[發明專利]訓練目標檢測模型的方法及裝置、目標檢測方法及裝置

在審

• 申請號: 202010843340.6
• 申請日: 2020-08-20
• 公開（公告）號: CN112036457A
• 公開（公告）日: 2020-12-04
• 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: G06K9/62
• 分類號: G06K9/62;G06K9/32;G06N3/04
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 李嘯;姜冰

1.一種訓練目標檢測模型的方法，其特征在于，包括：

獲取圖像樣本集合；

在所述圖像樣本集合中的圖像樣本中，標注一個或多個目標；

使用經標注的所述圖像樣本集合來訓練參考模型；

構造目標檢測模型，所述目標檢測模型所包含的節點的數量小于所述參考模型所包含的節點的數量；以及

參考經訓練的所述參考模型的注意力特征，使用經標注的所述圖像樣本集合來訓練所述目標檢測模型。

2.如權利要求1所述的方法，其特征在于，獲取所述圖像樣本集合進一步包括：

從圖像集合中獲取包含目標的多個圖像樣本；

從所獲取的多個圖像樣本中刪除目標面積占圖像樣本面積的比例小于閾值的圖像樣本；以及

從所獲取的多個圖像樣本中刪減相似度高于閾值的圖像樣本。

3.如權利要求1所述的方法，其特征在于，在圖像樣本中標注所述一個或多個目標包括：

在所述圖像樣本中設置一個或多個目標框，用于標注所述一個或多個目標的中心位置的x坐標、y坐標、所述一個或多個目標的寬度、以及所述一個或多個目標的高度；

在圖像樣本中標注所述一個或多個目標還包括：標注所述一個或多個目標的類別。

4.如權利要求1所述的方法，其特征在于，訓練所述參考模型進一步包括：

對經標注的所述圖像樣本集合中的圖像樣本進行縮放，使得其大小一致；

設置所述參考模型的損失函數；以及

以使所述參考模型的損失函數逐漸減小的方式，迭代更新所述參考模型的參數。

5.如權利要求4所述的方法，其特征在于，

所述參考模型通過三種不同尺度的卷積特征譜來預測目標的類別和位置；

所述損失函數包括目標分類損失和目標位置偏移損失，并且所述目標分類損失與所述目標位置偏移損失具有不同的權重；

通過梯度向后傳遞的方式進行所述迭代。

6.如權利要求1所述的方法，其特征在于，

所述目標檢測模型包含的卷積層的數量小于所述參考模型包含的卷積層的數量；和/或

所述目標檢測模型包含的卷積通道的數量小于所述參考模型包含的卷積通道的數量。

7.如權利要求1-6中的任一項所述的方法，其特征在于，

所述目標檢測模型的損失函數包括經訓練的所述參考模型的注意力特征和所述目標檢測模型的注意力特征之間的注意力損失，

其中，參考經訓練的所述參考模型來訓練所述目標檢測模型進一步包括：

計算經訓練的所述參考模型的注意力特征；

迭代執行以下步驟，以使所述目標檢測模型的損失函數逐漸減小：

計算所述目標檢測模型的注意力特征；

基于所述參考模型的注意力特征和所述目標檢測模型的注意力特征之間的歐幾里得距離來計算所述目標檢測模型的注意力損失；以及

基于計算出的所述目標檢測模型的注意力損失來更新所述目標檢測模型的參數。

8.如權利要求7所述的方法，其特征在于，計算經訓練的所述參考模型的注意力特征進一步包括：

將經訓練的所述參考模型的卷積特征譜中位于相同位置的卷積特征的絕對值累加；

將累加的結果進行歸一化。

9.如權利要求8所述的方法，其特征在于，

所述卷積特征譜包括三種不同尺度的卷積特征譜；

所述參考模型的注意力特征和所述目標檢測模型的注意力特征是通過三種不同尺度的卷積特征譜所計算出的注意力特征；

所述目標檢測模型的損失函數還包括目標分類損失和目標位置偏移損失，并且所述注意力損失、所述目標分類損失與所述目標位置偏移損失具有不同的權重。

10.一種檢測圖像中的目標的方法，其特征在于，包括：

將通過權利要求1-9中的任一項所述的方法訓練的目標檢測模型用于檢測圖像中的目標。