[發(fā)明專利]目標(biāo)檢測模型訓(xùn)練、檢測方法、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011475085.0
• 申請日: 2020-12-14
• 公開（公告）號: CN112633340A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計）人: 王翔宇;潘武;張小鋒;黃鵬;林封笑;胡彬
• 申請（專利權(quán)）人: 浙江大華技術(shù)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(chǎn)權(quán)代理事務(wù)所(普通合伙) 44280
• 代理人: 黎堅怡

本申請目標(biāo)檢測模型訓(xùn)練、檢測方法、設(shè)備及存儲介質(zhì)，其中，目標(biāo)檢測模型訓(xùn)練方法包括：獲取訓(xùn)練圖像，對其中的樣本目標(biāo)進(jìn)行標(biāo)注；將訓(xùn)練圖像輸入目標(biāo)檢測模型，以獲取訓(xùn)練圖像的預(yù)測目標(biāo)；其中，目標(biāo)檢測模型包括主干網(wǎng)絡(luò)，主干網(wǎng)絡(luò)包括若干個卷積層，每個卷積層包括若干個濾波器組，每各濾波器組包括由一個濾波器旋轉(zhuǎn)和/或翻轉(zhuǎn)獲得的預(yù)定數(shù)量個濾波器，同個濾波器組的濾波器間共享權(quán)值；以預(yù)測目標(biāo)與樣本目標(biāo)差異最小化為目標(biāo)，及每個濾波器組的濾波器間的余弦相似性最小化為目標(biāo)，訓(xùn)練目標(biāo)檢測模型。從而同組濾波器共享相同參數(shù)，減少不相關(guān)的濾波器的數(shù)量，有效減少目標(biāo)檢測模型的參數(shù)數(shù)量，同時保證特征提取的有效性和目標(biāo)檢測的精確性。

技術(shù)領(lǐng)域

本申請屬于目標(biāo)檢測技術(shù)領(lǐng)域，具體涉及目標(biāo)檢測模型訓(xùn)練、檢測方法、設(shè)備及存儲介質(zhì)。

背景技術(shù)

圖像的目標(biāo)檢測是計算機(jī)視覺經(jīng)典四個任務(wù)中的一個，與目標(biāo)識別不同，其需要檢測出同一圖片中存在的多個目標(biāo)。由于該類算法的復(fù)雜性，需要神經(jīng)網(wǎng)絡(luò)模型包含大量可訓(xùn)練參數(shù)，才能達(dá)到較好的檢測效果，因此神經(jīng)網(wǎng)絡(luò)模型效率低；而現(xiàn)有減少參數(shù)數(shù)量的方法會導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型的檢測精度降低。

因此，如何減少神經(jīng)網(wǎng)絡(luò)模型的參數(shù)數(shù)量及模型體積，同時保證神經(jīng)網(wǎng)絡(luò)的檢測精確度是亟待解決的問題。

發(fā)明內(nèi)容

本申請?zhí)峁┠繕?biāo)檢測模型訓(xùn)練、檢測方法、設(shè)備及存儲介質(zhì)，以解決神經(jīng)網(wǎng)絡(luò)模型參數(shù)數(shù)量大的技術(shù)問題。

為解決上述技術(shù)問題，本申請采用的一個技術(shù)方案是：一種目標(biāo)檢測模型訓(xùn)練方法，所述方法包括：獲取訓(xùn)練圖像，并處理所述訓(xùn)練圖像，以對所述訓(xùn)練圖像中的樣本目標(biāo)進(jìn)行標(biāo)注；將所述訓(xùn)練圖像輸入所述目標(biāo)檢測模型，以獲取所述訓(xùn)練圖像的預(yù)測目標(biāo)；其中，所述目標(biāo)檢測模型包括主干網(wǎng)絡(luò)，所述主干網(wǎng)絡(luò)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(zhuǎn)和/或翻轉(zhuǎn)獲得的預(yù)定數(shù)量個濾波器，同個所述濾波器組的所述濾波器間共享權(quán)值；以所述預(yù)測目標(biāo)與所述樣本目標(biāo)差異最小化為目標(biāo)，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(biāo)，訓(xùn)練所述目標(biāo)檢測模型。

根據(jù)本申請一實施方式，所述以所述預(yù)測目標(biāo)與所述樣本目標(biāo)差異為目標(biāo)，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(biāo)，訓(xùn)練所述目標(biāo)檢測模型包括：利用反向傳播梯度算法對所述目標(biāo)檢測模型進(jìn)行訓(xùn)練，使得預(yù)設(shè)損失函數(shù)最小化；所述預(yù)設(shè)損失函數(shù)包括目標(biāo)框損失函數(shù)、分類損失函數(shù)、置信度損失函數(shù)和濾波器組損失函數(shù)之和，所述濾波器組損失函數(shù)包括：其中，α′是常數(shù)，k_i為所述濾波器組中第i個濾波器，k_j為所述濾波器組中第j個濾波器，n為所述預(yù)定數(shù)量，K是濾波器組矩陣，tr(KK^T)為K乘以K的轉(zhuǎn)置的跡。

根據(jù)本申請一實施方式，所述同組所述濾波器組的所述濾波器間共享權(quán)值包括：在反向傳播梯度算法中，同組所述濾波器組的所述濾波器間共享權(quán)重和權(quán)值修正量。

根據(jù)本申請一實施方式，所述目標(biāo)檢測模型還包括與所述主干網(wǎng)絡(luò)依次連接的特征增強(qiáng)網(wǎng)絡(luò)和檢測頭模塊。

根據(jù)本申請一實施方式，每組所述濾波器組包括由一個所述濾波器不旋轉(zhuǎn)、旋轉(zhuǎn)90°、180°、270°，以及對稱變換獲得的八個濾波器。

為解決上述技術(shù)問題，本申請采用的又一個技術(shù)方案是：一種基于目標(biāo)檢測模型的檢測方法，所述方法包括：獲取目標(biāo)圖像；將所述目標(biāo)圖像輸入所述目標(biāo)檢測模型，以獲取所述目標(biāo)圖像的檢測結(jié)果；其中，所述目標(biāo)檢測模型包括主干網(wǎng)絡(luò)，所述主干網(wǎng)絡(luò)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(zhuǎn)和/或翻轉(zhuǎn)獲得的預(yù)定數(shù)量個濾波器，同個所述濾波器組的所述濾波器間共享權(quán)值。