级对齐的任务网络中，进行像素级的自适应。然而，在具有多场景的配电室物体检测任务中，由于场景本身是无界的，而使用有界的领域自适应方法无法有效地模拟真实的应用场景，因此该方法的性能无法得到保证。

领域泛化中的多数的领域泛化工作是在多个场景的训练图像上展开，如何在单一场景下学习领域不变表示，进而在多场景中进行泛化应用，成为领域泛化工作的一大挑战。现有技术中，对于单一场景的泛化采用对抗学习的方式合成新的训练图像以模型真实的应用场景，即通过学习域不变特征以提高其泛化性能。然而，由于场景本身是无界的，合成新的训练图像是有界的，这种样本扩充的方式并不能极大程度增强目标检测网络的泛化能力。

目前，深度卷积神经网络一般在特征提取后采用标准化方法对输入特征值进行标准化，以防止由于数据分布出现偏移，即输入特征值的差异较大，产生一些偏离较大的差一只，进而导致模型优化的难度增加，甚至不能优化。同时标准化方法可降低模型对于输入数据分布的敏感性。常见的标准化方法，例如批处理标准化方法，在训练阶段，批处理标准化方法通过对一批训练数据估计的统计量来标准化特征图，然后在测试期间应用训练时的统计数据来标准化测试集。在单一场景泛化中，由于测试场景下的数据分布和训练数据之间存在边缘分布差异，因此，将根据训练估计的统计数据应用于测试可能会导致不适用。

发明内容

本发明的目的一种用于多场景配电室物体检测模型的训练方法和设备，用于解决现有技术中存在的至少一个技术问题。

为了实现上述目的，本发明采用以下技术方案：

第一方面，本发明提供一种多场景配电室物体检测模型的训练方法，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；