[發(fā)明專利]模型訓(xùn)練方法、圖像類別檢測方法、裝置和電子設(shè)備

在審

• 申請?zhí)枺?/td>: 202010501581.2
• 申請日: 2020-06-04
• 公開（公告）號: CN111860573A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計）人: 周博言;魏秀參;崔權(quán)
• 申請（專利權(quán)）人: 北京邁格威科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京潤澤恒知識產(chǎn)權(quán)代理有限公司 11319
• 代理人: 王婷婷

1.一種圖像類別檢測模型的訓(xùn)練方法，其特征在于，所述方法包括：

獲取樣本集，所述樣本集包括具有類別標(biāo)注的圖像樣本；

基于各類別的圖像樣本的數(shù)量，確定各類別的圖像樣本的目標(biāo)采樣概率，其中，各類別的圖像樣本的數(shù)量與目標(biāo)采樣概率呈反比；

分別以隨機(jī)采樣方式和基于所述目標(biāo)采樣概率的采樣方式，采樣所述樣本集中的圖像樣本，并執(zhí)行如下訓(xùn)練步驟：將以不同采樣方式采樣的圖像樣本輸入至包含雙分支網(wǎng)絡(luò)的初始模型中的不同分支網(wǎng)絡(luò)，得到所述初始模型輸出的類別檢測結(jié)果；基于所述類別檢測結(jié)果和所采樣的圖像樣本的類別標(biāo)注，確定損失值，并基于所述損失值更新所述初始模型中的參數(shù)；當(dāng)所述初始模型訓(xùn)練完成時，將訓(xùn)練后的初始模型確定為圖像類別檢測模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

當(dāng)所述初始模型訓(xùn)練完成前，重新以所述不同采樣方式采樣所述樣本集中的圖像樣本，并使用更新參數(shù)后的初始模型和所重新采樣的圖像樣本，繼續(xù)執(zhí)行所述訓(xùn)練步驟。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于各類別的圖像樣本的數(shù)量，確定各類別的圖像樣本的目標(biāo)采樣概率，包括：

統(tǒng)計所述樣本集中各類別的圖像樣本的數(shù)量；

確定所統(tǒng)計的數(shù)量中的最大值與各類別的圖像樣本的數(shù)量的比值；

對所確定的各比值進(jìn)行求和，得到求和結(jié)果；

對于每一個類別，將該類別的圖像樣本的數(shù)量與所述求和結(jié)果的比值，作為該類別的圖像樣本的目標(biāo)采樣概率。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述雙分支網(wǎng)絡(luò)包括第一分支網(wǎng)絡(luò)和第二分支網(wǎng)絡(luò)，第一分支網(wǎng)絡(luò)包括第一特征提取網(wǎng)絡(luò)和第一分類器，所述第二分支網(wǎng)絡(luò)包括第二特征提取網(wǎng)絡(luò)和第二分類器；以及，

所述將以不同采樣方式采樣的圖像樣本輸入至包含雙分支網(wǎng)絡(luò)的初始模型中的不同分支網(wǎng)絡(luò)，得到所述初始模型輸出的類別檢測結(jié)果，包括：

將以隨機(jī)采樣方式采樣的圖像樣本輸入至所述第一特征提取網(wǎng)絡(luò)，得到第一特征信息，并將基于所述采樣概率采樣的圖像樣本輸入至所述第二特征提取網(wǎng)絡(luò)，得到第二特征信息；

分別對所述第一特征信息和所述第二特征信息進(jìn)行加權(quán)；

將加權(quán)后的第一特征信息輸入至所述第一分類器，得到第一分類結(jié)果，并將加權(quán)后的第二特征信息輸入至所述第二分類器，得到第二分類結(jié)果；

將所述第一分類結(jié)果和所述第二分類結(jié)果進(jìn)行融合，輸出類別檢測結(jié)果。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述分別對所述第一特征信息和所述第二特征信息進(jìn)行加權(quán)，包括：

確定當(dāng)前訓(xùn)練的周期數(shù)和預(yù)設(shè)的周期總數(shù)；

確定所述周期數(shù)與所述周期總數(shù)的比值的平方數(shù)；

將所述平方數(shù)作為所述第二特征信息的權(quán)重，將預(yù)設(shè)數(shù)值與所述權(quán)重的差值作為所述第一特征信息的權(quán)重，分別對所述第一特征信息和所述第二特征信息進(jìn)行加權(quán)。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述第一分類結(jié)果和所述第二分類結(jié)果均為向量；以及，

所述將所述第一分類結(jié)果和所述第二分類結(jié)果進(jìn)行融合，得到所述初始模型輸出的類別檢測結(jié)果，包括：

將所述第一分類結(jié)果和所述第二分類結(jié)果按元素相加，得到目標(biāo)向量；

將所述目標(biāo)向量輸入至預(yù)設(shè)的歸一化指數(shù)函數(shù)，得到類別檢測結(jié)果。

7.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述第一特征提取網(wǎng)絡(luò)和所述第二特征提取網(wǎng)絡(luò)分別包括隱藏層、殘差層和全局平均池化層，所述隱藏層包括至少一個卷積層，所述第一特征提取網(wǎng)絡(luò)的隱藏層和所述第二特征提取網(wǎng)絡(luò)的隱藏層的參數(shù)共享。