[發(fā)明專利]神經網絡模型的訓練方法、圖像檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 201910794384.1
• 申請日: 2019-08-27
• 公開（公告）號: CN110516671B
• 公開（公告）日: 2022-06-07
• 發(fā)明（設計）人: 王子愉;黃浩智;姜文浩;劉威
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 崔曉嵐;張穎玲

本發(fā)明提供了一種用于圖像檢測的神經網絡模型的訓練方法、圖像檢測方法、裝置、設備及存儲介質；方法包括：通過神經網絡模型對源域和目標域中的圖像進行特征提取，根據提取到的圖像的特征確定候選區(qū)域；并確定候選區(qū)域中圍繞實例的目標區(qū)域、以及實例的分類結果；對圖像進行分類，得到包括圖像屬于目標域的類別的分類結果，并根據分類結果確定圖像域分類的損失；通過神經網絡模型對實例進行分類，得到包括實例屬于目標域的類別的分類結果，并根據分類結果確定實例域分類的損失；將實例域分類的損失和圖像域分類的損失分別代入損失函數，根據損失函數確定梯度，并根據梯度更新神經網絡模型的參數。通過本發(fā)明，能夠提高圖像目標檢測的精度。

技術領域

本發(fā)明涉及人工智能領域的圖像檢測技術，尤其涉及一種用于圖像檢測的神經網絡模型的訓練方法、圖像檢測方法、裝置、電子設備及存儲介質。

背景技術

人工智能是利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環(huán)境、獲取知識并使用知識獲得最佳結果的理論、方法和技術及應用系統(tǒng)。人工智能現如今得到快速發(fā)展，并廣泛應用于各種行業(yè)。

計算機視覺技術(CV，Computer Vision)是人工智能的典型應用，計算機視覺是一門研究如何使機器“看”的科學，更進一步的說，就是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。典型地如進行圖像中的目標檢測，可以廣泛應用于諸如圖像識別、智能監(jiān)控等應用場景。

對于圖像中目標檢測而言，需要通過輸入樣本數據訓練神經網絡模型，以使訓練后的神經網絡模型可用于對圖像中的目標進行準確檢測。但是當訓練的樣本數據量少時，無法對神經網絡模型進行充分訓練，導致訓練后的神經網絡模型不能對圖像中的目標進行準確檢測，從而影響圖像目標檢測的精度。

發(fā)明內容

本發(fā)明實施例提供一種用于圖像檢測的神經網絡模型的訓練方法、圖像檢測方法、裝置、電子設備及存儲介質，能夠提高圖像目標檢測的精度。

本發(fā)明實施例的技術方案是這樣實現的：

本發(fā)明實施例提供一種用于圖像檢測的神經網絡模型的訓練方法，所述方法包括：

通過所述神經網絡模型對源域和目標域中的圖像進行特征提取，根據提取到的圖像的特征確定所述圖像中的候選區(qū)域；

通過所述神經網絡模型確定所述候選區(qū)域中圍繞實例的目標區(qū)域、以及所述實例的分類結果；

通過所述神經網絡模型對所述圖像進行分類，得到包括所述圖像屬于目標域的類別的分類結果，并根據所述圖像的分類結果確定圖像域分類的損失；

通過所述神經網絡模型對所述實例進行分類，得到包括所述實例屬于目標域的類別的分類結果，并根據所述實例的分類結果確定實例域分類的損失；

將所述實例域分類的損失和所述圖像域分類的損失分別代入損失函數，根據所述損失函數確定梯度，并根據所述梯度更新所述神經網絡模型的參數。

本發(fā)明實施例提供一種用于圖像檢測的神經網絡模型的訓練裝置，包括：

檢測模塊，用于通過所述神經網絡模型對源域和目標域中的圖像進行特征提取，根據提取到的圖像的特征確定所述圖像中的候選區(qū)域；通過所述神經網絡模型確定所述候選區(qū)域中圍繞實例的目標區(qū)域、以及所述實例的分類結果；

域分類模塊，用于通過所述神經網絡模型對所述圖像進行分類，得到包括所述圖像屬于目標域的類別的分類結果，并根據所述圖像的分類結果確定圖像域分類的損失；通過所述神經網絡模型對所述實例進行分類，得到包括所述實例屬于目標域的類別的分類結果，并根據所述實例的分類結果確定實例域分類的損失；