[發明專利]一種目標檢測方法、裝置、電子設備及存儲介質

在審

• 申請號: 202010626321.8
• 申請日: 2020-07-01
• 公開（公告）號: CN111881764A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 李一力;張浩;邵新慶;劉強;徐明
• 申請（專利權）人: 深圳力維智聯技術有限公司;南京中興力維軟件有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N20/00
• 代理公司: 深圳鼎合誠知識產權代理有限公司 44281
• 代理人: 白雪瑾;郭燕

1.一種目標檢測方法，其特征在于，包括：

獲取待檢測目標樣本；

將所述待檢測目標樣本輸入預先訓練的深度學習模型中，得到所述待檢測目標樣本中的待檢測目標；所述預先訓練的深度模型包括目標分類任務和目標位置回歸任務，其中所述目標分類任務的損失函數的損失權重和目標位置回歸任務的損失函數的損失權重在深度學習模型訓練過程中通過動態調節得到。

2.如權利要求1所述的目標檢測方法，其特征在于，所述目標分類任務的損失函數的損失權重在深度學習模型訓練過程中通過動態調節得到包括：

獲取訓練目標樣本集合；

構建深度學習模型，將所述訓練目標樣本集合輸入到所述深度學習模型中；

在所述深度學習模型訓練過程中獲取所述訓練目標樣本集合在當前目標分類任務中的準確率；

根據所述訓練目標樣本集合在當前目標分類任務中的準確率計算當前目標分類任務的損失函數的損失權重。

3.如權利要求2所述的目標檢測方法，其特征在于，所述目標位置回歸任務的損失函數的損失權重在深度學習模型訓練過程中通過動態調節得到包括：

在所述深度學習模型訓練過程中獲取所述訓練目標樣本集合在當前目標位置回歸任務中的交并比；所述交并比是目標真實位置區域和目標預測位置區域的交集與目標真實位置區域和目標預測位置區域的并集的比值；

根據所述訓練目標樣本集合在當前目標位置回歸任務中的交并比計算當前目標位置回歸任務的損失函數的損失權重。

4.如權利要求2所述的目標檢測方法，其特征在于，所述根據所述訓練目標樣本集合在當前目標分類任務中的準確率計算當前目標分類任務的損失函數的損失權重包括：

根據以下公式計算當前目標分類任務的損失函數的損失權重：

FL1＝-(1-A)^γlog(A)

其中，FL1為當前目標分類任務的損失函數的損失權重，A為所述訓練目標樣本集合在當前目標分類任務中的準確率，γ為常量。

5.如權利要求3所述的目標檢測方法，其特征在于，所述根據所述訓練目標樣本集合在當前目標位置回歸任務中的交并比計算當前目標位置回歸任務的損失函數的損失權重包括：

根據以下公式計算當前目標位置回歸任務的損失函數的損失權重：

FL2＝-(1-IoU)^γlog(IoU)

其中，FL2為當前目標位置回歸任務的損失函數的損失權重，IoU為所述訓練目標樣本集合在當前目標位置回歸任務中的交并比，γ為常量。

6.如權利要求1所述的目標檢測方法，其特征在于，所述目標位置回歸任務的損失函數為SSD算法中用于目標位置回歸任務的損失函數，所述目標分類任務的損失函數為SSD算法中用于目標分類任務的損失函數。

7.如權利要求1所述的目標檢測方法，其特征在于，所述目標樣本為人臉圖片，所述待檢測目標為人臉。

8.一種目標檢測裝置，其特征在于，包括：

樣本獲取模塊，用于獲取待檢測目標樣本；

目標檢測模塊，用于將所述待檢測目標樣本輸入預先訓練的深度學習模型中，得到所述待檢測目標樣本中的待檢測目標；所述預先訓練的深度模型包括目標分類任務和目標位置回歸任務，其中所述目標分類任務的損失函數的損失權重和目標位置回歸任務的損失函數的損失權重在深度學習模型訓練過程中通過動態調節得到。

9.一種電子設備，其特征在于，包括：

存儲器，用于存儲程序；

處理器，用于通過執行所述存儲器存儲的程序以實現如權利要求1-7中任一項所述的方法。

10.一種計算機可讀存儲介質，其特征在于，包括程序，所述程序能夠被處理器執行以實現如權利要求1-7中任一項所述的方法。