[發明專利]基于深度學習的目標檢測模型訓練方法、設備及存儲介質

在審

• 申請號: 202010526356.4
• 申請日: 2020-06-10
• 公開（公告）號: CN111783844A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 顧一新
• 申請（專利權）人: 東莞正揚電子機械有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 張艷美;劉光明

1.一種基于深度學習的目標檢測模型訓練方法，其特征在于，包括：

對包含有目標標注的訓練圖像進行測試，獲得每一所述訓練圖像包含的目標；

比對所述目標與所述目標標注，獲得每一所述訓練圖像包含的未標注目標和已標注目標；

利用目標檢測模型獲得所述目標對應的各個特征點的預測類別、位置及目標度，所述目標度為一用于區分背景和目標的二分類分支的輸出值；

依據所述已標注目標的損失和所述未標注目標的分類損失獲得總損失值；

依據所述總損失值調整所述目標檢測模型的網絡參數。

2.如權利要求1所述的基于深度學習的目標檢測模型訓練方法，其特征在于，所述未標注目標的分類損失為由所述未標注目標對應的各個特征點的分類損失加權計算獲得。

3.如權利要求2所述的基于深度學習的目標檢測模型訓練方法，其特征在于，所述未標注目標對應的各個特征點的分類損失權重為依據所述二分類分支輸出的目標度獲得。

4.如權利要求3所述的基于深度學習的目標檢測模型訓練方法，其特征在于，將所述未標注目標對應的各個特征點的真值設為背景，所述未標注目標對應的各個特征點的分類損失權重為(1-objectness)^p，其中，objectness為所述目標度，p為一大于0的實數。

5.如權利要求1所述的基于深度學習的目標檢測模型訓練方法，其特征在于，還包括：預先在所述目標檢測模型中添加一所述二分類分支。

6.如權利要求1所述的基于深度學習的目標檢測模型訓練方法，其特征在于，所述特征點的實際類別包括正樣本和負樣本，所述已標注目標的損失包括正樣本的分類損失、負樣本的分類損失、正樣本的定位損失、正樣本的目標度損失及負樣本的目標度損失。

7.如權利要求6所述的基于深度學習的目標檢測模型訓練方法，其特征在于，通過以下方法計算正樣本的分類損失：設置各個類別的相似度矩陣，所述相似度矩陣中的主對角線的各個元素的取值為1，其它元素為依據類別相似度在[0,1]區間取值，類別相似度越大，取值越小；將所述相似度矩陣作為各個類別的分類損失權重進行加權計算獲得正樣本的分類損失。

8.如權利要求6所述的基于深度學習的目標檢測模型訓練方法，其特征在于，通過以下方法計算正樣本的分類損失：計算每個特征點各個類別對應的softmax函數的最大值，將softmax函數的最大值作為該特征點各個類別的分類損失權重進行加權計算獲得正樣本的分類損失。

9.如權利要求6所述的基于深度學習的目標檢測模型訓練方法，其特征在于，通過以下方法計算正樣本的分類損失：

設置各個類別的相似度矩陣和計算每個特征點各個類別對應的softmax函數的最大值，所述相似度矩陣中的主對角線的各個元素的取值為1，其它元素為依據類別相似度在[0,1]區間取值，類別相似度越大，取值越小；

依據公式計算正樣本的分類損失，其中，l表示正樣本的分類損失，w表示softmax函數的最大值，表示所述相似度矩陣，l_j表示各類別的損失，ct表示特征點的實際類別。

10.如權利要求1所述的基于深度學習的目標檢測模型訓練方法，其特征在于，通過以下方法劃分正樣本和負樣本：

計算每個所述目標標注與所有特征點的預測框的交并比；

將各個所述交并比分別除以其中最大的一所述交并比，以獲得歸一化的交并比；

若所述歸一化的交并比大于第一閾值，將該對應的特征點劃分為正樣本，否則，劃分為負樣本。