[发明专利]基于微调的轻量化小样本目标检测模型训练方法和设备

说明书

本申请公开了一种基于微调的轻量化小样本目标检测模型训练方法和设备，应用于目标检测模型。所述方法包括以下步骤：获取基础样本集合和目标样本集合，其中所述目标样本集合的样本数量小于所述基本样本集合的样本数量；通过所述基础样本集合对所述目标检测模型进行预训练，训练过程中更新所述特征提取器、分类器和回归器的参数；采用目标样本集合对经过预训练的目标检测模型进行训练，训练过程中仅更新所述分类器和回归器的参数。本方案可以增加训练效率，对于样本稀少的情况下，仍然可以获得较好的训练效果。

技术领域

本申请涉及人工智能技术，特别是一种基于微调的轻量化小样本目标检测模型训练方法和设备。

背景技术

现有的人工智能技术主要基于各类网络模型，训练这些模型需要大量的训练样本，但是对于某些类型的样本并不容易获取，往往样本数量无法达到网络模型训练的要求。

另外，即便样本数量充足，从新训练一个网络也需要大量的时间和算力资源，成本高且效率低。因此，现有技术采用小样本学习方法，首先利用容易获取的大量样本对模型进行一定的训练，然后利用少量的目标样本对模型进行微调。但是目前部分目标检测模型，例如mobilenetv2等，采用小样本学习的方法存在拟合差，训练时间长的等问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于微调的轻量化小样本目标检测模型训练方法和设备。

一方面，本申请实施例提供了一种基于微调的轻量化小样本目标检测模型训练方法，应用于目标检测模型，其中，所述目标检测模型包括特征提取器、分类器和回归器，所述目标检测模型以mobilenetv2作为主干网络以构成特征提取器，所述mobilenetv2主干网络包括第一至第六bottleneck单元，其中，第二bottleneck单元、第四bottleneck单元和第六bottleneck单元后均设置有slim模块；

所述方法包括以下步骤：

获取基础样本集合和目标样本集合，其中所述目标样本集合的样本数量小于所述基本样本集合的样本数量；

通过所述基础样本集合对所述目标检测模型进行预训练，训练过程中更新所述特征提取器、分类器和回归器的参数；

采用目标样本集合对经过预训练的目标检测模型进行训练，训练过程中仅更新所述分类器和回归器的参数。

在一些实施例中，所述slim模块包括：

注意力单元，用于对特征图进行全局池化，得到第一向量，对第一向量进行两次1*1的卷积后输出第二向量，其中，两个卷积采用的激活函数不同；

特征重建单元，用于对注意力单元输出的第二向量进行翻转，得到第三向量用以进行特征强化；

特征拆分和融合单元，用于基于第二向量和第三向量重建得到的特征图进行拆分，然后进行特征融合，以降低特征图的维度；

特征变化和融合单元，用于对特征拆分和融合单元输出的特征图进行融合，得到输出的特征图。

在一些实施例中，所述基于第二向量和第三向量重建得到的特征图进行拆分，然后进行特征融合，以降低特征图的维度，具体包括：

对基于第二向量重建得到的特征图进行拆分，得到第一特征图和第二特征图，将第一特征图和第二特征图通过3*3的卷积进行特征融合，得到第三特征图；

对基于第三向量从简得到的特征图进行拆分，得到第四特征图和第五特征图，将第四特征图和第五特征图通过1*1和3*3的卷积进行融合，得到第六特征图。

在一些实施例中，对特征拆分和融合单元输出的特征图进行融合，得到输出的特征图，具体包括：

对第三特征图和第六特征图进行融合，得到输出的特征图。

在一些实施例中，所述注意力单元基于SEBlock模块得到，其中，两个卷积采用的激活函数分别是Relu激活函数和Sigmoid激活函数。