[发明专利]一种跨数据集的目标检测联合训练方法

权利要求书

1.一种跨数据集的目标检测联合训练方法，其特征在于，包括以下步骤：

步骤1、根据客户初始需求对原数据集中的每张图片进行标注，设原数据集为一个标注好的n个标签分类问题，选取深度学习模型训练数据集，验证模型精度；

步骤2、客户提出新的检测需求，设又增加了k个标签分类问题；

步骤3、寻找现有数据集后对新的标签分类进行标注，或者新增一个含有与新检测需求对应的标注数据集，联合步骤1中已经标注且训练过的数据集进行联合训练；

步骤4、判断交付的深度学习模型是否达到客户要求，若交付的深度学习模型未达到客户要求，重复执行步骤2和步骤3，直至交付的深度学习模型达到客户要求；

步骤5、向客户交付达到要求的深度学习模型。

2.根据权利要求1所述跨数据集的目标检测联合训练方法，其特征在于：步骤1中对数据集中的每张图片进行标注时在图片上面用框将瑕疵标注出来。

3.根据权利要求2所述跨数据集的目标检测联合训练方法，其特征在于：步骤1中数据集存储的是已经标注好的所有图片及瑕疵标注集合，包括图片名称、各种瑕疵的坐标、瑕疵类型，以JSON数据格式存储。

4.根据权利要求1所述跨数据集的目标检测联合训练方法，其特征在于，步骤3具体包括如下步骤：

步骤3.1、找到包含所有标签分类的m个数据集；

步骤3.2、定义深度学习模型中神经网络的损失函数为每个数据集中每个标签类别所预测的类别损失的总和，用损失函数来训练神经网络；具体损失函数mask_Loss如下：

上式中，pred为预测的每一类标签的输出值，为n+k向量；label为真实标签；mask为n+k向量，mask(j)表示对数据集中一张图片的第j个标签进行标注的情况，其中j∈{1，2，...，n+k}；data指数据集；表示标签不属于对应数据集；label(j)∈data表示标签属于对应数据集；

若数据集中一张图片的第j个标签是未标注的，则标注mask(j)为0，对该张图片进行监督，损失函数不参与神经网络训练，此时pred*mask为n+k-m，m为mask标注为0的个数，更新深度学习模型的模型参数；

若数据集中一张图片的第j个标签是已标注的，则标注mask(j)为1，不对该张图片进行监督，损失函数参与神经网络训练，生成深度学习模型；

步骤3.3、将步骤3.2中的类别损失用只有0或1的mask向量来控制，若m个数据集中的任一分类没被标注时，将mask对应位置的值设为0，并与该分类的类别损失相乘，让该分类不参与联合训练中的正向传播和反向传播。