一种目标检测网络模型的训练方法及装置制造方法及图纸

本发明专利技术实施例提供了一种目标检测网络模型的训练方法及装置，该方法包括：获取第一训练样本集，第一训练样本集由多个标记有真实目标物体框的第一目标图像组成；采用目标检测算法对第一训练样本集进行训练，得到第一目标检测网络模型；获取第二训练样本集，第二训练样本集至少包括多个未标记真实目标物体框的背景图像；将第二训练样本集输入至第一目标检测网络模型进行训练，得到第二目标检测网络模型。即在进行目标检测网络模型的训练时，加入了多个背景图像，背景图像中的背景可作为训练目标检测网络模型的负样本，从而提高训练得到的目标检测网络模型的物体检出率和降低目标检测网络模型的误检率。

A training method and device of target detection network model

【技术实现步骤摘要】
一种目标检测网络模型的训练方法及装置
本专利技术涉及目标检测
，尤其涉及一种目标检测网络模型的训练方法及装置。
技术介绍
深度学习即深度神经网络是近年来的研究和应用的热点之一。深度神经网络相比传统的神经网络，最大的区别是网络的层数加深，在获得更多数据的情况下同时具有更多的计算资源，从而获得了更好的效果。深度学习得以引起人们的广泛关注，依赖于2012年的ImageNet图片分类比赛中，由研究人员采用深度神经网络方法，获得了对于非深度学习方法取得压倒性优势。自2012年以来，深度学习方法在很多算法方面，比如图像，语音，自然语言处理等领域均取得了突破性发展。在图像领域，对于目标检测，深度神经网络已经能取得非常好的效果。目标检测是计算机视觉中的经典问题之一，在多种应用场景例如视频安全监控系统、自动驾驶等中有着重要的应用。目标检测技术是将图像输入至目标检测网络模型，目标检测网络模型检测到目标物体并用矩形框去标识出图像中目标物体的位置，并给出目标物体的类别。现有技术中的目标检测网络模型是通过对大量的训练样本图像进行训练得到，训练样本图像是标记有真实目标物体框(groundtruthbox)的目标图像，即具有真实的目标物体的图像，可以理解的是，用于训练目标检测网络模型的训练样本图像越多，得到的目标检测网络模型的检测准确率越高，然而，在有些情况下，想要获得大量的标记有真实目标物体框的训练样本图像比较困难，即可用于训练目标检测网络模型的训练样本图像有限，从而使得训练得到的目标检测网络模型的检测准确率难以提高，在实际应用中，由于真实目标物体出现的背景情况各式各样，背景受到光线变化的影响，在训练样本中很难包含各种变化的背景情况，所以网络模型通常在复杂背景，新的没有训练过的背景图片具有比较差的泛化能力，容易出现误检。
技术实现思路
本专利技术实施例要解决的技术问题是提供一种目标检测网络模型的训练方法及装置，用于解决现有的目标检测网络模型在复杂背景和新场景下误检率测高的问题。为解决上述技术问题，本专利技术实施例提供的一种目标检测网络模型的训练方法，包括：获取第一训练样本集，所述第一训练样本集由多个第一目标图像组成，所述第一目标图像为标记有真实目标物体框的图像；采用目标检测算法对所述第一训练样本集进行训练，得到第一目标检测网络模型；获取第二训练样本集，所述第二训练样本集至少包括多个背景图像，所述背景图像为未标记真实目标物体框的图像；将所述第二训练样本集输入至所述第一目标检测网络模型进行训练，得到第二目标检测网络模型。可选的，所述采用目标检测算法对所述第一训练样本集进行训练，得到第一目标检测网络模型包括：采用目标检测算法对所述第一目标图像进行卷积处理，得到所述第一目标图像的特征图；获取所述特征图上的每一个锚点的候选框；将所述候选框与所述第一目标图像的真实目标物体框进行匹配，根据匹配结果，从所述候选框中选取出正样本和负样本；采用所述正样本和所述负样本进行训练，得到所述第一目标检测网络模型。可选的，所述将所述第二训练样本集输入至所述第一目标检测网络模型进行训练，得到第二目标检测网络模型包括：针对所述第二训练样本集中的所述背景图像，将所述背景图像输入至所述第一目标检测网络模型，得到所述背景图像的特征图；获取所述特征图中的每一个锚点的候选框；从所有所述候选框中选择部分候选框作为负样本；更新所述负样本的置信度，所述置信度表示所述候选框内有目标物体存在的概率；采用所述负样本对所述第一目标检测网络模型进行训练，以得到所述第二目标检测网络模型。可选的，所述从所有所述候选框中选择部分候选框作为负样本包括：从所有所述候选框中随机选择部分候选框作为负样本；或者获取所述候选框的置信度，选择置信度大于指定阈值的候选框作为负样本；或者获取所述候选框的置信度，对所有所述候选框的置信度按照从大到小或者从小到大的顺序进行排序，按照排序结果选择前n个或后n个候选框作为负样本，n为大于或等于1的正整数；或者获取所述候选框的置信度，选择置信度大于指定阈值的候选框，对所述置信度大于指定阈值的候选框按照从大到小或者从小到大的顺序进行排序，按照排序结果，选择前n个或后n个候选框作为负样本，n为大于或等于1的正整数。可选的，所述第二训练样本集还包括：多个第二目标图像组成，所述第二目标图像为标记有真实目标物体框的图像；所述将所述第二训练样本集输入至所述第一目标检测网络模型进行训练，得到第二目标检测网络模型包括：针对所述第二训练样本集中的所述第二目标图像，将所述第二目标图像输入至所述第一目标检测网络模型，得到所述第二目标图像的特征图；获取所述特征图中每一个锚点的候选框；将所述候选框与所述第二目标图像的真实目标物体框进行匹配，根据匹配结果，从所述候选框中选取出正样本和负样本；采用所述正样本和所述负样本对所述第一目标检测网络模型进行训练，以得到所述第二目标检测网络模型。本专利技术实施例还提供一种目标检测网络模型的训练装置，包括：第一获取模块，用于获取第一训练样本集，所述第一训练样本集由多个第一目标图像组成，所述第一目标图像为标记有真实目标物体框的图像；第一训练模块，用于采用目标检测算法对所述第一训练样本集进行训练，得到第一目标检测网络模型；第二获取模块，用于获取第二训练样本集，所述第二训练样本集至少包括多个背景图像，所述背景图像为未标记真实目标物体框的图像；第二训练模块，用于将所述第二训练样本集输入至所述第一目标检测网络模型进行训练，得到第二目标检测网络模型。可选的，所述第一训练模块包括：第一获得子模块，用于采用目标检测算法对所述第一目标图像进行卷积处理，得到所述第一目标图像的特征图；第一获取子模块，用于获取所述特征图上的每一个锚点的候选框；第一匹配子模块，用于将所述候选框与所述第一目标图像的真实目标物体框进行匹配，用于根据匹配结果，从所述候选框中选取出正样本和负样本；第一训练子模块，用于采用所述正样本和所述负样本进行训练，得到所述第一目标检测网络模型。可选的，所述第二训练模块包括：第二获得子模块，用于针对所述第二训练样本集中的所述背景图像，将所述背景图像输入至所述第一目标检测网络模型，得到所述背景图像的特征图；第二获取子模块，用于获取所述特征图中的每一个锚点的候选框；选择子模块，用于从所有所述候选框中选择部分候选框作为负样本；更新子模块，用于更新所述负样本的置信度，所述置信度表示所述候选框内有目标物体存在的概率；第二训练子模块，用于采用所述负样本对所述第一目标检测网络模型进行训练，以得到所述第二目标检测网络模型。可选的，所述选择子模块具体用于从所有所述候选框中随机选择部分候选框作为负样本；或者，获取所述候选框的置信度，选择置信度大于指定阈值的候选框作为负样本；本文档来自技高网...

【技术保护点】
1.一种目标检测网络模型的训练方法，其特征在于，包括：/n获取第一训练样本集，所述第一训练样本集由多个第一目标图像组成，所述第一目标图像为标记有真实目标物体框的图像；/n采用目标检测算法对所述第一训练样本集进行训练，得到第一目标检测网络模型；/n获取第二训练样本集，所述第二训练样本集至少包括多个背景图像，所述背景图像为未标记真实目标物体框的图像；/n将所述第二训练样本集输入至所述第一目标检测网络模型进行训练，得到第二目标检测网络模型。/n

【技术特征摘要】
1.一种目标检测网络模型的训练方法，其特征在于，包括：
获取第一训练样本集，所述第一训练样本集由多个第一目标图像组成，所述第一目标图像为标记有真实目标物体框的图像；
采用目标检测算法对所述第一训练样本集进行训练，得到第一目标检测网络模型；
获取第二训练样本集，所述第二训练样本集至少包括多个背景图像，所述背景图像为未标记真实目标物体框的图像；
将所述第二训练样本集输入至所述第一目标检测网络模型进行训练，得到第二目标检测网络模型。


2.如权利要求1所述的目标检测网络模型的训练方法，其特征在于，所述采用目标检测算法对所述第一训练样本集进行训练，得到第一目标检测网络模型包括：
采用目标检测算法对所述第一目标图像进行卷积处理，得到所述第一目标图像的特征图；
获取所述特征图上的每一个锚点的候选框；
将所述候选框与所述第一目标图像的真实目标物体框进行匹配，根据匹配结果，从所述候选框中选取出正样本和负样本；
采用所述正样本和所述负样本进行训练，得到所述第一目标检测网络模型。


3.如权利要求1所述的目标检测网络模型的训练方法，其特征在于，所述将所述第二训练样本集输入至所述第一目标检测网络模型进行训练，得到第二目标检测网络模型包括：
针对所述第二训练样本集中的所述背景图像，将所述背景图像输入至所述第一目标检测网络模型，得到所述背景图像的特征图；
获取所述特征图中的每一个锚点的候选框；
从所有所述候选框中选择部分候选框作为负样本；
更新所述负样本的置信度，所述置信度表示所述候选框内有目标物体存在的概率；
采用所述负样本对所述第一目标检测网络模型进行训练，以得到所述第二目标检测网络模型。


4.如权利要求3所述的目标检测网络模型的训练方法，其特征在于，所述从所有所述候选框中选择部分候选框作为负样本包括：
从所有所述候选框中随机选择部分候选框作为负样本；或者
获取所述候选框的置信度，选择置信度大于指定阈值的候选框作为负样本；或者
获取所述候选框的置信度，对所有所述候选框的置信度按照从大到小或者从小到大的顺序进行排序，按照排序结果选择前n个或后n个候选框作为负样本，n为大于或等于1的正整数；或者
获取所述候选框的置信度，选择置信度大于指定阈值的候选框，对所述置信度大于指定阈值的候选框按照从大到小或者从小到大的顺序进行排序，按照排序结果，选择前n个或后n个候选框作为负样本，n为大于或等于1的正整数。


5.如权利要求1所述的目标检测网络模型的训练方法，其特征在于，所述第二训练样本集还包括：多个第二目标图像组成，所述第二目标图像为标记有真实目标物体框的图像；
所述将所述第二训练样本集输入至所述第一目标检测网络模型进行训练，得到第二目标检测网络模型包括：
针对所述第二训练样本集中的所述第二目标图像，将所述第二目标图像输入至所述第一目标检测网络模型，得到所述第二目标图像的特征图；
获取所述特征图中的每一个锚点的候选框；
将所述候选框与所述第二目标图像的真实目标物体框进行匹配，根据匹配结果，从所述候选框中选取出正样本和负样本；
采用所述正样本和所述负样本对所述第一目标检测网络模型进行训练，以得到所述第二目标检测网络模型。


6.一种目标检测网...

【专利技术属性】
技术研发人员：沙浩，戴依若，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：日本;JP