【技术实现步骤摘要】
本专利技术涉及深度学习 ，尤其涉及一种基于集成模型的目标检测方法及装置。
技术介绍
1、目前，目标检测技术已广泛应用于人脸识别、自动驾驶等多个领域。但这些技术容易受到对抗攻击的影响，其中攻击者可能会通过在物理对象上附加对抗性补丁来欺骗检测系统。这些漏洞使得人们对关键应用的可靠性和安全性产生了高度关注。
2、相关
中，在目标检测领域可攻击的漏洞存在多种，现有的目标检测模型的对抗鲁棒性低，无法有效抵抗对抗性集成攻击；而且在对抗性训练过程中，平衡模型鲁棒性与泛化性尤为困难，导致模型性能不稳定，进一步降低目标检测的准确率。
技术实现思路
1、针对现有技术存在的问题，本专利技术实施例提供一种基于集成模型的目标检测方法及装置。
2、第一方面，本专利技术提供一种基于集成模型的目标检测方法，包括：
3、将待检测图像输入至差异化的集成模型进行检测，得到多个检测结果；其中，所述差异化的集成模型以集成损失为训练损失函数对多个子模型进行并行训练得到；所述集成损失基于每个子模型对应的目标检测损失和所述多个子模型损失函数之间的梯度夹角余弦值确定；所述目标检测损失包括定位损失和分类损失中的至少一项；
4、对所述多个检测结果进行裁决，得到裁决结果。
5、可选地，所述检测损失基于定位损失和分类损失确定；
6、所述集成损失通过如下步骤获取：
7、对所述多个子模型进行并行训练，针对每个子模型，根据所述子模型的输入和输出计算出所述子
8、根据所述目标检测损失关于输入的梯度，得到所述多个子模型之间的梯度夹角的余弦损失；
9、将所述余弦损失和所述每个子模型的目标检测损失进行加权计算，得到所述集成损失。
10、可选地，所述根据所述目标检测损失关于所述输入的梯度，得到所述多个子模型之间的梯度夹角的余弦损失包括：
11、；
12、其中，为所述余弦损失，为第 i个子模型的目标检测损失关于输入 x的梯度，为第 j个子模型的目标检测损失关于输入 x的梯度； n为子模型的数量。
13、可选地，差异化的集成模型通过应用集成损失函数，对所述多个子模型进行反向传播训练得到。
14、可选地，所述多个子模型采用完全相同的架构，所述多个子模型的输入相同。
15、可选地，所述对所述多个检测结果进行裁决，得到裁决结果包括：
16、在所述多个检测结果中的第一检测框被第一数量的子模型检测到的情况下，从所述多个检测结果中删除所述第一检测框在所述多个检测结果中的第二检测框被第二数量的子模型检测到的情况下，将所述第二数量的子模型各自检测到的第二检测框进行融合，得到多个筛选后的检测结果；其中，所述第一数量不超过子模型数量的一半，所述第二数量大于所述第一数量；
17、对所述多个筛选后的检测结果进行合并，得到所述裁决结果。
18、可选地，不同的检测结果对应不同的二维矩阵，所述第一检测框属于第一二维矩阵的子向量，所述第二检测框属于第二二维矩阵的子向量；
19、所述从所述多个检测结果中删除所述第一检测框包括：
20、将所述第一二维矩阵中的第一检测框归零。
21、可选地，所述多个检测结果中存在重叠的检测框，所述将所述第二数量的子模型各自检测到的第二检测框进行融合，得到多个筛选后的检测结果包括：
22、通过以下任一项获取筛选后的检测结果：
23、若所述多个检测结果中存在重叠的检测框，任意两个重叠检测框分别记为 b 1和 b 2；采用下式对 b 1和 b 2进行融合，得到新的检测结果：
24、；
25、其中，为所述新的检测结果，为 b 1的面积，为 b 2的面积；
26、或者，不同的检测结果对应不同的二维矩阵，所述第一检测框属于第一二维矩阵的子向量，所述第二检测框属于第二二维矩阵的子向量；从所述多个检测结果中保留第二数量的第二检测框中的任意一个，并将所述任意一个第二检测框以外的其他第二检测框归零，得到所述多个筛选后的检测结果。
27、第二方面，本专利技术还提供一种基于集成模型的目标检测装置，包括：
28、集成检测模块，用于将待识别图像输入至差异化的集成模型进行检测，得到多个检测结果；其中，所述差异化的集成模型以集成损失为训练损失函数对多个子模型进行反向传播训练得到；所述集成损失基于每个子模型对应的目标检测损失和所述多个子模型损失函数之间的梯度夹角余弦值确定；所述目标检测损失包括定位损失和分类损失中的至少一项；
29、裁决模块，用于对所述多个检测结果进行裁决，得到裁决结果。
30、第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于集成模型的目标检测方法。
31、第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于集成模型的目标检测方法。
32、第五方面，本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于集成模型的目标检测方法。
33、本专利技术提供的基于集成模型的目标检测装置，通过差异化的集成模型对输入图像进行检测，得到多个检测结果，并对多个检测结果进行裁决，得到裁决结果，相比于单模型，提升了整个模型的检测性能；由于差异化的集成模型是以集成损失为训练损失函数对多个子模型进行反向传播训练得到，而集成损失基于每个子模型对应的目标检测损失和多个子模型之间的梯度夹角的余弦损失确定，差异化的集成模型能够在面对集成攻击时表现出好的鲁棒性，进而提高了目标检测结果准确率。
本文档来自技高网...【技术保护点】
1.一种基于集成模型的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于集成模型的目标检测方法，其特征在于，所述检测损失基于定位损失和分类损失确定；
3.根据权利要求2所述的基于集成模型的目标检测方法，其特征在于，所述根据所述目标检测损失关于所述输入的梯度，得到所述多个子模型之间的梯度夹角的余弦损失包括：
4.根据权利要求1和2任一项所述的基于集成模型的目标检测方法，其特征在于，差异化的集成模型通过应用集成损失函数，对所述多个子模型进行反向传播训练得到。
5.根据权利要求1至3任一项所述的基于集成模型的目标检测方法，其特征在于，所述多个子模型采用完全相同的架构，所述多个子模型的输入相同。
6.根据权利要求1所述的基于集成模型的目标检测方法，其特征在于，所述对所述多个检测结果进行裁决，得到裁决结果包括：
7.根据权利要求6所述的基于集成模型的目标检测方法，其特征在于，不同的检测结果对应不同的二维矩阵，所述第一检测框属于第一二维矩阵的子向量，所述第二检测框属于第二二维矩阵的子向量；
8.根
9.一种基于集成模型的目标检测装置，其特征在于，包括：
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述基于集成模型的目标检测方法。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述基于集成模型的目标检测方法。
12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述基于集成模型的目标检测方法。
...【技术特征摘要】
1.一种基于集成模型的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于集成模型的目标检测方法，其特征在于，所述检测损失基于定位损失和分类损失确定；
3.根据权利要求2所述的基于集成模型的目标检测方法，其特征在于，所述根据所述目标检测损失关于所述输入的梯度，得到所述多个子模型之间的梯度夹角的余弦损失包括：
4.根据权利要求1和2任一项所述的基于集成模型的目标检测方法，其特征在于，差异化的集成模型通过应用集成损失函数，对所述多个子模型进行反向传播训练得到。
5.根据权利要求1至3任一项所述的基于集成模型的目标检测方法，其特征在于，所述多个子模型采用完全相同的架构，所述多个子模型的输入相同。
6.根据权利要求1所述的基于集成模型的目标检测方法，其特征在于，所述对所述多个检测结果进行裁决，得到裁决结果包括：
7.根据权利要求6所述的基于集成模型的目标检测方法，其特征在于，不同的检测...
【专利技术属性】
技术研发人员：杜加玉，彭自文，黄炜，陈曦，孔祥龙，苗馨远，张帆，
申请(专利权)人：紫金山实验室，
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。