[發明專利]一種模型訓練的方法、目標檢測的方法、裝置及存儲介質

有效

• 申請號: 202010219680.1
• 申請日: 2020-03-25
• 公開（公告）號: CN111444828B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 黃超
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V40/20;G06V10/25;G06V10/764;G06N3/0464;G06N3/08;A63F13/2145;A63F13/42;A63F13/537;A63F13/837
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王仲凱

本申請公開了一種模型訓練的方法，該方法應用于人工智能領域，方法包括：獲取待訓練圖像，待訓練圖像設置有目標框以及目標類別；通過目標檢測模型，獲取M個預測框以及M個類別預測概率；根據目標框、M個預測框以及M個類別預測概率確定樣本集合；通過目標檢測模型所包括的第一檢測網絡獲取第一預測結果集合；通過目標檢測模型所包括的第二檢測網絡獲取第二預測結果集合；根據樣本集合、第一預測結果集合以及第二預測結果集合，對目標檢測模型進行訓練。本申請還包括目標檢測的方法以及裝置。本申請本申請可以級聯的檢測網絡能夠更好地擬合目標所在的位置，提升目標檢測的效果。

技術領域

本申請涉及人工智能領域，尤其涉及一種模型訓練的方法、目標檢測的方法、裝置及存儲介質。

背景技術

目標檢測近年來已經取得了很重要的進展，目標檢測的任務是找出圖像中感興趣的目標或區域。在游戲自動化測試中，目標檢測扮演者重要的角色，也是自動化檢測的基礎，同時由于各類目標有不同的外觀、形狀以及姿態，加上成像時光照或者遮擋等因素的干擾，使得目標檢測一直是計算機視覺領域具有挑戰性的任務。

在現有的技術方案中，有基于單次多框探測器(single?shot?multiboxdetector，SSD)的目標檢測方法，該方法需要預先手工定義目標檢測的先驗框，通過不同尺度的卷積特征譜預測目標的位置和類別。

然而，采用SSD方法雖然能夠檢測出的目標所在位置，但是，在訓練過程中對目標所在的位置僅進行了簡單的擬合，因此，存在目標檢測精度較低的情況，導致預測得到的目標所在位置與實際的目標所在位置之間可能存較大偏差。

發明內容

本申請實施例提供了一種模型訓練的方法、目標檢測的方法、裝置及存儲介質，可以在訓練的過程中，基于不同的交并比閾值生成不同的樣本集合，不同的樣本集合用于訓練不同的檢測網絡，以設置不同的交并比閾值來分別訓練對應的檢測網絡，使得這些級聯的檢測網絡能夠更好地擬合目標所在的位置，提升目標檢測的效果。

有鑒于此，本申請第一方面提供一種模型訓練的方法，包括：

獲取待訓練圖像，其中，待訓練圖像設置有目標框以及目標類別；

通過目標檢測模型，獲取M個預測框以及M個類別預測概率，其中，類別預測概率與預測框具有一一對應的關系，M為大于或等于1的整數；

根據目標框、M個預測框以及M個類別預測概率確定樣本集合，其中，樣本集合至少包括第一樣本集合以及第二樣本集合，第一樣本集合包括交并比大于或等于第一交并比閾值的正樣本，第二樣本集合包括交并比大于或等于第二交并比閾值的正樣本，第一交并比閾值小于第二交并比閾值；

基于第一樣本集合，通過目標檢測模型所包括的第一檢測網絡獲取第一預測結果集合，其中，第一預測結果集合包括第一樣本集合中每個樣本所對應的類別分值以及候選框預測位置；

基于第二樣本集合，通過目標檢測模型所包括的第二檢測網絡獲取第二預測結果集合，其中，第二預測結果集合包括第二樣本集合中每個樣本所對應的類別分值以及候選框預測位置；

根據樣本集合、第一預測結果集合以及第二預測結果集合，對目標檢測模型進行訓練。

本申請第二方面提供一種目標檢測的方法，包括：

基于待檢測圖像，通過目標檢測模型所包括的第一網絡獲取圖像卷積特征，其中，目標檢測模型為采用第一方面提供的模型訓練的方法訓練得到的；

基于圖像卷積特征，通過目標檢測模型所包括的第二網絡獲取預測框以及類別預測概率，其中，類別預測概率與預測框具有一一對應的關系；

若類別預測概率大于或等于類別概率門限，則將預測框確定為候選框；

基于候選框，通過目標檢測模型所包括的第一檢測網絡獲取第一候選框預測位置以及第一類別分值；