[發明專利]物體檢測模型訓練方法、裝置、計算機設備及存儲介質

在審

• 申請號: 201910108522.6
• 申請日: 2019-02-03
• 公開（公告）號: CN110020592A
• 公開（公告）日: 2019-07-16
• 發明（設計）人: 巢中迪;莊伯金;王少軍
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 北京匯思誠業知識產權代理有限公司 11444
• 代理人: 馮曉平

1.一種物體檢測模型訓練方法，其特征在于，所述方法包括：

獲取訓練樣本；

將所述訓練樣本輸入到物體檢測模型中進行模型訓練，其中，所述物體檢測模型包括檢測模塊、分類模塊和判別模塊；

在模型訓練過程中得到由所述檢測模塊產生的檢測損失、由所述分類模塊產生的分類損失和由所述判別模塊產生的判別損失；

根據所述檢測損失、所述分類損失和所述判別損失更新所述物體檢測模型，得到目標物體檢測模型。

2.根據權利要求1所述的方法，其特征在于，在所述將所述訓練樣本輸入到物體檢測模型中進行模型訓練之前，所述方法還包括：

獲取待處理物體檢測模型，所述待處理物體檢測模型包括所述檢測模塊和所述分類模塊；

在所述待處理物體檢測模型中加入所述判別模塊，其中，所述判別模塊用于對所述檢測模塊和/或分類模塊輸出的結果進行判別；

對加入所述判別模塊后的所述待處理物體檢測模型進行模型的初始化操作，得到所述物體檢測模型。

3.根據權利要求1所述的方法，其特征在于，所述將所述訓練樣本輸入到物體檢測模型中進行模型訓練，包括：

輸入所述訓練樣本，通過所述物體檢測模型提取所述訓練樣本的特征向量；

將所述特征向量進行歸一化處理，得到歸一化特征向量，其中，歸一化處理的表達式為：y＝(x-MinValue)/(MaxValue-MinValue)，y為所述歸一化特征向量，x為所述特征向量，MaxValue為所述特征向量中特征值的最大值，MinValue為所述特征向量中特征值的最小值；

根據所述歸一化特征向量對所述物體檢測模型進行模型訓練。

4.根據權利要求1所述的方法，其特征在于，所述在模型訓練過程中得到由所述檢測模塊產生的檢測損失、由所述分類模塊產生的分類損失和由所述判別模塊產生的判別損失，包括：

在模型訓練過程中，得到所述檢測模塊輸出的第一訓練特征向量，采用預設的檢測損失函數計算所述第一訓練特征向量與預先存儲的第一標簽向量之間的損失，得到所述檢測損失；

在模型訓練過程中，得到所述分類模塊輸出的第二訓練特征向量，采用預設的分類損失函數計算所述第二訓練特征向量與預先存儲的第二標簽向量之間的損失，得到所述分類損失；

在模型訓練過程中，得到所述判別模塊輸出的第三訓練特征向量，根據所述第三訓練特征向量，采用預設的判別損失函數計算得到所述判別損失。

5.根據權利要求1至4任意一項所述的方法，其特征在于，所述根據所述檢測損失、所述分類損失和所述判別損失更新所述物體檢測模型，得到目標物體檢測模型，包括：

根據所述檢測損失、所述分類損失和所述判別損失，采用反向傳播算法對所述物體檢測模型中的網絡參數進行更新；

當所述網絡參數的變化值均小于停止迭代閾值時，停止更新所述網絡參數，得到所述目標物體檢測模型。

6.一種物體檢測方法，其特征在于，包括：

獲取待檢測圖像；

將所述待檢測圖像輸入到目標物體檢測模型中進行物體檢測，得到所述待檢測圖像的物體檢測結果，其中，所述目標物體檢測模型是采用權利要求1-5任意一項所述物體檢測模型訓練方法得到的。

7.一種物體檢測模型訓練裝置，其特征在于，所述裝置包括：

訓練樣本獲取模塊，用于獲取訓練樣本；

模型訓練模塊，用于將所述訓練樣本輸入到物體檢測模型中進行模型訓練，其中，所述物體檢測模型包括檢測模塊、分類模塊和判別模塊；

損失獲取模塊，用于在模型訓練過程中得到由所述檢測模塊產生的檢測損失、由所述分類模塊產生的分類損失和由所述判別模塊產生的判別損失；

目標物體檢測模型獲取模塊，用于根據所述檢測損失、所述分類損失和所述判別損失更新所述物體檢測模型，得到目標物體檢測模型。