[發明專利]目標檢測方法、裝置及電子設備

在審

• 申請號: 202011143452.7
• 申請日: 2020-10-22
• 公開（公告）號: CN112418268A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 王劍鋒
• 申請（專利權）人: 北京邁格威科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 安衛靜

本申請實施例提供一種目標檢測方法、裝置及電子設備，其中，該方法包括獲取待檢測圖像和將待檢測圖像輸入目標檢測模型，得到目標檢測結果；該目標檢測結果包括目標對應的包圍框的位置和分數。上述目標檢測模型的訓練過程為：將圖像樣本集中的圖像樣本輸入學生網絡模型，得到與圖像樣本的第一特征圖的每個像素點對應的學生模型檢測結果；獲取教師網絡模型對該圖像樣本的教師模型檢測結果；根據所述教師模型檢測結果確定所述圖像樣本的標簽分配信息，并根據該標簽分配信息和學生模型檢測結果計算學生網絡模型的損失函數值；基于損失函數值調整學生網絡模型的參數繼續訓練，直至得到目標檢測模型。本申請提升了目標檢測模型的性能和訓練效率。

技術領域

本發明涉及模型訓練技術領域，尤其是涉及一種目標檢測方法、裝置及電子設備。

背景技術

目標檢測是計算機視覺的一個基礎任務，它是在一張圖片中找到用戶感興趣的目標，并輸出它們的類別和位置，位置可用包圍框進行表示。目前常見的目標檢測方法都基于神經網絡實現的，神經網絡輸出的特征圖上的每個位置都會輸出一個結果，因而這些方法在訓練過程中都包含了一個被稱為標簽分配的過程，該過程決定了在訓練時，神經網絡的特征圖上的每個位置的學習目標。換言之，在訓練過程中，一個訓練樣本(一張圖片)上有n個目標(物體)，標簽分配過程指定了神經網絡的特征圖上的每個位置是學習正樣本(前景)還是負樣本(背景)，如果是學習正樣本，則從n個目標中選擇1個作為該位置的正樣本。這一標簽分配的過程通常都是人工設計的規則，由于人工設計的規則帶有一定的主觀性，導致這種標簽分配方式下訓練出的網絡模型的性能不佳，影響目標檢測的可靠性。

發明內容

有鑒于此，本發明的目的在于提供一種目標檢測方法、裝置及電子設備，以優化學生網絡模型的訓練過程，進而提升學生網絡模型的性能和該模型的檢測可靠性。

第一方面，本發明實施例提供了一種目標檢測方法，該方法包括：獲取待檢測圖像；將待檢測圖像輸入目標檢測模型，得到目標檢測結果；目標檢測結果包括目標對應的包圍框的位置和分數；其中，目標檢測模型通過如下方式訓練：將圖像樣本集中的圖像樣本輸入學生網絡模型，得到與圖像樣本的第一特征圖的每個像素點對應的學生模型檢測結果；其中，圖像樣本標注有目標真值框，學生模型檢測結果包括與第一特征圖的每個像素點對應的第一基準位置的分數和第一基準位置對應的坐標信息；獲取教師網絡模型對圖像樣本的教師模型檢測結果；其中，教師網絡模型為預先訓練好的模型，教師模型檢測結果包括與圖像樣本的第二特征圖的每個像素點對應的第二基準位置的分數和第二基準位置對應的坐標信息；其中，第一特征圖和第二特征圖的基準位置數和/或位置點均相同；根據教師模型檢測結果確定圖像樣本的標簽分配信息；根據標簽分配信息和學生模型檢測結果計算學生網絡模型的損失函數值；基于損失函數值調整學生網絡模型的參數繼續訓練，直至得到訓練好的學生網絡模型；將訓練好的學生網絡模型作為目標檢測模型。

其中，根據教師模型檢測結果確定標簽分配信息的步驟，包括：對于每個第二基準位置，分別計算該第二基準位置與圖像樣本的每個目標真值框的交疊比，得到矩陣IoU：

其中，i取值[1,N]，j取值[1,A]，N為標注真值框的個數，A為第二特征圖包括的第二基準位置的個數；基于第二基準位置與每個目標真值框的交疊比和第二基準位置的分數，確定第二基準位置對于每個目標真值框對應目標的預測質量；其中，預測質量用于表征該第二基準位置檢測出的是該目標真值框對應目標的概率大??；基于每個第二基準位置對于每個目標真值框對應目標的預測質量確定每個第一基準位置的標簽分配信息。

上述基于第二基準位置對應的第二預測框與每個目標真值框的交疊比和第二基準位置的分數，確定每個第二基準位置對于每個目標真值框對應目標的預測質量的步驟，包括：