(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211064180.0 (22)申请日 2022.09.01 (65)同一申请的已公布的文献号 申请公布号 CN 115131590 A (43)申请公布日 2022.09.30 (73)专利权人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 付建海　俞元杰　吴立　颜成钢　 李亮　殷海兵　熊剑平　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 严翠霞 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 20/70(2022.01) G06V 10/40(2022.01) (56)对比文件 CN 114663707 A,202 2.06.24 CN 113052184 A,2021.0 6.29 CN 114693983 A,202 2.07.01 US 20201676 01 A1,2020.0 5.28 US 2022138495 A1,202 2.05.05 US 2018210896 A1,2018.07.26 乌民雨等.一种基 于改进YOLO v3的安全帽 检测方法. 《信息通信》 .2020,(第0 6期), 姚明海等.基 于主动学习的半监 督领域自适 应方法研究. 《高技 术通讯》 .2020,(第08 期), JIAO JIAO 等.A Densely Co nnected End- to-End Neural Netw ork for Multiscale and Multiscene SAR Ship Detecti on. 《IEEE》 .2018,第1-12页. 审查员 张帅 (54)发明名称 目标检测模 型的训练方法、 目标检测方法及 相关设备 (57)摘要 本申请公开了目标检测模型的训练方法、 目 标检测方法及相关设备， 该方法包括： 将训练图 像输入目标检测模型的主干网络进行特征提取， 得到至少一个局部特征图； 对所有局部特征图进 行聚类， 得到至少一个聚类集合， 筛选出各个聚 类集合中的重点特征图； 基于各个局部特征图之 间的特征差异， 对局部特征图进行调整， 得到各 个局部特征图对应的深度特征图； 将所有深度特 征图和重点特征图输入目标检测模型的检索网 络进行目标分类， 得到训练目标对应的目标分类 结果； 其中， 重点特征图包括对目标分类结果影 响超过损失阈值的局部特征图； 基于目标分类结 果调整目标检测模型的参数， 获得训练后的目标 检测模型。 上述方案， 能够降低训练难度并提高目标检测的准确率。 权利要求书3页 说明书11页 附图4页 CN 115131590 B 2022.12.06 CN 115131590 B 1.一种目标检测模型的训练方法， 其特 征在于， 所述方法包括： 将训练图像输入所述目标检测模型的主干网络进行特征提取， 得到至少一个局部特征 图； 其中， 所述训练图像中的部 分训练目标已标注， 所述局部特征图包括所述训练图像中至 少部分区域的特 征信息； 对所有所述局部特征图进行聚类， 得到至少一个聚类集合， 筛选出各个所述聚类集合 中的重点特 征图； 基于各个所述局部特征图之间的特征差异， 对所述局部特征图进行调整， 得到各个所 述局部特 征图对应的深度特 征图； 其中， 对所述局部特 征图进行调整的方式为 域对齐； 将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检索网络进行目 标分类， 得到所述训练目标对应的目标分类结果； 其中， 所述重点特征图包括对 所述目标分 类结果影响超过损失阈值的局部特 征图； 基于所述目标分类结果调整所述目标检测模型的参数， 直至满足预设收敛条件， 获得 训练后的所述目标检测模型。 2.根据权利要求1所述的目标检测模型的训练方法， 其特征在于， 输入至所述主干网络 的所述训练图像对应有源域和目标域， 其中， 从所述源域获得的所述训练图像中包括已标 注有标识框和分类信息的训练目标， 从所述目标域获得的所述训练图像中的训练目标均未 标注。 3.根据权利要求2所述的目标检测模型的训练方法， 其特征在于， 所述对所有所述局部 特征图进行聚类， 得到至少一个聚类集合， 筛选出各个所述聚类集合中的重点特征图， 包 括： 基于所有所述局部特征图的特征， 对所有所述局部特征图进行聚类， 得到至少一个聚 类集合； 其中， 每 个所述聚类集 合中包括至少一个所述局部特 征图； 利用挖掘算法筛选出各个所述聚类集合中的重点特征图； 其中， 从所述源域和所述目 标域获得的训练目标对应的重点特 征图都对应有边界框 。 4.根据权利要求3所述的目标检测模型的训练方法， 其特征在于， 所述目标检测模型还 包括检测网络， 所述将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检 索网络进行目标分类， 得到所述训练目标对应的目标分类结果之前， 还 包括： 将所有所述局部特征图输入所述检测网络进行目标识别， 得到所述训练目标对应的图 像检测结果； 其中， 所述图像 检测结果包括至少一个 检测特征图； 在所述检测特征图上提取感兴趣区域， 得到特征提取图， 将所述特征提取图与所述深 度特征图融合， 得到目标深度特 征图； 所述将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检索网络进 行目标分类， 得到所述训练目标对应的目标分类结果， 包括： 将所有所述目标深度 特征图和所述重点特征图输入所述检索网络进行目标分类， 得到 所述训练目标对应的目标分类结果。 5.根据权利要求4所述的目标检测模型的训练方法， 其特征在于， 所述将所有所述深度 特征图和所述重点特征图输入所述目标检测模 型的检索网络进行目标分类， 得到所述训练 目标对应的目标分类结果之后还 包括： 基于所述目标分类结果相对已标注的所述分类信 息之间的偏差， 所述图像检测结果相权　利　要　求　书 1/3 页 2 CN 115131590 B 2对所述标识框和所述 边界框之间的偏差， 确定所述目标分类结果对应的损失值； 所述基于所述目标分类结果调整所述目标检测模型的参数， 直至满足预设收敛条件， 获得训练后的所述目标检测模型， 包括： 基于所述目标分类结果对应的损失值调 整所述目标检测模型的参数， 直至满足预设 收 敛条件， 获得训练后的所述目标检测模型。 6.根据权利要求5所述的目标检测模型的训练方法， 其特征在于， 所述基于所述目标分 类结果对应的损失值调整所述目标检测模型的参数， 包括： 利用随机梯度 下降优化算法， 基于所述目标分类结果对应的损失值调整所述目标检测 模型的参数。 7.根据权利要求2所述的目标检测模型的训练方法， 其特征在于， 所述目标检测模型还 包括域对齐模块， 所述基于各个所述局部特征图之间的特征差异， 对所述局部特征图进行 调整， 得到各个所述局部特 征图对应的深度特 征图， 包括： 将所有所述局部特征图输入所述域对齐模块， 基于各个所述局部特征图之间的特征差 异， 对已标注的所述训练目标和未标注的所述训练目标各自对应的局部特征图进行调整， 得到各个所述局部特 征图各自对应的深度特 征图； 其中， 从所述源域获得的已标注的所述训练目标对应的深度特征图， 以及从所述目标 域获得的未 标注的所述训练目标对应的深度特 征图之间的特 征差异小于 差异阈值。 8.根据权利要求1所述的目标检测模型的训练方法， 其特征在于， 所述将训练图像输入 所述目标检测模型的主干网络进行 特征提取， 得到 至少一个局部特 征图， 包括： 将所述训练图像输入所述主干网络提取不同尺度的特征信 息， 得到不同尺度的多个初 始特征图； 对多个所述初始特 征图进行 特征融合， 得到融合特 征图； 在所述融合特 征图上提取检测区域， 得到 至少一个所述局部特 征图。 9.根据权利要求8所述的目标检测模型的训练方法， 其特征在于， 所述目标检测模型还 包括推荐模块， 所述在所述融合特征图上提取检测区域， 得到至少一个所述局部特征图， 包 括： 将所述融合特征图输入所述推荐模块， 获得所述融合特征图中多个子区域存在所述训 练目标的概 率值； 提取所述概率值超过概率阈值的至少一个子区域， 确定各个所述子区域对应的检测 框； 对各个所述检测框 内的特征信 息进行插值运算， 将插值后的各个所述检测框 内的特征 信息作为所述训练目标对应的所述局部特 征图。 10.根据权利要求1所述的目标检测模型的训练方法， 其特征在于， 所述基于所述目标 分类结果调整所述 目标检测模型 的参数， 直至满足预设收敛条件， 获得训练后的所述 目标 检测模型之后， 还 包括： 将训练后的所述目标检测模型的格式转换为开放式文件格式， 将所述开放式文件格式 的所述目标检测模型存 储于开放式生态系统中。 11.一种目标检测方法， 其特 征在于， 所述方法包括： 将待识别图像输入目标检测模型的主干网络进行特征提取， 得到至少一个局部特征权　利　要　求　书 2/3 页 3 CN 115131590 B 3