(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 202111624203.4 (22)申请日 2021.12.28 (71)申请人 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 蔡文强　叶丹　熊剑平　毛礼建　 (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 何倚雯 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 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 目标检测网络训练及检测方法、 装置、 终端 及存储介质 (57)摘要 本申请提供一种目标检测网络训练及检测 方法、 装置、 终端及存储介质， 目标检测网络训练 方法包括： 获取源域图像集和目标域图像集； 通 过初始检测网络对第一扫描图像和第二扫描图 像分别进行检测， 得到第一扫描图像的目标预测 信息、 第一预测域分类标签、 第二预测域分类标 签以及第二扫描图像的第一预测域分类标签和 第二预测域 分类标签； 基于同一第一扫描图像的 预测信息和对应的标注的真实信息以及同一第 二扫描图像的预测信息和对应的标注的真实信 息构建损失函数； 基于损失函数对初始检测网络 进行迭代训练， 得到目标检测 网络。 本申请通过 源域图像集和目标域图像集训练得到目标检测 网络， 可以提高目标检测网络的准确性。 权利要求书6页 说明书20页 附图8页 CN 114462487 A 2022.05.10 CN 114462487 A 1.一种目标检测网络训练方法， 其特 征在于， 所述目标检测网络训练方法包括： 获取源域图像集和目标域图像集， 所述源域图像集包括多 张标注有目标真实信 息以及 第一真实域分类标签和 第二真实域分类标签的第一扫描图像； 所述目标域图像集包括多张 标注有第一真实域分类标签和 第二真实域分类标签且未标注目标信息的第二扫描图像； 所 述第一扫描图像和所述第二扫描图像分别基于不同的射线源扫描； 通过构建的初始检测网络对所述第 一扫描图像和所述第 二扫描图像分别进行检测， 得 到所述第一扫描图像的目标预测信息、 第一预测域分类标签、 第二预测 域分类标签以及所 述第二扫描图像的第一预测域分类标签和第二预测域分类标签； 基于同一所述第 一扫描图像的目标预测信 息与标注的所述目标真实信 息、 同一所述第 一扫描图像的所述第一预测 域分类标签与标注的所述第一真实域分类标签和所述第二预 测域分类标签与标注的所述第二真实域分类标签以及同一所述第二扫描图像的所述第一 预测域分类标签与标注的所述第一真实域分类标签和所述第二预测 域分类标签与标注的 所述第二真实域分类标签标签构建损失函数； 基于所述损失函数对所述初始检测网络进行迭代训练， 得到目标检测网络 。 2.根据权利要求1所述的目标检测网络训练方法， 其特 征在于， 构建所述初始检测网络的步骤 包括： 基于初始目标检测网络、 初始图像特征域分类网络和初始目标特征域分类网络构建所 述初始检测网络； 其中， 所述初始目标检测网络包括顺次连接的初始特征提取模块、 初始特征聚合模块 和初始目标预测模块； 所述初始特征提取模块与所述初始图像特征域分类网络连接， 所述 初始特征聚合模块与所述初始目标 特征域分类网络连接 。 3.根据权利要求2所述的目标检测网络训练方法， 其特 征在于， 所述基于所述损失函数对所述初始检测网络进行迭代训练， 得到目标检测网络， 包括： 基于所述损失函数对所述初始检测网络 中的初始目标检测网络、 初始图像特征域分类 网络和初始目标特征域分类网络中的权重进行修正， 得到目标检测网络、 图像特征域分类 网络和目标 特征域分类网络； 去除所述图像特 征域分类网络和所述目标 特征域分类网络， 保留所述目标检测网络 。 4.根据权利要求1所述的目标检测网络训练方法， 其特征在于， 所述第 一扫描图像和所 述第二扫描图像为不同射线源的X射线对应的扫描图像； 所述 目标预测信息包括 目标预测 位置和目标 预测类别； 所述通过构建的初始检测网络对所述第一扫描图像和所述第二扫描图像分别进行检 测， 得到所述第一扫描图像的目标预测信息、 第一预测域分类标签、 第二预测域分类标签以 及所述第二扫描图像的第一预测域分类标签和第二预测域分类标签， 之前还 包括： 将所述第一扫描图像和所述第二扫描图像的尺寸调整至第一预设尺寸； 并对所述第 一扫描图像和所述第 二扫描图像进行归一化处理， 得到对应的预处理扫描 图像。 5.根据权利要求2所述的目标检测网络训练方法， 其特征在于， 所述初始特征提取模块 与所述初始图像特征域分类网络之间设置有第一梯度反转层； 和/或所述初始特征聚合模 块与所述初始目标 特征域分类网络之间设置有第二梯度反转层。权　利　要　求　书 1/6 页 2 CN 114462487 A 26.根据权利要求 4所述的目标检测网络训练方法， 其特 征在于， 所述通过构建的初始检测网络对所述第一扫描图像和所述第二扫描图像分别进行检 测， 得到所述第一扫描图像的目标预测信息、 第一预测域分类标签、 第二预测域分类标签以 及所述第二扫描图像的第一预测域分类标签和第二预测域分类标签， 包括： 通过所述初始特征提取模块对所述预处理扫描图像进行特征提取， 得到对应的图像特 征； 通过所述初始图像特征域分类网络对所述图像特征进行域适应， 得到所述预处理扫描 图像的第一预测域分类标签。 7.根据权利要求6所述的目标检测网络训练方法， 其特征在于， 所述初始特征提取模块 包括多个顺次连接的特征提取层， 最后一个所述特征提取层与所述初始图像特征域分类网 络连接； 所述初始特征提取模块对所述预处理扫描图像进行特征提取， 得到对应的图像特征， 包括： 最后一个所述特征提取层对上一所述特征提取层输出的特征图进行特征提取， 得到所 述图像特 征。 8.根据权利要求6所述的目标检测网络训练方法， 其特征在于， 所述初始图像特征域分 类网络包括顺次连接的第一图像特征提取单元和 第二图像特征提取单元、 池化层和全连接 层； 其中， 所述第一图像特征提取单元包括级联的第一卷积层和第一激活函数层， 所述第二 图像特征提取单元为多个且顺次连接， 所述第二图像特征提取单元包括级联的第二卷积层 和第二激活函数层； 所述初始图像特征域分类网络对所述图像特征进行域适应， 得到所述预处理扫描图像 的第一预测域分类标签， 包括： 通过所述第一卷积层对所述图像特 征进行特征提取后， 得到第一特 征图； 通过所述第一激活函数层对所述第一特 征图进行非线性激活 处理， 得到第二特 征图； 将最后一个所述第二图像特征提取单元中的所述第二卷积层对应的特征图与之前至 少一个所述第二图像特征提取单元中的所述第二卷积层 对应的特征图进 行融合， 得到第三 特征图； 最后一个所述第二图像特征提取单元中的所述第二激活函数层对所述第三特征图进 行非线性激活 处理， 得到第四特 征图； 通过所述池化层对所述第四特 征图的尺寸进行调节； 所述全连接层基于尺寸调节后的所述第 四特征图， 确定所述第一扫描图像/所述第二 扫描图像的第一预测域分类标签。 9.根据权利要求8所述的目标检测网络训练方法， 其特征在于， 所述第 二卷积层包括至 少两个卷积核， 所述第二卷积层为深度可分离卷积层。 10.根据权利要求8所述的目标检测网络训练方法， 其特 征在于， 所述初始图像特征域分类网络对所述图像特征进行域适应， 得到所述预处理扫描图像 的第一预测域分类标签， 还 包括： 将所述第一特 征图的尺寸调节至第二预设尺寸。 11.根据权利要求8所述的目标检测网络训练方法， 其特征在于， 所述池化层包括全局权　利　要　求　书 2/6 页 3 CN 114462487 A 3