[發明專利]目標對象識別模型訓練方法、識別方法及識別裝置

有效

• 申請號: 202110335318.5
• 申請日: 2021-03-29
• 公開（公告）號: CN112906823B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 岳邦珊;鄒文藝;楊秀平
• 申請（專利權）人: 蘇州科達科技股份有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海隆天律師事務所 31282
• 代理人: 潘一諾

1.一種目標對象識別模型訓練方法，其特征在于，所述目標對象識別模型包括目標框細化模塊和目標檢測模塊，所述目標框細化模塊將識別的目標框傳輸至目標檢測模塊以進行目標對象的識別，包括：

獲取樣本圖像；

將所述樣本圖像、目標對象以及目標對象的位置，輸入所述目標對象識別模型；

所述目標框細化模塊基于樣本圖像生成樣本框；

分別計算所述樣本框為正樣本框和負樣本框的權重；

所述目標檢測模塊至少基于所述樣本圖像、所述目標框細化模塊生成的樣本框進行目標識別；

根據所述目標對象識別模型的損失函數對所述目標對象識別模型進行訓練，所述目標對象識別模型的損失函數根據所述目標框細化模塊的損失函數以及所述目標檢測模塊的損失函數計算，所述目標框細化模塊的損失函數至少根據所述樣本框為正樣本框的權重以及負樣本框的權重計算。

2.如權利要求1所述的目標對象識別模型訓練方法，其特征在于，所述計算所述樣本框為正樣本框和負樣本框的權重包括：

基于圖像分布以及概率權重計算所述樣本框為正樣本框的權重；

計算所述樣本框為負樣本框的權重。

3.如權利要求2所述的目標對象識別模型訓練方法，其特征在于，所述基于圖像分布以及概率權重計算所述樣本框為正樣本框的權重包括：

基于所述目標對象的位置計算所述樣本框的高斯分布；

計算所述正樣本框的概率權重，所述概率權重指示所述正樣本框包含目標對象的概率；

根據所述正樣本框的高斯分布以及所述正樣本框的概率權重計算所述正樣本框的權重。

4.如權利要求2所述的目標對象識別模型訓練方法，其特征在于，所述計算所述樣本框為負樣本框的權重包括：

基于所述樣本框與所述目標對象的位置形成的目標框的交并比計算所述樣本框為負樣本框的權重。

5.如權利要求1所述的目標對象識別模型訓練方法，其特征在于，所述目標框細化模塊的損失函數根據所述正樣本框的損失函數、所述負樣本框的損失函數以及樣本框的位置和目標對象的位置之間的損失函數計算獲得，

所述正樣本框的損失函數基于正樣本框的權重以及正樣本的聯合概率計算獲得，

所述負樣本框的損失函數基于負樣本框的權重以及負樣本的聯合概率計算獲得。

6.如權利要求1所述的目標對象識別模型訓練方法，其特征在于，所述目標框細化模塊包括擾動模塊，所述擾動模塊將所述目標框細化模塊的輸出特征轉化為擾動特征，所述擾動特征替代所述目標框細化模塊的輸出特征以進行所述目標框細化模塊的損失函數的計算。

7.如權利要求6所述的目標對象識別模型訓練方法，其特征在于，所述目標對象識別模型還包括用以計算所述目標框細化模塊的損失函數的第一損失函數模塊，所述目標框細化模塊包括多個級聯的卷積層，所述擾動模塊連接至每一卷積層和所述第一損失函數模塊之間。

8.如權利要求7所述的目標對象識別模型訓練方法，其特征在于，所述擾動模塊根據如下步驟將所述輸出特征轉化為擾動特征：

將所述卷積層的輸出特征與所述卷積層的輸出特征的全局平均池化總和相乘獲得中間乘積；

將所述輸出特征與所述中間乘積之和作為所述擾動特征。

9.一種目標對象識別方法，其特征在于，包括：

獲取待識別圖像；

采用目標對象識別模型，識別所述待識別圖像中的目標對象，

其中，所述目標對象識別模型經由如權利要求1至8任一項所述的目標對象識別模型訓練方法訓練獲得。

10.一種目標對象識別裝置，其特征在于，包括：

獲取模塊，配置成待識別圖像；

識別模塊，配置成采用目標對象識別模型，識別所述待識別圖像中的目標對象，

其中，所述目標對象識別模型經由如權利要求1至8任一項所述的目標對象識別模型訓練方法訓練獲得。