[發明專利]目標檢測訓練方法、系統、電子設備及計算機可讀存儲介質

在審

• 申請號: 202011180242.5
• 申請日: 2020-10-29
• 公開（公告）號: CN112257726A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 朱彥浩;胡郡郡;唐大閏
• 申請（專利權）人: 上海明略人工智能（集團）有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 李紅巖

1.一種目標檢測訓練方法，其特征在于，包括：

特征提取步驟：通過backbone對圖像進行特征提取，獲得圖像特征；

一階段噪聲添加步驟：所述圖像特征通過噪聲方法獲得噪聲特征；

RPN網絡優化步驟：根據所述圖像特征和所述噪聲特征使用一致性正則化方法對RPN網絡進行優化；

proposal輸出步驟：所述圖像特征經過優化后的RPN網絡輸出proposals；

二階段噪聲添加步驟：所述proposals通過噪聲方法獲得noise proposals；

roi_heads網絡優化步驟：根據所述proposals和所述noise proposals使用一致性正則化方法對roi_heads網絡進行優化；

結果生成步驟：所述proposals通過roi_heads網絡得到最終的全分類結果和位置結果。

2.根據權利要求1所述的目標檢測訓練方法，其特征在于，所述RPN網絡優化步驟包括：

一階段輸入步驟：將所述圖像特征和所述噪聲特征輸入至RPN網絡中；

一階段損失計算步驟：使用第一分類一致性損失函數和第一回歸一致性損失函數計算所述圖像特征和所述噪聲特征的結果向量的一致性。

3.根據權利要求2所述的目標檢測訓練方法，其特征在于，所述第一分類一致性損失函數為MSE距離函數；所述第一回歸一致性損失函數為Smooth L1損失函數。

4.根據權利要求1所述的目標檢測訓練方法，其特征在于，所述roi_heads網絡優化步驟包括：

二階段輸入步驟：將所述proposals和所述noise proposals輸入至roi_heads網絡中；

二階段損失計算步驟：使用第二分類一致性損失函數和第二回歸一致性損失函數計算所述proposals和所述noise proposals的結果向量的一致性。

5.根據權利要求4所述的目標檢測訓練方法，其特征在于，所述第二分類一致性損失函數為KL散度函數；所述第二回歸一致性損失函數為Smooth L1損失函數。

6.一種目標檢測訓練系統，其特征在于，包括：

特征提取模塊：通過backbone對圖像進行特征提取，獲得圖像特征；

一階段噪聲添加模塊：所述圖像特征通過噪聲方法獲得噪聲特征；

RPN網絡優化模塊：根據所述圖像特征和所述噪聲特征使用一致性正則化方法對RPN網絡進行優化；

proposal輸出模塊：所述圖像特征經過優化后的RPN網絡輸出proposals；

二階段噪聲添加模塊：所述proposals通過噪聲方法獲得noise proposals；

roi_heads網絡優化模塊：根據所述proposals和所述noise proposals使用一致性正則化方法對roi_heads網絡進行優化；

結果生成模塊：所述proposals經過優化后的roi_heads網絡得到最終的全分類結果和位置結果。

7.根據權利要求6所述的目標檢測訓練系統，其特征在于，所述RPN網絡優化模塊包括：

一階段輸入單元：將所述圖像特征和所述噪聲特征輸入至RPN網絡中；

一階段損失計算單元：使用第一分類一致性損失函數和第一回歸一致性損失函數計算所述圖像特征和所述噪聲特征的結果向量的一致性。

8.根據權利要求6所述的目標檢測訓練系統，其特征在于，所述roi_heads網絡優化模塊包括：

二階段輸入單元：將所述proposals和所述noise proposals輸入至roi_heads網絡中；

二階段損失計算單元：使用第二分類一致性損失函數和第二回歸一致性損失函數計算所述proposals和所述noise proposals的結果向量的一致性。