【技术实现步骤摘要】
本专利技术是有关于一种连续学习的物件检测技术，且特别是有关于一种物件检测方法、机器学习方法及电子装置。
技术介绍
1、传统物件检测的目标是开发计算模型和技术，提供电脑视觉应用程序所需的资讯，包括物体位置和类别(例如人、动物或汽车)。过去二十年间，物件检测的发展经历了两个主要时期：“传统物件检测时期”(2014年之前)和“基于深度学习的检测时期”(2014年之后)。早期的物件检测算法主要基于手工设计的复杂特征，并运用各种加速技术来利用有限的计算资源。随着深度学习技术于2014年后取得重大突破，物件检测成为一个前所未有的研究热点。近年来，由于物件检测在机器人和自动驾驶汽车领域的广泛应用，单级和双级物件检测的持续学习领域获得越来越多的关注。
2、连续学习(continual learning)是人工智能研究领域中的一个重要目标，其主要关注点在于让模型能够在不同时间点学习不同任务的知识，同时不会忘记先前学习的知识，避免遭受灾难性遗忘的问题。连续学习不仅能够提高学习新知识的效率，而且由于不需要存取旧任务的资料，也能够降低训练设备的硬件需求。任务增量学习是连续学习中最典型的场景。在这种场景下，同一任务的数据能够在同一时间点全部到达，从而可以在独立同分布的假设下训练模型。
3、换句话说，连续学习的关注点是如何对于不同时间点收集的任务标签进行特征分类，且不同任务所对应的特征空间彼此互不相交，无论需要增加多少数量的任务或类别，都不造成灾难性遗忘(catastrophic forgetting)的问题。
4、现有
5、因此，如何针对多项任务共享同一个单级目标检测器的神经网络模型，让整体网络大小以及运算量能够大幅下降，并且在不需取用和储存旧任务资料的条件下避免灾难遗忘，是本领域技术人员所关注的课题。
技术实现思路
1、有鉴于此，本专利技术提供一种物件检测方法、机器学习方法及电子装置，基于单级物件检测器的网络架构，提供一种无需删改原有网络层架构即可进行任务增量学习的物件检测方法，不但泛用于各种单级物件检测模型，而且可有效避免灾难性遗忘的问题。
2、本专利技术实施例提供一种物件检测方法，包括：探测一环境信号；根据该环境信号决定一任务模式；提取一输入影像；通过一神经网络模型的一子模型根据该任务模式对该输入影像进行特征提取，其中该神经网络模型的该子模型包括对应于该任务模式的一任务特定层，该任务特定层的闸道开关决定该神经网络模型的该子模型；以及输出对应于该任务模式的物件检测结果。
3、本专利技术实施例提供一种机器学习方法，包括：接收一环境信号，其中该环境信号指示一任务模式；接收关联于该任务模式的一训练资料，其中该训练资料包括一训练影像、对应于该训练影像的类别标签以及对应于该训练影像的边界框标签；根据该任务模式设置设置一神经网络模型的一任务特定层，其中该任务特定层的闸道开关决定该神经网络模型的一子模型；根据该类别标签、该边界框标签以及该任务特定层的该闸道开关决定一损失函数；根据该损失函数决定一反向传播梯度；以及根据该反向传播梯度更新该神经网络模型以及该任务特定层的该闸道开关。
4、本专利技术实施例提供一种电子装置，包括：储存介质，储存多个模组；以及处理器，耦接该储存介质，该处理器经配置以执行所述多个模组，其中所述多个模组包括：环境感知模组，探测一环境信号；影像提取模组，提取一输入影像；推论模组，根据该环境信号决定一任务模式，通过一神经网络模型的一子模型根据该任务模式对该输入影像进行特征提取，其中该神经网络模型的该子模型包括对应于该任务模式的一任务特定层，该任务特定层的闸道开关决定该神经网络模型的该子模型，且输出对应于该任务模式的物件检测结果。
5、基于上述，本专利技术实施例提出基于物件检测的任务增量学习技术架构，可通过任务特定层将一个神经网络模型对应不同的任务模式的重要卷积神经参数而决定不同的子模型，并允许从一个神经网络模型结合已学习任务的闸道开关根据损失函数自动决定是否再利用对其它旧任务重要的神经网络参数，并利用此参数来帮助新任务的优化，使神经网络模型达到更佳的可重复利用率。因此，单级物件检测模型可同时在分类与物体定位上都有效地避免灾难性遗忘。
本文档来自技高网...【技术保护点】
1.一种物件检测方法，其特征在于，包括：
2.根据权利要求1所述的物件检测方法，其特征在于，该神经网络模型包括一特征提取网络，其中通过该神经网络模型的该子模型对该输入影像进行特征提取的步骤包括：
3.根据权利要求2所述的物件检测方法，其特征在于，该任务特定层的该闸道开关包括该特征提取网络的一批次标准化层的多个缩放因子，且所述多个缩放因子关联于该特征提取网络的一卷积层的多个卷积核，其中将该输入影像通过该特征提取网络而得到该输入特征图的步骤包括：
4.根据权利要求2所述的物件检测方法，其特征在于，该特征提取网络包括一骨干网络以及一颈部网络，其中将该输入影像通过该特征提取网络而得到该输入特征图的步骤包括：
5.根据权利要求4所述的物件检测方法，其特征在于，该任务特定层的该闸道开关包括该骨干网络的一第一批次标准化层的多个第一缩放因子以及该颈部网络的一第二批次标准化层的多个第二缩放因子，其中所述多个第一缩放因子关联于该骨干网络的一第一卷积层的多个第一卷积核，其中所述多个第二缩放因子关联于该颈部网络的一第二卷积层的多个第二卷积核，其中将该输入影
6.根据权利要求2所述的物件检测方法，其特征在于，该神经网络模型更包括一头部网络，其中输出对应于该任务模式的该物件检测结果的步骤包括：
7.根据权利要求6所述的物件检测方法，其特征在于，该头部网络包括一第三批次标准化层以及多个输出层，其中该任务特定层的该闸道开关包括该第三批次标准化层的多个第三缩放因子，其中所述多个第三缩放因子关联于该头部网络的一第三卷积层的多个第三卷积核，其中将该输入特征图通过该头部网络而得到该输入影像的该预测类别以及该输入影像的该边界框的步骤包括：
8.根据权利要求1所述的物件检测方法，其特征在于，该神经网络模型是YOLOR模型。
9.根据权利要求1所述的物件检测方法，其特征在于，更包括：
10.根据权利要求9所述的物件检测方法，其特征在于，该损失函数包括：
11.根据权利要求10所述的物件检测方法，其特征在于，该任务特定层的该闸道开关包括该神经网络模型的一批次标准化层的多个缩放因子，且所述多个缩放因子关联于该神经网络模型的一卷积层的多个卷积核，其中该逐层稀疏化正则项由以下公式计算：
12.根据权利要求9所述的物件检测方法，其特征在于，根据该反向传播梯度更新该神经网络模型以及该任务特定层的该闸道开关的步骤包括：
13.根据权利要求9所述的物件检测方法，其特征在于，更包括：
14.一种机器学习方法，其特征在于，包括：
15.根据权利要求14所述的机器学习方法，其特征在于，该损失函数包括：
16.根据权利要求15所述的机器学习方法，其特征在于，该任务特定层的该闸道开关包括该神经网络模型的一批次标准化层的多个缩放因子，且所述多个缩放因子关联于该神经网络模型的一卷积层的多个卷积核，其中该逐层稀疏化正则项由以下公式计算：
17.根据权利要求14所述的机器学习方法，其特征在于，根据该反向传播梯度更新该神经网络模型以及该任务特定层的该闸道开关的步骤包括：
18.根据权利要求14所述的机器学习方法，其特征在于，更包括：
19.根据权利要求14所述的机器学习方法，其特征在于，该神经网络模型是YOLOR模型。
20.一种电子装置，其特征在于，包括：
...【技术特征摘要】
1.一种物件检测方法，其特征在于，包括：
2.根据权利要求1所述的物件检测方法，其特征在于，该神经网络模型包括一特征提取网络，其中通过该神经网络模型的该子模型对该输入影像进行特征提取的步骤包括：
3.根据权利要求2所述的物件检测方法，其特征在于，该任务特定层的该闸道开关包括该特征提取网络的一批次标准化层的多个缩放因子，且所述多个缩放因子关联于该特征提取网络的一卷积层的多个卷积核，其中将该输入影像通过该特征提取网络而得到该输入特征图的步骤包括：
4.根据权利要求2所述的物件检测方法，其特征在于，该特征提取网络包括一骨干网络以及一颈部网络，其中将该输入影像通过该特征提取网络而得到该输入特征图的步骤包括：
5.根据权利要求4所述的物件检测方法，其特征在于，该任务特定层的该闸道开关包括该骨干网络的一第一批次标准化层的多个第一缩放因子以及该颈部网络的一第二批次标准化层的多个第二缩放因子，其中所述多个第一缩放因子关联于该骨干网络的一第一卷积层的多个第一卷积核，其中所述多个第二缩放因子关联于该颈部网络的一第二卷积层的多个第二卷积核，其中将该输入影像通过该特征提取网络而得到该输入特征图的步骤包括：
6.根据权利要求2所述的物件检测方法，其特征在于，该神经网络模型更包括一头部网络，其中输出对应于该任务模式的该物件检测结果的步骤包括：
7.根据权利要求6所述的物件检测方法，其特征在于，该头部网络包括一第三批次标准化层以及多个输出层，其中该任务特定层的该闸道开关包括该第三批次标准化层的多个第三缩放因子，其中所述多个第三缩放因子关联于该头部网络的一第三卷积层的多个第三卷积核，其中将该输入特征图通过该头部网络而得到该输入影像的该预测...
【专利技术属性】
技术研发人员：郭峻因，刘城甫，
申请(专利权)人：纬创资通股份有限公司，
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。