[發明專利]目標檢測框架的優化方法及裝置、存儲介質、電子設備

有效

• 申請號: 202011220215.6
• 申請日: 2020-11-05
• 公開（公告）號: CN112036555B
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 姚寒星;王錦申
• 申請（專利權）人: 北京亮亮視野科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 王輝;闞梓瑄

本公開屬于計算機技術領域，涉及一種目標檢測框架的優化方法及裝置、存儲介質、電子設備。該方法包括：獲取與目標檢測框架對應的多個原始嵌入向量和多個標注向量，并對原始嵌入向量進行擴充得到多個嵌入向量；對多個嵌入向量進行計算得到目標代價矩陣；基于目標代價矩陣，利用局部最優解算法匹配多個嵌入向量和多個標注向量得到多組匹配向量；對多組匹配向量進行計算得到目標損失函數，并利用目標損失函數訓練目標檢測框架，以使用優化后的目標檢測框架進行目標檢測或全景分割。本公開擴充了匹配向量的個數，解決了目標檢測框架訓練樣本少的問題，加快了學習率的訓練過程，加速了嵌入向量和標注向量的匹配速度，解決了訓練速度慢的問題。

技術領域

本公開涉及計算機技術領域，尤其涉及一種目標檢測框架的優化方法與目標檢測框架的優化裝置、計算機可讀存儲介質及電子設備。

背景技術

目標檢測框架可以將Transformer結構引入到目標檢測領域。在目標檢測框架中采用匈牙利算法將object queries和ground truths進行匹配，使得匹配產生的損失最小。由于將匹配上ground truths的object queries作為訓練正樣本，因此，一個objectqueries可產生一個正樣本，而將object queries集合中未與ground truths匹配的部分作為訓練負樣本。

但是，由于目標檢測框架存在訓練速度慢的問題，目標檢測框架在數據集上的訓練性能無法達到Faster R-CNN（Region- convolutional neural network），不利于在工程實踐中大規模普及。

鑒于此，本領域亟需開發一種新的目標檢測框架的優化方法及裝置。

需要說明的是，在上述背景技術部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本公開的目的在于提供一種目標檢測框架的優化方法、目標檢測框架的優化裝置、計算機可讀存儲介質及電子設備，進而至少在一定程度上克服由于相關技術的限制而導致的訓練速度慢的問題。

本公開的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本公開的實踐而習得。

根據本發明實施例的第一個方面，提供一種目標檢測框架的優化方法，所述目標檢測框架用于目標檢測或全景分割，所述方法包括：獲取與目標檢測框架對應的多個原始嵌入向量和多個標注向量，并對所述原始嵌入向量進行擴充得到多個嵌入向量；

對所述多個嵌入向量進行計算得到目標代價矩陣；

基于所述目標代價矩陣，利用局部最優解算法匹配所述多個嵌入向量和所述多個標注向量得到多組匹配向量；

對所述多組匹配向量進行計算得到目標損失函數，并利用所述目標損失函數優化所述目標檢測框架，以使用優化后的所述目標檢測框架進行目標檢測或全景分割。

在本發明的一種示例性實施例中，所述基于所述目標代價矩陣，利用局部最優解算法匹配所述多個嵌入向量和所述多個標注向量得到多組匹配向量，包括：

在所述目標代價矩陣中確定行索引和列索引，并根據所述行索引在所述多個嵌入向量中確定第一待匹配向量；

根據所述列索引在所述多個標注向量中確定第二待匹配向量，并匹配所述第一待匹配向量和所述第二待匹配向量得到一組匹配向量；

剔除所述行索引和所述列索引，以在所述目標代價矩陣中確定其他行索引和其他列索引得到包括所述一組匹配向量的多組匹配向量。

在本發明的一種示例性實施例中，所述在所述目標代價矩陣中確定行索引和列索引，包括：

根據所述目標代價矩陣生成最小值數組和行坐標數組；