【技术实现步骤摘要】
目标物检测方法及装置
本专利技术涉及深度学习领域，尤其涉及一种目标物检测方法及装置。
技术介绍
基于CNN(ConvolutionalNeuralNetwork，卷积神经网络)的检测技术是利用卷积神经元网络对输入图片进行特征提取、分类以及目标物定位等措施，实现对目标物进行检测和分类的方法。目前，相关技术是利用卷积神经网络，对训练样本进行目标物检测，输出目标物的类别以及对应的置信度，然后利用分类阈值，确定训练样本中的已知样本和未知样本。其中，训练样本是指已对目标物的类别进行标注的图片，以训练样本1为例，如果训练样本1检测出来的目标物类别为类别1，且置信度大于该类别1对应的分类阈值，则确定该训练样本1为已知样本，否则，确定该训练样本1为未知样本。进一步地，通过人工标注的方式，对未知样本进行标注，如标注目标物的类别，将标注后的样本作为新样本，用于下一轮对卷积神经网络进行训练和更新，以确保卷积神经网络检测目标物的准确率。在实现本专利技术的过程中，专利技术人发现相关技术至少存在以下问题：在训练和更新用于目标检测...
【技术保护点】
1.一种目标物检测方法，其特征在于，所述方法包括：/n将一批训练样本输入卷积神经网络，得到所述一批训练样本的预测结果，所述预测结果包括候选框、目标物的类别以及对应的置信度，所述候选框用于指示训练样本中目标物的预测位置；/n根据所述预测结果中的候选框与真值框的重叠程度，确定所述一批训练样本的正样本集合和负样本集合，所述真值框用于指示训练样本中目标物的真实位置；/n根据所述负样本集合中各个负样本的候选框与真值框的重叠程度以及目标物的类别对应的置信度，确定所述负样本集合中的目标负样本；/n根据所述目标负样本，更新所述卷积神经网络的参数后，利用更新后的卷积神经网络进行目标物检测。/n
【技术特征摘要】
1.一种目标物检测方法，其特征在于，所述方法包括：
将一批训练样本输入卷积神经网络，得到所述一批训练样本的预测结果，所述预测结果包括候选框、目标物的类别以及对应的置信度，所述候选框用于指示训练样本中目标物的预测位置；
根据所述预测结果中的候选框与真值框的重叠程度，确定所述一批训练样本的正样本集合和负样本集合，所述真值框用于指示训练样本中目标物的真实位置；
根据所述负样本集合中各个负样本的候选框与真值框的重叠程度以及目标物的类别对应的置信度，确定所述负样本集合中的目标负样本；
根据所述目标负样本，更新所述卷积神经网络的参数后，利用更新后的卷积神经网络进行目标物检测。
2.根据权利要求1所述的方法，其特征在于，所述将一批训练样本输入卷积神经网络，得到所述一批训练样本的预测结果，包括：
将所述一批训练样本输入所述卷积神经网络，经过通用卷积层、候选框生成层、分类和回归卷积层的处理，得到所述一批训练样本的预测结果；
其中，所述通用卷积层用于提取训练样本的特征，所述候选框生成层用于生成候选框，所述分类和回归卷积层用于获取候选区域中目标物的类别以及对候选框进行调整。
3.根据权利要求1所述的方法，其特征在于，所述根据所述预测结果中的候选框与真值框的重叠程度，确定所述一批训练样本的正样本集合和负样本集合，包括：
根据所述预测结果中的候选框与真值框的交并比，确定所述一批训练样本的正样本集合和负样本集合。
4.根据权利要求3所述的方法，其特征在于，所述根据所述预测结果中的候选框与真值框的交并比，确定所述一批训练样本的正样本集合和负样本集合，包括：
从所述一批训练样本中，筛选出候选框与真值框的交并比大于第一阈值的样本，构成所述正样本集合；
筛选出候选框与真值框的交并比小于第二阈值的样本，构成所述负样本集合。
5.根据权利要求1所述的方法，其特征在于，所述根据所述负样本集合中各个负样本的候选框与真值框的重叠程度以及目标物的类别对应的置信度，确定所述负样本集合中的目标负样本，包括：
从所述负样本集合中，筛选出候选框与真值框的交并比大于第三阈值，且目标物的类别对应的置信度大于第四阈值的样本作为所述目标负样本。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标负样本，更新所述卷积神经网络的参数，包括：
采用交叉熵损失函数，根据所述目标负样本、所述正样本集合和所述负样本集合，确定损失；<...
【专利技术属性】
技术研发人员：李哲暘，谭文明，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。