[發(fā)明專利]訓(xùn)練目標(biāo)檢測(cè)模型的方法、目標(biāo)檢測(cè)方法及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202111639334.X
• 申請(qǐng)日: 2021-12-29
• 公開（公告）號(hào): CN114333014A
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計(jì)）人: 陳仿雄
• 申請(qǐng)（專利權(quán)）人: 深圳數(shù)聯(lián)天下智能科技有限公司
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/56;G06V10/774;G06V10/80;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市六加知識(shí)產(chǎn)權(quán)代理有限公司 44372
• 代理人: 孟麗平

本申請(qǐng)實(shí)施例涉及目標(biāo)檢測(cè)技術(shù)領(lǐng)域，公開了一種訓(xùn)練目標(biāo)檢測(cè)模型的方法、目標(biāo)檢測(cè)方法及電子設(shè)備。其中，所述訓(xùn)練目標(biāo)檢測(cè)模型的方法包括：獲取圖像樣本，所述圖像樣本標(biāo)注有目標(biāo)標(biāo)簽；將所述圖像樣本分解為第一顏色圖像樣本、第二顏色圖像樣本和第三顏色圖像樣本；將所述第一顏色圖像樣本、所述第二顏色圖像樣本和所述第三顏色圖像樣本分別輸入預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，在所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)收斂時(shí)，獲得目標(biāo)檢測(cè)模型。本申請(qǐng)能夠有效降低光照、亮度對(duì)目標(biāo)檢測(cè)的影響，減少漏檢、誤檢問題，有效提高目標(biāo)檢測(cè)的準(zhǔn)確度和召回率。

技術(shù)領(lǐng)域

本申請(qǐng)實(shí)施例涉及目標(biāo)檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種訓(xùn)練目標(biāo)檢測(cè) 模型的方法、目標(biāo)檢測(cè)方法及電子設(shè)備。

背景技術(shù)

隨著移動(dòng)通信技術(shù)的快速發(fā)展以及人民生活水平的提升，各種智能 終端已廣泛應(yīng)用于人民的日常工作和生活，使得人們?cè)絹碓搅?xí)慣于使用 APP等軟件，使得美顏?zhàn)耘摹⑴恼諟y(cè)膚此類功能的APP需求也變得越來 越多，因此，不少用戶希望此類APP能夠自動(dòng)分析出臉部的痘痘情況。

本申請(qǐng)發(fā)明人在實(shí)現(xiàn)本申請(qǐng)實(shí)施例的過程中，發(fā)現(xiàn)：現(xiàn)有的技術(shù)很 多都是采用手動(dòng)點(diǎn)擊去痘痘的功能，過程繁瑣，不利于用戶的體驗(yàn)，同 時(shí)痘痘有效信息小，特征不夠明顯，傳統(tǒng)的圖像處理算法很難滿足需求， 用戶拍照的圖片容易受到光照強(qiáng)度、亮度等因素的干擾，容易導(dǎo)致漏檢、 誤檢的情況。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例的目的是提供一種訓(xùn)練目標(biāo)檢測(cè)模型的方法、目標(biāo)檢 測(cè)方法及電子設(shè)備，能夠有效降低光照、亮度對(duì)目標(biāo)檢測(cè)的影響，減少 漏檢、誤檢問題，有效提高目標(biāo)檢測(cè)的準(zhǔn)確度和召回率。

為解決上述技術(shù)問題，本申請(qǐng)實(shí)施例采用以下技術(shù)方案：

第一方面，本申請(qǐng)實(shí)施例中提供給了一種訓(xùn)練目標(biāo)檢測(cè)模型的方法， 包括：

獲取圖像樣本，所述圖像樣本標(biāo)注有目標(biāo)標(biāo)簽；

將所述圖像樣本分解為第一顏色圖像樣本、第二顏色圖像樣本和第 三顏色圖像樣本；

將所述第一顏色圖像樣本、所述第二顏色圖像樣本和所述第三顏色 圖像樣本分別輸入預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，在所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)收 斂時(shí)，獲得目標(biāo)檢測(cè)模型；

其中，所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)為三通道網(wǎng)絡(luò)結(jié)構(gòu)，任一通道的所述網(wǎng)絡(luò) 結(jié)構(gòu)均包括特征提取模塊、特征融合模塊及SSH檢測(cè)模塊，所述第一顏 色圖像樣本、所述第二顏色圖像樣本和所述第三顏色圖像樣本分別通過 一通道的所述網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行迭代訓(xùn)練。

在一些實(shí)施例中，所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)包括第一通道特征提取模塊、 第一通道特征融合模塊及第一通道SSH檢測(cè)模塊；

所述將所述第一顏色圖像樣本、所述第二顏色圖像樣本和所述第三 顏色圖像樣本分別輸入預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，在所述預(yù)設(shè)神經(jīng)網(wǎng) 絡(luò)收斂時(shí)，獲得目標(biāo)檢測(cè)模型，包括：

利用第一通道特征提取模塊對(duì)所述第一顏色圖像樣本進(jìn)行特征提 取，獲取第一顏色通道特征；

所述第一顏色通道特征通過所述第一通道特征融合模塊與第二顏 色通道特征和/或第三顏色通道特征進(jìn)行特征融合，獲得第一融合特征；

將所述第一融合特征輸入所述第一通道SSH檢測(cè)模塊，獲得多個(gè)第 一預(yù)測(cè)框?qū)?yīng)的概率和位置；

基于所述第一預(yù)測(cè)框?qū)?yīng)的概率和位置、以及所述目標(biāo)標(biāo)簽計(jì)算第 一損失值；

根據(jù)所述第一損失值、第二損失值和第三損失值調(diào)整預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)， 直至預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)收斂，獲得所述目標(biāo)檢測(cè)模型；

其中，所述第一損失值、所述第二損失值及所述第三損失值分別用 于指示一所述通道的損失值。

在一些實(shí)施例中，所述基于所述第一預(yù)測(cè)框?qū)?yīng)的概率和位置、以 及所述目標(biāo)標(biāo)簽計(jì)算第一損失值，包括：