[發(fā)明專利]目標(biāo)檢測模型的訓(xùn)練方法、裝置、電子設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201910315195.1
• 申請日: 2019-04-18
• 公開（公告）號: CN109961107B
• 公開（公告）日: 2022-07-19
• 發(fā)明（設(shè)計）人: 李永波;李伯勛;俞剛
• 申請（專利權(quán)）人: 北京邁格威科技有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V40/16;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京市立方律師事務(wù)所 11330
• 代理人: 張筱寧

1.一種目標(biāo)檢測模型的訓(xùn)練方法，其特征在于，所述目標(biāo)檢測模型用于檢測圖像中的目標(biāo)區(qū)域，所述目標(biāo)檢測模型包括第一分類網(wǎng)絡(luò)，所述方法包括：

設(shè)置至少一個第二分類網(wǎng)絡(luò)，其中，訓(xùn)練時所述第二分類網(wǎng)絡(luò)的輸入與所述第一分類網(wǎng)絡(luò)的輸入相同；

基于總損失函數(shù)對所述目標(biāo)檢測模型進(jìn)行訓(xùn)練，直至所述總損失函數(shù)收斂，其中，所述總損失函數(shù)包括所述目標(biāo)檢測模型的損失函數(shù)和所述第二分類網(wǎng)絡(luò)的損失函數(shù)，所述第二分類網(wǎng)絡(luò)的損失函數(shù)包括基于第一分類網(wǎng)絡(luò)的輸出和第二分類網(wǎng)絡(luò)的輸出確定的第二損失函數(shù)；

其中，所述第二損失函數(shù)為：

L_C2＝-(y*(1-M)+(1-y)*M)*(α*p₁^γlog(p₁)*M-(1-α)*(1-p₁)^γlog(1-p₁)*(1-M))

其中，L_c2表示第二損失函數(shù)，α為權(quán)重因子，p₁為第二分類網(wǎng)絡(luò)的輸出結(jié)果，y表示樣本標(biāo)簽，γ為調(diào)節(jié)因子，M為目標(biāo)區(qū)域結(jié)果標(biāo)簽，所述M的取值通過下列方式確定：

其中，p表示第一分類網(wǎng)絡(luò)的輸出確定，th表示預(yù)設(shè)閾值。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述目標(biāo)檢測模型包括單級檢測網(wǎng)絡(luò)結(jié)構(gòu)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述單級檢測網(wǎng)絡(luò)結(jié)構(gòu)包括RetinaNet網(wǎng)絡(luò)結(jié)構(gòu)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述第二分類網(wǎng)絡(luò)包括級聯(lián)的卷積層和全連接層，其中，所述卷積層的輸入與所述RetinaNet網(wǎng)絡(luò)結(jié)構(gòu)的骨干Backbone網(wǎng)絡(luò)的輸出連接。

5.根據(jù)權(quán)利要求1至4中任一項所述的方法，其特征在于，所述第二分類網(wǎng)絡(luò)的損失函數(shù)還包括基于所述第二分類網(wǎng)絡(luò)的輸出確定的第一損失函數(shù)。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述第一損失函數(shù)為：

L_C1＝-(1-α)*p₁^γlog(1-p1)*(1-y)-α*(1-p₁)^γlog(p₁)*y

其中，L_C1表示第一損失函數(shù)，α為權(quán)重因子，p₁為第二分類網(wǎng)絡(luò)的輸出結(jié)果，y表示樣本標(biāo)簽，γ為調(diào)節(jié)因子。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述目標(biāo)檢測模型的損失函數(shù)包括所述第一分類網(wǎng)絡(luò)的損失函數(shù)和目標(biāo)框回歸網(wǎng)絡(luò)的損失函數(shù)。

8.一種圖像檢測方法，其特征在于，所述方法包括：

獲取待檢測圖像；

通過所述目標(biāo)檢測模型對所述待檢測圖像進(jìn)行檢測，其中，所述目標(biāo)檢測模型是通過權(quán)利要求1至7中任一項所述的方法訓(xùn)練得到的；

基于所述目標(biāo)檢測模型的輸出，得到所述待檢測圖像中的檢測結(jié)果。