【技术实现步骤摘要】
神经网络的训练、目标检测方法及装置和存储介质
本公开涉及深度学习领域，尤其涉及一种神经网络的训练、目标检测方法及装置和存储介质。
技术介绍
近年来，随着深度学习和人工智能技术的发展，计算机视觉在越来越多的领域有着广泛的应用。其中，目标检测是计算机视觉中最重要的任务之一，也是物体检测、人脸识别等应用中的关键技术。当前的目标检测方式主要分为单阶段目标检测方式和两阶段目标检测方式，其中，单阶段目标检测方式的速度更快，两阶段目标检测方式的精度更高。
技术实现思路
本公开提供了一种神经网络的训练、目标检测方法及装置和存储介质。根据本公开实施例的第一方面，提供一种神经网络的训练方法，所述方法包括：确定样本图像的多张特征图；其中，所述多张特征图对应不同的分辨率；通过所述神经网络的第一分支，对所述多张特征图中对应第一分辨率的第一特征图组进行两阶段目标检测，获得第一检测结果；通过所述神经网络的第二分支，对所述多张特征图中对应第二分辨率的第二特征图组进行单阶段目标检测，获得第二检测结果；其中，所述第二分辨率小...
【技术保护点】
1.一种神经网络的训练方法，其特征在于，包括：/n确定样本图像的多张特征图；其中，所述多张特征图对应不同的分辨率；/n通过所述神经网络的第一分支，对所述多张特征图中对应第一分辨率的第一特征图组进行两阶段目标检测，获得第一检测结果；/n通过所述神经网络的第二分支，对所述多张特征图中对应第二分辨率的第二特征图组进行单阶段目标检测，获得第二检测结果；其中，所述第二分辨率小于或等于所述第一分辨率；/n基于所述第一检测结果对所述第二检测结果进行监督，至少对所述第二分支进行训练。/n
【技术特征摘要】
1.一种神经网络的训练方法，其特征在于，包括：
确定样本图像的多张特征图；其中，所述多张特征图对应不同的分辨率；
通过所述神经网络的第一分支，对所述多张特征图中对应第一分辨率的第一特征图组进行两阶段目标检测，获得第一检测结果；
通过所述神经网络的第二分支，对所述多张特征图中对应第二分辨率的第二特征图组进行单阶段目标检测，获得第二检测结果；其中，所述第二分辨率小于或等于所述第一分辨率；
基于所述第一检测结果对所述第二检测结果进行监督，至少对所述第二分支进行训练。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述第二特征图组中，确定与至少一个目标的所在区域相对应的偏移向量；
所述通过所述神经网络的第一分支，对所述多张特征图中对应第一分辨率的第一特征图组进行两阶段目标检测，获得第一检测结果，包括：
通过所述第一分支，根据所述偏移向量，对所述第一特征图组进行两阶段目标检测，获得第一检测结果；
所述通过所述神经网络的第二分支，对所述多张特征图中对应第二分辨率的第二特征图组进行单阶段目标检测，获得第二检测结果，包括：
通过所述第二分支，根据所述偏移向量，对所述第二特征图组进行单阶段目标检测，获得所述第二检测结果。
3.根据权利要求2所述的方法，其特征在于，所述通过所述第一分支，根据所述偏移向量，对所述第一特征图组进行两阶段目标检测，获得第一检测结果，包括：
通过所述第一分支，根据所述偏移向量，在所述第一特征图组中确定所述至少一个目标的所在区域；
在所述第一特征图组中，获取所述至少一个目标的所在区域的特征信息；
对所述至少一个目标的所在区域的特征信息分别进行分类处理和回归处理，将得到的第一分类特征信息和第一回归特征信息作为所述第一检测结果。
4.根据权利要求2或3所述的方法，其特征在于，所述通过所述第二分支，根据所述偏移向量，对所述第二特征图组进行单阶段目标检测，获得所述第二检测结果，包括：
通过所述第二分支中的目标卷积层，根据所述偏移向量，确定所述第二特征图组上多个区域对应的卷积偏移量；
在所述第二特征图组上，根据所述多个区域对应的卷积偏移量，提取所述多个区域的特征信息；
对所述第二特征图组上的所述多个区域的特征信息分别进行分类处理和回归处理，将得到的第二分类特征信息和第二回归特征信息作为所述第二检测结果。
5.根据权利要求4所述的方法，其特征在于，所述目标卷积层为可变形卷积层。
6.根据权利要求2-5任一项所述的方法，其特征在于，所述基于所述第一检测结果对所述第二检测结果进行监督，至少对所述第二分支进行训练，包括：
基于所述第一检测结果，采用知...
【专利技术属性】
技术研发人员：卢欣，李全全，
申请(专利权)人：深圳市商汤科技有限公司，
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。