[發明專利]模型訓練方法、圖像檢測方法及檢測裝置

有效

• 申請號: 202110663586.X
• 申請日: 2021-06-16
• 公開（公告）號: CN113111979B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 龔向陽
• 申請（專利權）人: 上海齊感電子信息科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海恒銳佳知識產權代理事務所(普通合伙) 31286
• 代理人: 黃海霞

本發明提供了一種模型訓練方法，構建乘積型Focal loss函數，使用所述乘積型Focal loss函數對神經網絡模型進行模型訓練并輸出訓練好的神經網絡模型；所述乘積型Focal loss函數的構建方法包括以下步驟：設定權重值，以解決現有的損失函數均含有log運算單元，計算復雜度較高，拖慢了模型收斂速度的問題；設定樣本比例平衡因子α，通過W和α構建所述乘積型Focal loss函數，降低了計算的復雜度，提高了運算速度，而且解決了分類錯誤的目標個體對損失函數的貢獻乘冪級數增大的同時，也考慮到了分類正確的目標個體對損失函數貢獻呈現冪級數降低，使得所述乘積型Focal loss函數反應的是特征圖整體的判別情況。本發明提供了一種圖像檢測方法和檢測裝置。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種模型訓練方法、圖像檢測方法及檢測裝置。

背景技術

人形檢測是指在圖像中檢測是否有人形，對人形圖像進行特征提取，通過提取的特征來對人形進行檢測。人形檢測是計算機視覺中的重要研究課題，被廣泛應用于智能視頻監控、車輛輔助駕駛、智能交通、智能機器人等領域。主流的人形檢測方法分為基于人工圖像特征的統計學習方法和基于人工神經網絡的深度學習方法。深度學習方法包括損失函數，損失函數作為衡量模型預測值與真實值間不一致性的一種手段，對于模型訓練過程中的自動參數調節至關重要。在神經網絡訓練過程，數據量往往比較龐大，對算力要求較高，而現有損失函數中往往采用交叉熵損失函數和Focal loss函數，但其均含有log運算單元，計算復雜度較高，拖慢了模型收斂速度。

公開號為CN111860631A的中國專利申請公開了一種采用錯因強化方式優化損失函數的方法，其通過在原來的交叉熵損失函數的基礎上加入懲罰項，調節相關性對交叉熵損失函數影響的強弱，提高了模型對物品識別的精度，能夠提高深度學習網絡模型的識別準確程度。但是該優化后的損失函數依然含有log運算單元，計算復雜度較高，運行速度較慢。

公開號為CN112419269A的中國專利申請公開了一種提高道面病害分割效果的改進型Focal Loss函數的構建方法及應用，包括：設定Focal Loss函數的權值w；預設閾值β，并將權值w轉換成分段函數w'；利用分段函數w'對Focal Loss函數進行優化，得到改進型Focal Loss函數。通過上述方案，該發明具有分類準確、抑制錯誤標注帶來的干擾等優點，在圖像處理技術領域具有很高的實用價值和推廣價值。但是該專利中的改進型Focal Loss函數依然含有log運算單元，計算復雜度較高，拖慢了模型收斂速度。

因此，有必要提供一種新型的模型訓練方法、圖像檢測方法及檢測裝置以解決現有技術中存在的上述問題。

發明內容

本發明的目的在于提供一種模型訓練方法、圖像檢測方法及檢測裝置，以解決現有的損失函數含有log運算單元，計算復雜度較高，拖慢了模型收斂速度的問題。

為實現上述目的，本發明的所述模型訓練方法，構建乘積型Focal loss函數，使用所述乘積型Focal loss函數對神經網絡模型進行模型訓練并輸出訓練好的神經網絡模型，以應用于基于人形圖像數據集進行的圖像檢測方法；

所述乘積型Focal loss函數的構建方法包括以下步驟：

設定權重值，所述權重值的表達式為：

其中，W為所述權重值，m為調整參數，P_i 是網絡模型輸出的特征圖中第i個像素點的預測概率值，γ為樣本損失調整因子，y_i是真實樣本的有效值，當y_i=1，得到的權重值為正樣本的權重值，當y_i=0，得到的權重值為負樣本的權重值；

設定樣本比例平衡因子α；

通過W和α構建所述乘積型Focal loss函數。