[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

本發明公開了一種物體檢測模型訓練方法、裝置、計算機設備及存儲介質，涉及人工智能領域。該物體檢測模型訓練方法包括：獲取訓練樣本；將訓練樣本輸入到物體檢測模型中進行模型訓練，其中，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檢測模塊產生的檢測損失、由分類模塊產生的分類損失和由判別模塊產生的判別損失；根據檢測損失、分類損失和判別損失更新物體檢測模型，得到目標物體檢測模型。采用該物體檢測模型訓練方法訓練得到的目標物體檢測模型能夠有效提高物體檢測準確率。

【技術領域】

本發明涉及人工智能領域，尤其涉及一種物體檢測模型訓練方法、裝置、計算機設備及存儲介質。

【背景技術】

物體檢測是計算機視覺中的經典問題之一，其任務是用框去標出圖像中物體的位置，并給出物體的類別。從傳統的人工設計特征加淺層分類器的框架，到基于深度學習的端到端的檢測框架，物體檢測在一步步地改進，但是，目前常用的物體檢測方法如YOLO(YouOnly Look Once)檢測方法、SSD(Single Shot Multi-Box Detection)等檢測方法仍普遍存在物體檢測準確率較低的問題。

【發明內容】

有鑒于此，本發明實施例提供了一種物體檢測模型訓練方法、裝置、計算機設備及存儲介質，用以解決目前仍普遍存在物體檢測準確率較低的問題。

第一方面，本發明實施例提供了一種物體檢測模型訓練方法，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。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，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。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，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。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，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；