[發(fā)明專利]一種目標(biāo)檢測網(wǎng)絡(luò)模型的訓(xùn)練方法及裝置

在審

• 申請?zhí)枺?/td>: 201811384930.6
• 申請日: 2018-11-20
• 公開（公告）號: CN111199175A
• 公開（公告）日: 2020-05-26
• 發(fā)明（設(shè)計）人: 沙浩;戴依若
• 申請（專利權(quán)）人: 株式會社日立制作所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 北京銀龍知識產(chǎn)權(quán)代理有限公司 11243
• 代理人: 黃燦;胡影

1.一種目標(biāo)檢測網(wǎng)絡(luò)模型的訓(xùn)練方法，其特征在于，包括：

獲取第一訓(xùn)練樣本集，所述第一訓(xùn)練樣本集由多個第一目標(biāo)圖像組成，所述第一目標(biāo)圖像為標(biāo)記有真實目標(biāo)物體框的圖像；

采用目標(biāo)檢測算法對所述第一訓(xùn)練樣本集進行訓(xùn)練，得到第一目標(biāo)檢測網(wǎng)絡(luò)模型；

獲取第二訓(xùn)練樣本集，所述第二訓(xùn)練樣本集至少包括多個背景圖像，所述背景圖像為未標(biāo)記真實目標(biāo)物體框的圖像；

將所述第二訓(xùn)練樣本集輸入至所述第一目標(biāo)檢測網(wǎng)絡(luò)模型進行訓(xùn)練，得到第二目標(biāo)檢測網(wǎng)絡(luò)模型。

2.如權(quán)利要求1所述的目標(biāo)檢測網(wǎng)絡(luò)模型的訓(xùn)練方法，其特征在于，所述采用目標(biāo)檢測算法對所述第一訓(xùn)練樣本集進行訓(xùn)練，得到第一目標(biāo)檢測網(wǎng)絡(luò)模型包括：

采用目標(biāo)檢測算法對所述第一目標(biāo)圖像進行卷積處理，得到所述第一目標(biāo)圖像的特征圖；

獲取所述特征圖上的每一個錨點的候選框；

將所述候選框與所述第一目標(biāo)圖像的真實目標(biāo)物體框進行匹配，根據(jù)匹配結(jié)果，從所述候選框中選取出正樣本和負(fù)樣本；

采用所述正樣本和所述負(fù)樣本進行訓(xùn)練，得到所述第一目標(biāo)檢測網(wǎng)絡(luò)模型。

3.如權(quán)利要求1所述的目標(biāo)檢測網(wǎng)絡(luò)模型的訓(xùn)練方法，其特征在于，所述將所述第二訓(xùn)練樣本集輸入至所述第一目標(biāo)檢測網(wǎng)絡(luò)模型進行訓(xùn)練，得到第二目標(biāo)檢測網(wǎng)絡(luò)模型包括：

針對所述第二訓(xùn)練樣本集中的所述背景圖像，將所述背景圖像輸入至所述第一目標(biāo)檢測網(wǎng)絡(luò)模型，得到所述背景圖像的特征圖；

獲取所述特征圖中的每一個錨點的候選框；

從所有所述候選框中選擇部分候選框作為負(fù)樣本；

更新所述負(fù)樣本的置信度，所述置信度表示所述候選框內(nèi)有目標(biāo)物體存在的概率；

采用所述負(fù)樣本對所述第一目標(biāo)檢測網(wǎng)絡(luò)模型進行訓(xùn)練，以得到所述第二目標(biāo)檢測網(wǎng)絡(luò)模型。

4.如權(quán)利要求3所述的目標(biāo)檢測網(wǎng)絡(luò)模型的訓(xùn)練方法，其特征在于，所述從所有所述候選框中選擇部分候選框作為負(fù)樣本包括：

從所有所述候選框中隨機選擇部分候選框作為負(fù)樣本；或者

獲取所述候選框的置信度，選擇置信度大于指定閾值的候選框作為負(fù)樣本；或者

獲取所述候選框的置信度，對所有所述候選框的置信度按照從大到小或者從小到大的順序進行排序，按照排序結(jié)果選擇前n個或后n個候選框作為負(fù)樣本，n為大于或等于1的正整數(shù)；或者

獲取所述候選框的置信度，選擇置信度大于指定閾值的候選框，對所述置信度大于指定閾值的候選框按照從大到小或者從小到大的順序進行排序，按照排序結(jié)果，選擇前n個或后n個候選框作為負(fù)樣本，n為大于或等于1的正整數(shù)。

5.如權(quán)利要求1所述的目標(biāo)檢測網(wǎng)絡(luò)模型的訓(xùn)練方法，其特征在于，所述第二訓(xùn)練樣本集還包括：多個第二目標(biāo)圖像組成，所述第二目標(biāo)圖像為標(biāo)記有真實目標(biāo)物體框的圖像；

所述將所述第二訓(xùn)練樣本集輸入至所述第一目標(biāo)檢測網(wǎng)絡(luò)模型進行訓(xùn)練，得到第二目標(biāo)檢測網(wǎng)絡(luò)模型包括：

針對所述第二訓(xùn)練樣本集中的所述第二目標(biāo)圖像，將所述第二目標(biāo)圖像輸入至所述第一目標(biāo)檢測網(wǎng)絡(luò)模型，得到所述第二目標(biāo)圖像的特征圖；

獲取所述特征圖中的每一個錨點的候選框；

將所述候選框與所述第二目標(biāo)圖像的真實目標(biāo)物體框進行匹配，根據(jù)匹配結(jié)果，從所述候選框中選取出正樣本和負(fù)樣本；

采用所述正樣本和所述負(fù)樣本對所述第一目標(biāo)檢測網(wǎng)絡(luò)模型進行訓(xùn)練，以得到所述第二目標(biāo)檢測網(wǎng)絡(luò)模型。

6.一種目標(biāo)檢測網(wǎng)絡(luò)模型的訓(xùn)練裝置，其特征在于，包括：

第一獲取模塊，用于獲取第一訓(xùn)練樣本集，所述第一訓(xùn)練樣本集由多個第一目標(biāo)圖像組成，所述第一目標(biāo)圖像為標(biāo)記有真實目標(biāo)物體框的圖像；

第一訓(xùn)練模塊，用于采用目標(biāo)檢測算法對所述第一訓(xùn)練樣本集進行訓(xùn)練，得到第一目標(biāo)檢測網(wǎng)絡(luò)模型；

第二獲取模塊，用于獲取第二訓(xùn)練樣本集，所述第二訓(xùn)練樣本集至少包括多個背景圖像，所述背景圖像為未標(biāo)記真實目標(biāo)物體框的圖像；

第二訓(xùn)練模塊，用于將所述第二訓(xùn)練樣本集輸入至所述第一目標(biāo)檢測網(wǎng)絡(luò)模型進行訓(xùn)練，得到第二目標(biāo)檢測網(wǎng)絡(luò)模型。