CN113614748B 用于对象检测的增量学习的系统和方法 （国际商业机器公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113614748B(45)授权公告日2025.07.15

(21)申请号202080022272.5

(22)申请日2020.03.13

(65)同一申请的已公布的文献号申请公布号CN113614748A

(43)申请公布日2021.11.05

(30)优先权数据

16/360,5632019.03.21US

(85)PCT国际申请进入国家阶段日2021.09.17

(86)PCT国际申请的申请数据

PCT/IB2020/0523012020.03.13

(87)PCT国际申请的公布数据

WO2020/188436EN2020.09.24

(73)专利权人国际商业机器公司地址美国纽约阿芒克

(72)发明人周旺常十雨N·E·索萨E·A·西斯伯特

(74)专利代理机构北京市金杜律师事务所

11256

专利代理师姚杰

(51)Int.CI.

GO6V10/764(2022.01)

GO6V10/82(2022.01)

GO6V10/74(2022.01)

GO6N3/096(2023.01)

(56)对比文件

CN107256423A,2017.10.17

CN109299657A,2019.02.01

审查员刘长勇

权利要求书5页说明书10页附图10页

(54)发明名称

用于对象检测的增量学习的系统和方法

200开始

200

开始

210

接收训练图像，该训练图像包括属于对于两级神经网络对象检测器的初始版本未知的对象类别的对象，该两级神经网络对象检测器能够检测属于至少一个先前学习的对象类别的对象

220

使用一个接一个训练图像来训练两级神经

网络对象检测器以检测最初未知的对象类别的

对象，直到满足预定条件

停止

CN113614748B方法和系统在图像和/或视频中执行增量学习对象检测，而不会灾难性遗忘先前学习的对象类别。通过迭代地更新两级神经网络对象检测器直到满足总体检测准确度标准来训练两级神经网络对象检测器以定位和识别属于附加对象类别的对象。执行更新以便平衡最小化定位和识别属于先前学习的对象类别的对象的初始能力的损失和最大化附加地定位和识别属于附加对象类别的对象的能力。评估是否满足总体检测准确度标准将两级神经网络对象检测器的初始版本的输出与由两级神经网络对象检测器的当前版

CN113614748B

CN113614748B权利要求书1/5页

2

1.一种用于在图像中增量学习对象检测而不会灾难性遗忘先前学习的一个或多个对象类别的方法，所述方法包括：

通过迭代地更新两级神经网络对象检测器直到满足总体检测准确度标准来训练所述两级神经网络对象检测器以定位和识别图像中的属于附加对象类别的对象，

其中

执行所述更新以便平衡最小化定位和识别属于所述先前学习的一个或多个对象类别的对象的初始能力的损失和最大化附加地定位和识别属于所述附加对象类别的对象的能力，以及

评估是否满足总体检测准确度标准包括：

基于比较由所述两级神经网络对象检测器的初始版本输出的区域提议与由所述两级神经网络对象检测器的当前版本输出的当前区域提议来确定区域提议的蒸馏损失，其中所述区域提议的蒸馏损失量化定位属于先前学习的对象类别的对象的能力的降低；以及

基于比较由所述两级神经网络对象检测器的所述初始版本获得的先前学习的对象预测与由所述两级神经网络对象检测器的所述当前版本输出的对象预测来确定先前学习的对象识别蒸馏损失。

2.如权利要求1所述的方法，其中

所述两级神经网络对象检测器被更新以便最小化所述区域提议蒸馏损失和所述先前学习的对象识别蒸馏损失。

3.如权利要求2所述的方法，其中

通过对总损失应用优化方法来更新所述两级神经网络对象检测器，所述总损失是以下各项的组合：

所述区域提议的蒸馏损失，

所述先前学习的对象识别蒸馏损失，

所述两级神经网络对象检测器的所述当前版本的区域提议网络损失，以及

所述两级神经网络对象检测器的所述当前版本的对象识别损失，并且

所述区域提议网络损失和所述对象识别损失分别量化定位和识别属于所述附加对象类别的所述对象的所述能力。

4.如权利要求3所述的方法，其中，

如果所述总损失超过第一预定阈值或检测属于所述一个或多个对象类别中的一个对象