[發明專利]基于卷積神經網絡的目標檢測模型訓練方法、設備和介質

在審

• 申請號: 201911279230.5
• 申請日: 2019-12-13
• 公開（公告）號: CN111079638A
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 王奇鋒;童亨成;王杰;仵浩;王勝;劉明月;靳朋偉;章星星;何良語
• 申請（專利權）人: 河北愛爾工業互聯網科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙) 11435
• 代理人: 韓亞偉

1.基于卷積神經網絡的目標檢測模型訓練方法，其特征在于，所述方法包括以下步驟：

將訓練集中的圖像逐個輸入目標檢測模型；所述訓練集中的圖像均具有含有檢測目標及檢測目標ID的目標框，及一組不同尺度不同位置的預選框；

計算每個所述預選框與所述目標框的交并比；

提取交并比大于等于設定閥值的預選框的標簽特征數據作為正樣本，提取交并比小于設定閥值的預選框的標簽特征數據作為負樣本；所述標簽特征數據包括所述預選框的檢測目標ID、對點坐標數值和中心坐標數值；

用所述正樣本和負樣本訓練所述目標檢測模型。

2.根據權利要求1所述的基于卷積神經網絡的目標檢測模型訓練方法，其特征在于，

所述中心坐標數值通過以下公式計算得到：

b_x＝δ(t_x)+c_x

b_y＝δ(t_y)+c_y

這里的δ表示以下函數：

其中(b_x,b_y)為中心坐標數值，b_w為中心坐標寬度,b_h為中心坐標高度；(t_x,t_y)為預測標簽特征數據中的右下點坐標數值，t_w為預測標簽特征數據中的右下點寬度,t_h為右下點高度。

3.根據權利要求1所述的基于卷積神經網絡的目標檢測模型訓練方法，其特征在于，所述目標檢測模型包括以下損失函數：

類別損失函數

位置損失函數

中心損失函數

置信度損失函數

其中mask為所述目標框的目標ID；class_num為目標類別數；yi^true為目標框的實際中心坐標的y軸位置數值；yi^pre為目標框的預測中心坐標的y軸位置數值；

Box_num為模型前饋產生的檢測框數量；ki^true為實際坐標信息；ki^pre為預測坐標信息；(x,y)為中心坐標；(w,h)為預選框與目標框的交點坐標；ci^true為實際置信度；ci^pre為預測置信度；ignore為預測標簽特征數據中的預測目標ID。

4.根據權利要求2-3任意一項所述的基于卷積神經網絡的目標檢測模型訓練方法，其特征在于，所述訓練集由通過實際場景獲取含有檢測目標的圖像集經以下步驟處理得到：

從通過實際場景獲取含有檢測目標的圖像集中篩選出出符合要求的圖像；

將篩選出的圖像做數據增強，得到擴充數據集；

將擴充數據集均分得到訓練集、測試集和驗證集。

5.根據權利要求4所述的基于卷積神經網絡的目標檢測模型訓練方法，其特征在于，所述數據增強的方法包括圖片翻轉、圖片平移和圖片銳化。

6.根據權利要求5所述的基于卷積神經網絡的目標檢測模型訓練方法，其特征在于，還包括：

用測試集測試訓評價完目標檢測模型后，用所述測試集中的誤檢圖像再次訓練所述目標檢測模型。

7.一種終端設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1-6任意一項目所述基于卷積神經網絡的目標檢測模型訓練方法的步驟。

8.一種計算機可讀存儲介質，所述計算機可讀存儲介質有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至6任意一項所述基于卷積神經網絡的目標檢測模型訓練方法的步驟。