(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 202210518146.X (22)申请日 2022.05.12 (71)申请人 北京大学 地址 100871 北京市海淀区颐和园路5号 (72)发明人 陈梓帆　董和鑫　于飞　赵杰　 袁铭泽　张立　董彬　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 张文玄 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/778(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) (54)发明名称 基于增量学习的轻量化物体检测方法和装 置 (57)摘要 本发明提供一种基于增量学习的轻量化物 体检测方法和装置， 所述基于增量学习的轻量化 物体检测方法， 包括： 获取待测图像和目标特征 类别图像； 将待测图像输入至检测模块， 获取由 检测模块输出的多个子特征图像； 将多个子特征 图像输入至分类模块， 获取由分类模块输出子特 征图像对应的特征表达， 以及 多个子特征图像中 第一目标子特征图像对应的类别； 基于多个子特 征图像中第二目标子特征图像对应的特征表达 和目标特征类别图像间的相似度， 确定第二目标 子特征图像对应的类别。 本发明的基于增量学习 的轻量化物体检测方法， 在无需重复训练的前提 下， 即可完成对新类别的识别， 显著提高模型的 泛化能力和扩展性， 适用于涉及不断变化的信息 流的情景。 权利要求书2页 说明书11页 附图5页 CN 115170858 A 2022.10.11 CN 115170858 A 1.一种基于增量学习的轻量 化物体检测方法， 其特 征在于， 包括： 获取待测图像和目标特征类别图像， 所述目标特征类别图像为所述待测图像中未训练 的特征类别所对应的图像； 将所述待测图像输入至检测模块， 获取由所述检测模块输出的多个子特 征图像； 将所述多个子特征图像输入至分类模块， 获取由所述分类模块输出的所述子特征图像 对应的特征表达， 以及所述多个子特征图像中第一 目标子特征图像对应的类别； 所述第一 目标子特 征图像对应的类别为已训练的特 征类别； 基于所述多个子特征图像中第二目标子特征图像对应的特征表达和所述目标特征类 别图像间的相似度， 确定所述第二 目标子特征图像对应的类别； 所述第二 目标子特征图像 对应的类别为未训练的特 征类别； 其中， 所述检测模块的输出端与所述分类模块的输入端连接， 所述检测模块是根据带 有样本子特征图像标签的样本图像训练后获得的， 所述分类模块是根据带有样本类别标签 的样本子特征图像训练后获得的。 2.根据权利要求1所述的基于增量学习的轻量化物体检测方法， 其特征在于， 所述基于 所述多个子特征图像中第二目标子特征图像对应的特征表达和所述目标特征类别图像间 的相似度， 确定所述第二目标子特 征图像对应的类别， 包括： 对所述目标特征类别图像进行数据增强处理， 生成映射特征空间内N个映射特征的平 均映射特 征； 其中， N 为正整数； 生成所述第二目标子特 征图像对应的特 征表达和所述平均映射特 征之间的相似度； 在所述相似度超过目标阈值的情况下， 将所述第 二目标特征图像的类别确定为所述目 标特征类别。 3.根据权利要求1所述的基于增量学习的轻量化物体检测方法， 其特征在于， 所述检测 模块包括第一骨干网络， 所述分类模块包括第二骨干网络， 所述第一骨干网络和所述第二 骨干网络结构相同， 且 共享权重。 4.根据权利要求3所述的基于增量学习的轻量化物体检测方法， 其特征在于， 所述第 一 骨干网络和所述第二骨干网络包括GhostNet模块。 5.根据权利要求1 ‑4任一项所述的基于增量学习的轻量化物体检测方法， 其特征在于， 在所述获取待测图像和目标 特征类别图像之前， 所述方法包括： 获取多个样本图像和每 个所述样本图像对应的样本 子特征图像标签； 将每个所述样本图像和所述样本图像对应的样本子特征图像标签作为一个第一训练 样本， 获得多个第一训练样本， 利用所述多个第一训练样本对所述检测模块进行训练。 6.根据权利要求1 ‑4任一项所述的基于增量学习的轻量化物体检测方法， 其特征在于， 在所述获取待测图像和目标 特征类别图像之前， 所述方法包括： 获取多个样本 子特征图像和每 个所述样本 子特征图像对应的类别标签； 将每个所述样本子特征图像和所述样本子特征图像对应的类别标签作为一个第二训 练样本， 获得多个第二训练样本， 利用所述多个第二训练样本对所述分类模块进行训练。 7.一种基于增量学习的轻量 化物体检测装置， 其特 征在于， 包括： 第一处理模块， 用于获取待测图像和目标特征类别图像， 所述目标特征类别图像为所 述待测图像中未训练的特 征类别所对应的图像；权　利　要　求　书 1/2 页 2 CN 115170858 A 2第二处理模块， 用于将所述待测图像输入至检测模块， 获取由所述检测模块输出的多 个子特征图像； 第三处理模块， 用于将所述多个子特征图像输入至分类模块， 获取由所述分类模块输 出的所述子特征图像对应的特征表达， 以及所述多个子特征图像中第一目标子特征图像对 应的类别； 所述第一目标子特 征图像对应的类别为已训练的特 征类别； 第四处理模块， 用于基于所述多个子特征图像中第 二目标子特征图像对应的特征表达 和所述目标特征类别图像间的相似度， 确定所述第二 目标子特征图像对应的类别； 所述第 二目标子特 征图像对应的类别为未训练的特 征类别； 其中， 所述检测模块的输出端与所述分类模块的输入端连接， 所述检测模块是根据带 有样本子特征图像标签的样本图像训练后获得的， 所述分类模块是根据带有样本类别标签 的样本子特征图像训练后获得的。 8.一种电子设备， 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程序时实现如权利要求1至6任一项所 述基于增量学习的轻量 化物体检测方法。 9.一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6任一项所述基于增量学习的轻量化物体检测方 法。 10.一种计算机程序产品， 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 6任一项所述基于增量学习的轻量 化物体检测方法。权　利　要　求　书 2/2 页 3 CN 115170858 A 3