[發明專利]目標檢測模型訓練、檢測方法、設備及存儲介質在審
| 申請號： | 202011475085.0 | 申請日： | 2020-12-14 |
| 公開（公告）號： | CN112633340A | 公開（公告）日： | 2021-04-09 |
| 發明（設計）人： | 王翔宇;潘武;張小鋒;黃鵬;林封笑;胡彬 | 申請（專利權）人： | 浙江大華技術股份有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 深圳市威世博知識產權代理事務所(普通合伙) 44280 | 代理人： | 黎堅怡 |
| 地址： | 310051 浙江*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 目標 檢測 模型 訓練 方法 設備 存儲 介質 | ||
1.一種目標檢測模型訓練方法，其特征在于，所述方法包括：
獲取訓練圖像，并處理所述訓練圖像，以對所述訓練圖像中的樣本目標進行標注；
將所述訓練圖像輸入所述目標檢測模型，以獲取所述訓練圖像的預測目標；其中，所述目標檢測模型包括主干網絡，所述主干網絡包括若干個卷積層，每個所述卷積層包括若干個濾波器組，每個所述濾波器組包括由一個所述濾波器旋轉和/或翻轉獲得的預定數量個濾波器，同個所述濾波器組的所述濾波器間共享權值；
以所述預測目標與所述樣本目標差異最小化為目標，以及每個所述濾波器組的所述濾波器間的余弦相似性最小化為目標，訓練所述目標檢測模型。
2.根據權利要求1所述的方法，其特征在于，所述以所述預測目標與所述樣本目標差異為目標，且每個所述濾波器組的所述濾波器間的余弦相似性最小化為目標，訓練所述目標檢測模型包括：
利用反向傳播梯度算法對所述目標檢測模型進行訓練，使得預設損失函數最小化；所述預設損失函數包括目標框損失函數、分類損失函數、置信度損失函數和濾波器組損失函數之和，所述濾波器組損失函數包括：
其中，α′是常數，ki為所述濾波器組中第i個濾波器，kj為所述濾波器組中第j個濾波器，n為所述預定數量，K是濾波器組矩陣，tr(KKT)為K乘以K的轉置的跡。
3.根據權利要求1所述的方法，其特征在于，所述同個所述濾波器組的所述濾波器間共享權值包括：
在反向傳播梯度算法中，同個所述濾波器組的所述濾波器間共享權重和權值修正量。
4.根據權利要求1所述的方法，其特征在于，所述目標檢測模型還包括與所述主干網絡依次連接的特征增強網絡和檢測頭模塊。
5.根據權利要求1所述的方法，其特征在于，每個所述濾波器組包括由一個所述濾波器不旋轉、旋轉90°、180°、270°，以及對稱變換獲得的八個濾波器。
6.一種基于目標檢測模型的檢測方法，其特征在于，所述方法包括：
獲取目標圖像；
將所述目標圖像輸入所述目標檢測模型，以獲取所述目標圖像的檢測結果；其中，所述目標檢測模型包括主干網絡，所述主干網絡包括若干個卷積層，每個所述卷積層包括若干個濾波器組，每個所述濾波器組包括由一個所述濾波器旋轉和/或翻轉獲得的預定數量個濾波器，同個所述濾波器組的所述濾波器間共享權值。
7.根據權利要求6所述的方法，其特征在于，所述檢測結果包括初始目標的目標框值、所述初始目標的初始分類結果和所述初始目標的初始置信度，所述方法包括：
獲得所述初始分類結果中的最大概率的分類索引，并對照索引表獲得最終分類結果；
獲取所述初始目標的所述目標框值，利用目標框轉換方法獲得初始目標框；
對所述初始目標框的初始置信度進行重新評分，以篩選出最終目標檢測結果。
8.根據權利要求6所述的方法，其特征在于，所述目標檢測模型由權利要求1-5中任一項所述的訓練方法訓練得到。
9.一種電子設備，其特征在于，包括相互耦接的存儲器和處理器，所述處理器用于執行所述存儲器中存儲的程序指令，以實現權利要求1至8中任一項所述的方法。
10.一種計算機可讀存儲介質，其上存儲有程序數據，其特征在于，所述程序數據被處理器執行時實現權利要求1至8中任一項所述的方法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江大華技術股份有限公司，未經浙江大華技術股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011475085.0/1.html，轉載請聲明來源鉆瓜專利網。
