神经网络的训练方法、装置和电子设备制造方法及图纸

公开了一种神经网络的训练方法、神经网络的训练装置和电子设备。该神经网络的训练方法包括：将图像数据输入到神经网络以获得特征图；从所述特征图提取第一对象对应的第一特征和第二对象对应的第二特征，所述第一对象具有小于预定阈值的尺度，且所述第二对象具有大于所述预定阈值的尺度；基于所述第一特征和所述第二特征之间的距离计算损失函数值；以及，基于所述损失函数值更新所述神经网络的参数。这样，提高了神经网络的分类准确性。

【技术实现步骤摘要】
神经网络的训练方法、装置和电子设备
本申请涉及深度学习领域，且更为具体地，涉及一种神经网络的训练方法、神经网络的训练装置和电子设备。
技术介绍
行人检测是很多视觉应用，比如自动驾驶、机器人和视频监控等的研究基础。近年来，随着卷积神经网络和对象检测的发展，显著提升了行人检测的性能。现有的行人检测方法在中等尺度和大尺度行人目标上已经取得了较好的效果。然而由于小尺度行人的分辨率低、图像模糊，现有的行人检测方法难以将小尺度行人从背景中区分开来。此外，小尺度行人经常出现于无人驾驶等实际应用场景当中，例如，在街景图像中，除了近景中的大尺度行人以外，在远景中也存在很多小尺度行人。因此，小尺度行人的检测效果很大程度上决定了行人检测系统的整体性能。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种神经网络的训练方法、神经网络的训练装置和电子设备，其能够从特征图分别提取小尺度对象和大尺度对象的特征，并基于特征之间的距离更新神经网络的参数，从而提高了神经网络的分类准确性。根据本申请的一个方面，提供了一种神本文档来自技高网...

【技术保护点】
1.一种神经网络的训练方法，包括：/n将图像数据输入到神经网络以获得特征图；/n从所述特征图提取第一对象对应的第一特征和第二对象对应的第二特征，所述第一对象具有小于预定阈值的尺度，且所述第二对象具有大于所述预定阈值的尺度；/n基于所述第一特征和所述第二特征之间的距离计算损失函数值；以及/n基于所述损失函数值更新所述神经网络的参数。/n

【技术特征摘要】
1.一种神经网络的训练方法，包括：
将图像数据输入到神经网络以获得特征图；
从所述特征图提取第一对象对应的第一特征和第二对象对应的第二特征，所述第一对象具有小于预定阈值的尺度，且所述第二对象具有大于所述预定阈值的尺度；
基于所述第一特征和所述第二特征之间的距离计算损失函数值；以及
基于所述损失函数值更新所述神经网络的参数。


2.如权利要求1所述的神经网络的训练方法，其中，从所述特征图提取第一对象对应的第一特征和第二对象对应的第二特征包括：
通过候选框生成网络根据所述特征图生成多个候选框；
将所述多个候选框映射在所述特征图上以提取多个感兴趣区域的特征；以及
基于所述多个候选框的尺度从所述多个感兴趣区域的特征获取所述第一特征和所述第二特征。


3.如权利要求1所述的神经网络的训练方法，其中，基于所述第一特征和所述第二特征之间的距离计算损失函数值包括：
基于所述第一特征和所述第二特征之间的欧式距离计算损失函数值；或者
基于所述第一特征和所述第二特征之间的余弦距离计算损失函数值。


4.如权利要求1所述的神经网络的训练方法，其中，基于所述第一特征和所述第二特征之间的距离计算损失函数值包括：
将所述神经网络的分类损失函数值、回归损失函数值以及基于所述第一特征和所述第二特征之间的距离的损失函数值与预定系数的乘积求和以计算出所述损失函数值。


5.如权利要求1所述的神经网络的训练方法，其中，基于所述损失函数值更新所述神经网络的参数包括：
通过对所述小尺度对象的所述第一特征所产生的损失函数梯度进行反向传播来更新所述神经网络的参数。


6.一种神经网络的训练装置，包括：
获得单元，用于将图像数据输入到神经网络...

【专利技术属性】
技术研发人员：吴嘉濂，周贺龙，王国利，张骞，黄畅，
申请(专利权)人：北京地平线机器人技术研发有限公司，
类型：发明
国别省市：北京;11