本申请公开了一种目标检测模型优化方法、装置、电子设备及可读存储介质，目标检测模型包括特征提取单元、域特征解耦单元和目标检测单元，该方法包括：获取不同数据分布域的训练图像样本以及训练图像样本所属数据分布域的域信息特征；通过共享网络参数的特征提取单元对训练图像样本进行特征提取，得到域共享图像特征；通过将域信息特征和域共享图像特征共同输入域特征解耦单元，对域共享图像特征进行域解耦，得到域解耦特征；通过目标检测单元域解耦特征进行目标检测，得到目标检测结果；根据目标检测结果对应的目标检测损失，优化目标检测模型。本申请解决了针对于不同数据分布域的训练图像样本，目标检测模型冗余严重的技术问题。题。题。
【技术实现步骤摘要】
目标检测模型优化方法、装置、电子设备及可读存储介质
[0001]本申请涉及计算机视觉
，尤其涉及一种目标检测模型优化方法、装置、电子设备及可读存储介质。
技术介绍
[0002]随着人工智能技术的不断发展，目标检测的应用领域也越来越广泛，由于当前大量的监控设备部署的环境、高度和角度等因素的不同，从而会引入海量的跨域数据，目前针对于这些跨域数据，通常训练针对性的单域目标检测模型，然后利用这些单域目标检测模型分别对每一个域的图像数据分别检测目标检测，模型的冗余较为严重。
技术实现思路
[0003]本申请的主要目的在于提供一种目标检测模型优化方法、装置、电子设备及可读存储介质，旨在解决现有技术中针对于不同数据分布域的训练图像样本，目标检测模型冗余严重的技术问题。
[0004]为实现上述目的，本申请提供一种目标检测模型优化方法，所述目标检测模型包括特征提取单元、域特征解耦单元和目标检测单元，所述目标检测模型优化方法包括：
[0005]获取不同数据分布域的训练图像样本以及所述训练图像样本所属数据分布域的域信息特征；
[0006]通过所述特征提取单元对所述训练图像样本进行特征提取，得到域共享图像特征，其中，不同数据分布域的训练图像样本共享所述特征提取单元的网络参数；
[0007]通过将所述域信息特征和所述域共享图像特征共同输入所述域特征解耦单元，对所述域共享图像特征进行域解耦，得到域解耦特征；
[0008]通过将所述域解耦特征输入所述目标检测单元，对所述训练图像样本进行目标检测，得到目标检测结果；
[0009]根据所述目标检测结果得到的目标检测损失，优化所述目标检测模型。
[0010]可选地，所述对所述域共享图像特征进行域解耦，得到域解耦特征的步骤包括：
[0011]根据所述域信息特征和所述域共享图像特征，构建基于域信息的通道注意力权重；
[0012]根据所述通道注意力权重，对所述域共享图像特征进行域解耦，得到所述域解耦特征。
[0013]可选地，所述域特征解耦单元包括第一编码器和第二编码器，
[0014]所述根据所述域信息特征和所述域共享图像特征，构建基于域信息的通道注意力权重的步骤包括：
[0015]通过将所述域信息特征输入所述第一编码器，对所述域信息特征进行编码，得到域信息编码特征；
[0016]将所述域信息编码特征与所述域共享图像特征进行聚合，得到聚合域信息特征；
[0017]通过将所述聚合域信息特征输入所述第二编码器，对所述聚合域信息特征进行编码，得到所述通道注意力权重。
[0018]可选地，所述根据所述通道注意力权重，对所述域共享图像特征进行域解耦，得到域解耦特征的步骤包括：
[0019]根据预设约束函数，将所述通道注意力权重转换为重加权参数；
[0020]根据所述重加权参数，对所述域共享图像特征的输出通道进行重加权，得到所述域解耦特征，其中，所述重加权参数用于增强与域信息关联性强的输出通道的输出特征值，以及抑制与域信息关联性弱的输出通道的输出特征值。
[0021]可选地，所述根据所述目标检测结果得到的目标检测损失，优化所述目标检测模型的步骤包括：
[0022]若所述目标检测损失收敛，则判定所述目标检测模型优化完毕；
[0023]若所述目标检测损失未收敛，则根据所述目标检测损失计算的梯度，对所述特征提取单元、所述域特征解耦单元、所述目标检测单元以及所述域信息特征进行反向传播更新；
[0024]返回执行步骤：获取不同数据分布域的训练图像样本以及所述训练图像样本所属数据分布域的域信息特征，直至检测到所述目标检测损失收敛。
[0025]可选地，所述根据所述目标检测结果得到的目标检测损失，优化所述目标检测模型的步骤包括：
[0026]若所述目标检测损失收敛，则判定所述目标检测模型优化完毕；
[0027]若所述目标检测损失未收敛，则根据所述目标检测损失计算的梯度，对所述域特征解耦单元以及所述域信息特征进行反向传播更新；
[0028]返回执行步骤：获取不同数据分布域的训练图像样本以及所述训练图像样本所属数据分布域的域信息特征，直至检测到所述目标检测损失收敛。
[0029]可选地，获取所述训练图像样本所属数据分布域的域信息特征，包括：
[0030]获取所述训练图像样本所属数据分布域的域信息；
[0031]对所述域信息进行域信息特征提取，得到所述所属域对应的域信息特征。
[0032]本申请还提供一种目标检测模型优化装置，所述目标检测模型包括特征提取单元、域特征解耦单元和目标检测单元，所述目标检测模型优化装置包括：
[0033]获取模块，用于获取不同数据分布域的训练图像样本以及所述训练图像样本所属数据分布域的域信息特征；
[0034]域共享特征提取模块，用于通过所述特征提取单元对所述训练图像样本进行特征提取，得到域共享图像特征，其中，不同数据分布域的训练图像样本共享所述特征提取单元的网络参数；
[0035]域特征解耦模块，用于通过将所述域信息特征和所述域共享图像特征共同输入所述域特征解耦单元，对所述域共享图像特征进行域解耦，得到域解耦特征；
[0036]目标检测模块，用于通过将所述域解耦特征输入所述目标检测单元，对所述训练图像样本进行目标检测，得到目标检测结果；
[0037]模型优化模块，用于根据所述目标检测结果得到的目标检测损失，优化所述目标检测模型。
[0038]可选地，所述域特征解耦模块还用于：
[0039]根据所述域信息特征和所述域共享图像特征，构建基于域信息的通道注意力权重；
[0040]根据所述通道注意力权重，对所述域共享图像特征进行域解耦，得到所述域解耦特征。
[0041]可选地，所述域特征解耦单元包括第一编码器和第二编码器，所述域特征解耦模块还用于：
[0042]通过将所述域信息特征输入所述第一编码器，对所述域信息特征进行编码，得到域信息编码特征；
[0043]将所述域信息编码特征与所述域共享图像特征进行聚合，得到聚合域信息特征；
[0044]通过将所述聚合域信息特征输入所述第二编码器，对所述聚合域信息特征进行编码，得到所述通道注意力权重。
[0045]可选地，所述域特征解耦模块还用于：
[0046]根据预设约束函数，将所述通道注意力权重转换为重加权参数；
[0047]根据所述重加权参数，对所述域共享图像特征的输出通道进行重加权，得到所述域解耦特征，其中，所述重加权参数用于增强与域信息关联性强的输出通道的输出特征值，以及抑制与域信息关联性弱的输出通道的输出特征值。
[0048]可选地，所述模型优化模块还用于：
[0049]若所述目标检测损失收敛，则判定所述目标检测模型优化完毕；
[0050]若所述目标检测损失未收敛，则根据所述目标检测损失计算的梯度，对所述特征提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标检测模型优化方法，其特征在于，所述目标检测模型包括特征提取单元、域特征解耦单元和目标检测单元，所述目标检测模型优化方法包括：获取不同数据分布域的训练图像样本以及所述训练图像样本所属数据分布域的域信息特征；通过所述特征提取单元对所述训练图像样本进行特征提取，得到域共享图像特征，其中，不同数据分布域的训练图像样本共享所述特征提取单元的网络参数；通过将所述域信息特征和所述域共享图像特征共同输入所述域特征解耦单元，对所述域共享图像特征进行域解耦，得到域解耦特征；通过将所述域解耦特征输入所述目标检测单元，对所述训练图像样本进行目标检测，得到目标检测结果；根据所述目标检测结果得到的目标检测损失，优化所述目标检测模型。2.如权利要求1所述目标检测模型优化方法，其特征在于，所述对所述域共享图像特征进行域解耦，得到域解耦特征的步骤包括：根据所述域信息特征和所述域共享图像特征，构建基于域信息的通道注意力权重；根据所述通道注意力权重，对所述域共享图像特征进行域解耦，得到所述域解耦特征。3.如权利要求2所述目标检测模型优化方法，其特征在于，所述域特征解耦单元包括第一编码器和第二编码器，所述根据所述域信息特征和所述域共享图像特征，构建基于域信息的通道注意力权重的步骤包括：通过将所述域信息特征输入所述第一编码器，对所述域信息特征进行编码，得到域信息编码特征；将所述域信息编码特征与所述域共享图像特征进行聚合，得到聚合域信息特征；通过将所述聚合域信息特征输入所述第二编码器，对所述聚合域信息特征进行编码，得到所述通道注意力权重。4.如权利要求2所述目标检测模型优化方法，其特征在于，所述根据所述通道注意力权重，对所述域共享图像特征进行域解耦，得到域解耦特征的步骤包括：根据预设约束函数，将所述通道注意力权重转换为重加权参数；根据所述重加权参数，对所述域共享图像特征的输出通道进行重加权，得到所述域解耦特征，其中，所述重加权参数用于增强与域信息关联性强的输出通道的输出特征值，以及抑制与域信息关联性弱的输出通道的输出特征值。5.如权利要求1所述目标检测模型优化方法，其特征在于，所述根据所述目标检测结果得到的目标检测损失，优化所述目标检测模型的步骤包括：若所述目标检测损失收敛，则判定所述目标检测模型优化完毕；若所述目标检测损失未收敛，则根据所述目标检测损失计算的梯度，对所述特征提取单元、所述域特征解耦单元、所述目标检测单元以及所述域信...
【专利技术属性】
技术研发人员：张彬彬，
申请(专利权)人：上海高德威智能交通系统有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。