[發明專利]一種基于RS loss的目標檢測模型的訓練方法及裝置

在審

• 申請號: 202111162166.X
• 申請日: 2021-09-30
• 公開（公告）號: CN114005009A
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 金良;李仁剛;趙雅倩;郭振華;范寶余;徐哲;胡克坤
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 陳曉磊

1.一種基于RS loss的目標檢測模型的訓練方法，其特征在于，包括：

獲取多個目標檢測訓練數據集；

對所述多個目標檢測訓練數據集中的訓練數據進行預處理，得到預處理數據；

根據所述預處理數據，訓練基于RS loss的Faster-RCNN模型，得到所述目標檢測模型；

在所述目標檢測模型基礎上增加屬性分支，并依據VG數據進行微調。

2.如權利要求1所述的方法，其特征在于，所述多個目標檢測訓練數據集包括第一數據集、第二數據集、第三數據集和第四數據集；

所述對所述多個目標檢測訓練數據集中的訓練數據進行預處理，得到預處理數據，包括：

從所述第一數據集和所述第二數據集中每個類別中選擇第一預設數量的樣本，得到第一候選數據集和第二候選數據集；

使用平衡策略對所述第一候選數據集、所述第二候選數據集、所述第三數據集和所述第四數據集進行倍增；

以倍增后的第三數據集為基礎，將倍增后的第一候選數據集、第二候選數據集和第四數據集中與所述倍增后的第三數據集具有相同類別的數據合并到所述倍增后的第三數據集中、將不同類別的數據作為新類別添加到所述倍增后的第三數據集中；

剔除合并后的第三數據集中的小于第二預設數量的樣本的類別，得到所述預處理數據。

3.如權利要求1所述的方法，其特征在于，所述根據所述預處理數據，訓練基于RS loss的Faster-RCNN模型，得到所述目標檢測模型，包括：

構建基于RS loss的Faster-RCNN模型的損失函數；

使用基于RS loss構建的Faster-RCNN模型的損失函數，對所述預處理數據進行訓練，得到所述目標檢測模型。

4.如權利要求3所述的方法，其特征在于，所述構建基于RS loss的Faster-RCNN模型的損失函數，包括：

定義RS損失函數；

對所述RS損失函數進行計算；

優化所述RS損失函數；

將優化后的所述RS損失函數作為所述Faster-RCNN模型的損失函數。

5.如權利要求1至4任一項所述的方法，其特征在于，所述在所述目標檢測模型基礎上增加屬性分支，并依據VG數據進行微調，包括：

在所述目標檢測模型添加屬性類別數目為第三預設數量類的屬性分支；

修改基于RS Loss的Faster-RCNN模型，并添加屬性分支loss；

調整用于訓練的超參數，基于VG數據集微調所述目標檢測模型。

6.一種基于RS loss的目標檢測模型的訓練裝置，其特征在于，包括：

獲取單元，用于獲取多個目標檢測訓練數據集；

預處理單元，用于對所述多個目標檢測訓練數據集中的訓練數據進行預處理，得到預處理數據；

處理單元，用于根據所述預處理數據，訓練基于RS loss的Faster-RCNN模型，得到所述目標檢測模型；在所述目標檢測模型基礎上增加屬性分支，并依據VG數據進行微調。

7.如權利要求6所述的裝置，其特征在于，所述多個目標檢測訓練數據集包括第一數據集、第二數據集、第三數據集和第四數據集；

所述預處理單元具體用于：

從所述第一數據集和所述第二數據集中每個類別中選擇第一預設數量的樣本，得到第一候選數據集和第二候選數據集；

使用平衡策略對所述第一候選數據集、所述第二候選數據集、所述第三數據集和所述第四數據集進行倍增；

以倍增后的第三數據集為基礎，將倍增后的第一候選數據集、第二候選數據集和第四數據集中與所述倍增后的第三數據集具有相同類別的數據合并到所述倍增后的第三數據集中、將不同類別的數據作為新類別添加到所述倍增后的第三數據集中；

剔除合并后的第三數據集中的小于第二預設數量的樣本的類別，得到所述預處理數據。