[發明專利]一種用于多類別垃圾場景識別的目標檢測模型的訓練方法

有效

• 申請號: 202111606977.4
• 申請日: 2021-12-27
• 公開（公告）號: CN113989498B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 張志嵩;張帆;陳映;曹松;任必為
• 申請（專利權）人: 北京文安智能技術股份有限公司
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用于多類別垃圾場景識別的目標檢測模型的訓練方法，其特征在于，包括：

步驟S1，構造基于CenterNet網絡結構的包含有p個卷積層的基礎目標檢測模型；

步驟S2，在p個所述卷積層中，選取包括首個所述卷積層在內的連續的m個所述卷積層，將選中的每個所述卷積層均替換為空洞卷積，其中，m個所述空洞卷積在p個所述卷積層中的許可占比范圍閾值為[1/10，1/3]；

步驟S3，依次設置m個所述空洞卷積的孔洞率，滿足任意相鄰的兩個所述空洞卷積的孔洞率的最大公約數為1，以獲取優化目標檢測模型；所述步驟S3還包括判定所述優化目標檢測模型的可用狀態：

當所述優化目標檢測模型的第m個空洞卷積的感受野與所述基礎目標檢測模型的第m個卷積層的感受野的比值落入感受野優化閾值比例范圍內時，判定所述優化目標檢測模型可用，執行步驟S4；

當所述優化目標檢測模型的感受野與所述基礎目標檢測模型的感受野的比值落入感受野優化閾值比例范圍外時，判定所述優化目標檢測模型不可用，重復所述步驟S2或所述步驟S3；

步驟S4，構造樣本圖像訓練集，所述樣本圖像訓練集的每張樣本圖像均包含至少一類垃圾場景，使用所述樣本圖像訓練集對所述優化目標檢測模型訓練，以獲取用于多類別垃圾場景識別的目標檢測模型。

2.根據權利要求1所述的目標檢測模型的訓練方法，其特征在于，當判定所述優化目標檢測模型不可用，重復所述步驟S2時，在所述許可占比范圍閾值內，依次增加或減小選取的m個所述卷積層的個數，直至所述優化目標檢測模型的感受野與所述基礎目標檢測模型的感受野的比值落入感受野優化閾值比例范圍內。

3.根據權利要求1所述的目標檢測模型的訓練方法，其特征在于，當判定所述優化目標檢測模型不可用，重復所述步驟S3時，增大或減小m個所述空洞卷積的孔洞率，直至所述優化目標檢測模型的感受野與所述基礎目標檢測模型的感受野的比值落入感受野優化閾值比例范圍內。

4.根據權利要求1所述的目標檢測模型的訓練方法，其特征在于，所述感受野優化閾值比例范圍為(1，4]。

5.根據權利要求1所述的目標檢測模型的訓練方法，其特征在于，

所述基礎目標檢測模型的感受野的迭代計算公式為：

RF_n＝RF_n-1+(k_n-1)×stride_n……………………………………………(1)

其中，RF_n為第n個卷積層的感受野，當n＝1時，RF_n-1＝1，

k_n為第n個卷積層的卷積核尺寸，

stride_n為第n個卷積層的卷積步長；

所述優化目標檢測模型的感受野的迭代計算公式為：

RF’_n＝RF’_n-1+(k’_n-1)×stride_n…………………………………………(2)

其中，當n≤m時，RF’_n為第n個空洞卷積的感受野，或當n＞m時，RF’_n為第n個卷積層的感受野，當n＝1時，RF’_n-1＝1，

當n≤m時，k’_n為第n個空洞卷積的卷積核尺寸，或當n＞m時，k’_n為第n個卷積層的卷積核尺寸，k’_n的計算公式為：k’_n＝k_n+(k_n-1)×(d_n-1)，式中，當n≤m時，d_n為第n個空洞卷積的孔洞率，或當n＞m時，d_n為第n個卷積層的孔洞率，

當n≤m時，stride_n為第n個空洞卷積的卷積步長，或當n＞m時，stride_n為第n個卷積層的卷積步長。

6.根據權利要求5所述的目標檢測模型的訓練方法，其特征在于，所述基礎目標檢測模型的p個所述卷積層的卷積核的寬度與高度相同，且各卷積層的卷積核的尺寸為1×1或3×3或5×5或7×7。