申请/专利权人：鹏城实验室

申请日：2024-03-11

公开（公告）日：2024-04-16

公开（公告）号：CN117893766A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/25;G06V10/82;G06V10/80;G06N3/045;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本申请实施例提供了物体检测分割方案，通过在训练物体检测分割模型的反向过程中，为预训练权重矩阵添加低秩矩阵作为训练参数，在维持特征提取网络深层的网络层组的预训练权重矩阵不变的情况下，先更新浅层的网络层组的低秩矩阵并维持浅层的网络层组的预训练权重矩阵不变，随后逐步增加网络层组，并在每次增加网络层组后重复更新低秩矩阵的过程，本申请通过层级解耦使得特征提取网络的学习率在不同适应阶段发生变化，避免了网络梯度从深层传播到浅层；利用层级结构逐步自适应预训练作为骨干的特征提取网络，能够更好地实现多级视觉表征的细粒度区域特征的感知，有利于在检测和分割任务上达到更加精准的性能。

主权项：1.一种物体检测分割模型的训练方法，其特征在于，包括：获取训练图像数据，将所述训练图像数据输入至所述物体检测分割模型；通过所述物体检测分割模型的特征提取网络根据所述训练图像数据进行特征提取，得到视觉特征；根据所述视觉特征进行物体检测分割处理得到预测检测结果；根据所述预测检测结果调整所述物体检测分割模型的参数，得到训练后的物体检测分割模型；其中，所述根据所述预测检测结果调整所述物体检测分割模型的参数，包括：将所述特征提取网络的多个网络层分成多个网络层组并使所述网络层组包括至少一个网络层；获取所述网络层的预训练权重矩阵；为所述预训练权重矩阵添加低秩矩阵；在维持所述预训练权重矩阵不变的情况下，根据所述预测检测结果从浅层的网络层组向深层的网路层组逐渐更新所述低秩矩阵，以调整所述特征提取网络的参数。

全文数据：

权利要求：

百度查询： 鹏城实验室 物体检测分割方案

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD