(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210755570.6 (22)申请日 2022.06.30 (71)申请人 锋睿领创 （珠海） 科技有限公司 地址 519000 广东省珠海市横琴新区环岛 东路1889号创意谷18栋110室-534 （集 中办公区） (72)发明人 何良雨　崔健　刘彤　 (74)专利代理 机构 深圳众鼎专利商标代理事务 所(普通合伙) 44325 专利代理师 张小燕 (51)Int.Cl. G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 小样本迁移学习训练、 目标检测方法、 装置、 设备和介质 (57)摘要 本发明提供一种小样 本迁移学习训练、 目标 检测方法、 装置、 设备和介质， 其中训练方法包 括： 获取训练数据集和检测 网络模型； 采用所述 训练数据集对检测网络模型进行训练， 在训练过 程中： 获取辅助类别损失平衡系数、 辅助置信度 损失平衡系数和辅助坐标误差平衡系数； 辅助类 别损失平衡系数、 辅助置信 度损失平衡系数和辅 助坐标误差平衡系数得到坐标误差值、 置信度误 差值和分类误差值， 得到焦点损失函数； 根据焦 点损失函数对所述检测网络模型进行样本迁移 学习， 优化检测 网络模型的参数， 得到预训练检 测网络模型。 本发明所提供的技术方案， 能够在 采用小样 本数据对检测网络模型进行训练时， 提 高所得到的预训练检测模型的准确度。 权利要求书2页 说明书13页 附图6页 CN 115239946 A 2022.10.25 CN 115239946 A 1.一种小样本 迁移学习训练方法， 其特 征在于， 包括： 获取训练数据集和检测网络模型； 采用所述训练数据集对所述检测网络模型进行训练， 在训练过程中： 获取辅助类别损失平衡系数、 辅助置信度损失平衡系数和辅助坐标误差平衡系数； 根据单元的中心坐标误差、 边界框误差和所述 误差平衡系数 得到坐标误差值； 根据预测框是否存在检测目标和所述辅助置信度损失平衡系数 得到置信度误差值； 根据目标真实类别概 率值、 目标质量和所述辅助分类损失平衡系数 得到分类误差值； 根据所述 坐标误差值、 置信度误差值和分类误差值得到焦点损失函数值； 根据所述焦点损失函数值对所述检测网络模型进行样本迁移学习， 优化所述检测网络 模型的参数， 得到预训练检测网络模型。 2.根据权利要求1所述的小样本迁移学习训练方法， 其特征在于， 所述根据所述焦点损 失函数对所述检测网络模型进行样本 迁移学习包括： 根据所述焦点损 失函数， 在所述检测网络模型的各卷积层之间增加多次的梯度下降， 优化所述检测网络模型内部的网络 权重； 根据所述检测网络模型中各网络权重计算各梯度损失的平均值， 并根据 所述焦点损失 函数， 对所述检测网络模型进行梯度下降处 理。 3.一种小样本 迁移学习目标检测方法， 其特 征在于， 包括： 获取检测图像； 将所述检测图像输入通过权利要求1或2所述的小样本迁移学习训练方法得到的预训 练检测网络模型； 所述预训练检测网络模型根据所述检测图像得到目标检测结果。 4.根据权利要求3所述的小样本迁移学习目标检测方法， 其特征在于， 所述预训练检测 网络模型具有多个卷积层， 相邻卷积层之间设置有相 应的非对称自适应特征增强层， 其中 第设定个卷积层输出低阶特 征图， 最后一个卷积层输出高阶特 征图； 所述预训练检测网络模型根据所述检测图像得到目标检测结果包括： 所述预训练检测网络模型中的卷积层对所述检测图像进行特征提取， 所述非对称自适 应特征增强层 对上一卷积层所提取的特征进 行自适应特征增强处理， 并将特征增强处理结 果输入下一卷积层； 所述预训练检测网络模型将所述低阶特征图和高阶特征图融合， 得到融合特征图像， 并对所述融合特 征图像进行识别， 得到目标检测结果。 5.根据权利要求4所述的小样本迁移学习目标检测方法， 其特征在于， 所述非对称自适 应特征增强层对上一卷积层所提取的特 征进行自适应特 征增强处 理， 包括： 对所述上一卷积层所提取的特 征进行非对称的多尺度特 征提取， 得到多尺度特 征； 对所述多尺度特 征进行通道特 征增强处 理， 得到增强多尺度特 征； 对所述增强多尺度特 征进行特征融合， 得到所述特 征增强处 理结果。 6.根据权利要求5所述的小样本迁移学习目标检测方法， 其特征在于， 所述对所述多尺 度特征进行通道特 征增强处 理， 得到增强多尺度特 征， 包括： 对所述多尺度特 征进行全局平均池化处 理， 得到各通道上的全局平均池化数值； 对所述各通道上的平均池化数值进行特征值激励处理， 得到各通上特征图的池化值所权　利　要　求　书 1/2 页 2 CN 115239946 A 2赋予的权 重值； 根据所述权 重值对所述多尺度特 征进行校准， 得到所述增强多尺度特 征。 7.一种小样本 迁移学习训练装置， 其特 征在于， 包括： 数据获取模块， 用于获取训练数据集和检测网络模型； 模型训练模块， 用于采用所述训练数据集对所述检测网络模型进行训练， 所述模型训 练模块包括： 辅助损失系数获取单元， 用于获取辅助类别损 失平衡系数、 辅助置信度损 失平衡系数 和辅助坐标误差平衡系数； 坐标误差值获取单元， 用于根据单元的中心坐标误差、 边界框误差和所述误差平衡系 数得到坐标误差值； 置信度误差值获取单元， 用于根据 预测框是否存在检测目标和所述辅助置信度损失平 衡系数得到置信度误差值； 分类误差值获取单元， 用于根据目标真实类别概率值、 目标质量和所述辅助分类损 失 平衡系数 得到分类误差值； 焦点损失函数获取单元， 用于根据所述坐标误差值、 置信度误差值和分类误差值， 得到 焦点损失函数值； 迁移学习训练单元， 用于根据所述焦点损失函数值对检测网络模型进行样本迁移学 习， 优化所述检测网络模型的参数， 得到预训练检测网络模型。 8.一种小样本 迁移学习目标检测装置， 其特 征在于， 包括： 检测图像获取模块， 用于获取检测图像； 检测结果获取模块， 用于将所述检测图像输入通过权利要求1或2所述的小样本迁移学 习训练方法得到的预训练检测网络模型； 所述预训练检测网络模型根据所述检测图像得到 目标检测结果。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器 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 1‑2 任意一项所述的小样本迁移学习训练方法， 或者如权利要求3 ‑6任意一项所述的小样本迁 移学习目标检测方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 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 ‑2任意一项所述的小样本迁移学习 训练方法， 或者如权利要求3 ‑6任意一项所述的小样本 迁移学习目标检测方法。权　利　要　求　书 2/2 页 3 CN 115239946 A 3