【技术实现步骤摘要】
基于深度学习的目标检测模型训练方法、设备及存储介质
本专利技术涉及深度学习目标检测
，尤其涉及一种基于深度学习的目标检测模型训练方法、电子设备及计算机可读存储介质。
技术介绍
随着深度学习技术的快速发展，基于深度学习的一体化目标检测方法也已经取代传统的特征提取+特征分类目标检测方法，其在多个领域中都得到了广泛应用。由于基于深度学习的目标检测算法具有高召回率、低误检率的特点，且其在专门的硬件平台上经网络结构优化之后，可以进行实时处理。在汽车碰撞预警系统中，也应用基于深度学习的目标检测方法来检测目标车辆，以判断目标车辆与当前车辆发生碰撞的可能性，进而作出相应的反应措施，以降低因汽车碰撞事故而造成的损失。但是，基于深度学习的目标检测需要大量的标注数据，例如需要几万张、甚至几十万张、几百万张的标注图像，如果将图像中的所有目标都标注出来，标注工作将变得非常繁重。例如，在车辆前向碰撞预警系统中，由于位于当前车辆前方的很多目标之间会相互遮挡，因此在图像中只能看到被遮挡目标的一小部分；此时，若将图像中的所有目标都进行标注，标注...
【技术保护点】
1.一种基于深度学习的目标检测模型训练方法，其特征在于，包括：/n对包含有目标标注的训练图像进行测试，获得每一所述训练图像包含的目标；/n比对所述目标与所述目标标注，获得每一所述训练图像包含的未标注目标和已标注目标；/n利用目标检测模型获得所述目标对应的各个特征点的预测类别、位置及目标度，所述目标度为一用于区分背景和目标的二分类分支的输出值；/n依据所述已标注目标的损失和所述未标注目标的分类损失获得总损失值；/n依据所述总损失值调整所述目标检测模型的网络参数。/n
【技术特征摘要】
1.一种基于深度学习的目标检测模型训练方法，其特征在于，包括：
对包含有目标标注的训练图像进行测试，获得每一所述训练图像包含的目标；
比对所述目标与所述目标标注，获得每一所述训练图像包含的未标注目标和已标注目标；
利用目标检测模型获得所述目标对应的各个特征点的预测类别、位置及目标度，所述目标度为一用于区分背景和目标的二分类分支的输出值；
依据所述已标注目标的损失和所述未标注目标的分类损失获得总损失值；
依据所述总损失值调整所述目标检测模型的网络参数。
2.如权利要求1所述的基于深度学习的目标检测模型训练方法，其特征在于，所述未标注目标的分类损失为由所述未标注目标对应的各个特征点的分类损失加权计算获得。
3.如权利要求2所述的基于深度学习的目标检测模型训练方法，其特征在于，所述未标注目标对应的各个特征点的分类损失权重为依据所述二分类分支输出的目标度获得。
4.如权利要求3所述的基于深度学习的目标检测模型训练方法，其特征在于，将所述未标注目标对应的各个特征点的真值设为背景，所述未标注目标对应的各个特征点的分类损失权重为(1-objectness)p，其中，objectness为所述目标度，p为一大于0的实数。
5.如权利要求1所述的基于深度学习的目标检测模型训练方法，其特征在于，还包括：预先在所述目标检测模型中添加一所述二分类分支。
6.如权利要求1所述的基于深度学习的目标检测模型训练方法，其特征在于，所述特征点的实际类别包括正样本和负样本，所述已标注目标的损失包括正样本的分类损失、负样本的分类损失、正样本的定位损失、正样本的目标度损失及负样本的目标度损失。
7.如权利要求6所述的基于深度学习的目标检测模型训练方法，其特征在于，通过以下方法计算正样本的分类损失：设置各个类别的相似度矩阵，所述相似度矩阵中的主对角线的各个元素的取值为1，其它元素为依据类别相似度在[0,1]区间取值，类别相似度越大，取值越小；将所述相似度矩阵作为各个类别的分类损失权重进行加权计算获得正样本的分类损失。
8.如权利要求6所述的基于深度学习的目标检测模型训练方法，其特征在于，通过以下方法计算正样本的分类损失：计算每个特征点各个类别对应的softmax函数的最大值，将softmax函数的最大值作为该特...
【专利技术属性】
技术研发人员：顾一新，
申请(专利权)人：东莞正扬电子机械有限公司，
类型：发明
国别省市：广东;44
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。