目标检测模型训练、检测方法、设备及存储介质技术

本申请目标检测模型训练、检测方法、设备及存储介质，其中，目标检测模型训练方法包括：获取训练图像，对其中的样本目标进行标注；将训练图像输入目标检测模型，以获取训练图像的预测目标；其中，目标检测模型包括主干网络，主干网络包括若干个卷积层，每个卷积层包括若干个滤波器组，每各滤波器组包括由一个滤波器旋转和/或翻转获得的预定数量个滤波器，同个滤波器组的滤波器间共享权值；以预测目标与样本目标差异最小化为目标，及每个滤波器组的滤波器间的余弦相似性最小化为目标，训练目标检测模型。从而同组滤波器共享相同参数，减少不相关的滤波器的数量，有效减少目标检测模型的参数数量，同时保证特征提取的有效性和目标检测的精确性。

【技术实现步骤摘要】
目标检测模型训练、检测方法、设备及存储介质
本申请属于目标检测
，具体涉及目标检测模型训练、检测方法、设备及存储介质。
技术介绍
图像的目标检测是计算机视觉经典四个任务中的一个，与目标识别不同，其需要检测出同一图片中存在的多个目标。由于该类算法的复杂性，需要神经网络模型包含大量可训练参数，才能达到较好的检测效果，因此神经网络模型效率低；而现有减少参数数量的方法会导致神经网络模型的检测精度降低。因此，如何减少神经网络模型的参数数量及模型体积，同时保证神经网络的检测精确度是亟待解决的问题。
技术实现思路
本申请提供目标检测模型训练、检测方法、设备及存储介质，以解决神经网络模型参数数量大的技术问题。为解决上述技术问题，本申请采用的一个技术方案是：一种目标检测模型训练方法，所述方法包括：获取训练图像，并处理所述训练图像，以对所述训练图像中的样本目标进行标注；将所述训练图像输入所述目标检测模型，以获取所述训练图像的预测目标；其中，所述目标检测模型包括主干网络，所述主干网络包括若干个卷积层，每个所述卷积层包括若干个本文档来自技高网...

【技术保护点】
1.一种目标检测模型训练方法，其特征在于，所述方法包括：/n获取训练图像，并处理所述训练图像，以对所述训练图像中的样本目标进行标注；/n将所述训练图像输入所述目标检测模型，以获取所述训练图像的预测目标；其中，所述目标检测模型包括主干网络，所述主干网络包括若干个卷积层，每个所述卷积层包括若干个滤波器组，每个所述滤波器组包括由一个所述滤波器旋转和/或翻转获得的预定数量个滤波器，同个所述滤波器组的所述滤波器间共享权值；/n以所述预测目标与所述样本目标差异最小化为目标，以及每个所述滤波器组的所述滤波器间的余弦相似性最小化为目标，训练所述目标检测模型。/n

【技术特征摘要】
1.一种目标检测模型训练方法，其特征在于，所述方法包括：
获取训练图像，并处理所述训练图像，以对所述训练图像中的样本目标进行标注；
将所述训练图像输入所述目标检测模型，以获取所述训练图像的预测目标；其中，所述目标检测模型包括主干网络，所述主干网络包括若干个卷积层，每个所述卷积层包括若干个滤波器组，每个所述滤波器组包括由一个所述滤波器旋转和/或翻转获得的预定数量个滤波器，同个所述滤波器组的所述滤波器间共享权值；
以所述预测目标与所述样本目标差异最小化为目标，以及每个所述滤波器组的所述滤波器间的余弦相似性最小化为目标，训练所述目标检测模型。


2.根据权利要求1所述的方法，其特征在于，所述以所述预测目标与所述样本目标差异为目标，且每个所述滤波器组的所述滤波器间的余弦相似性最小化为目标，训练所述目标检测模型包括：
利用反向传播梯度算法对所述目标检测模型进行训练，使得预设损失函数最小化；所述预设损失函数包括目标框损失函数、分类损失函数、置信度损失函数和滤波器组损失函数之和，所述滤波器组损失函数包括：



其中，α′是常数，ki为所述滤波器组中第i个滤波器，kj为所述滤波器组中第j个滤波器，n为所述预定数量，K是滤波器组矩阵，tr(KKT)为K乘以K的转置的迹。


3.根据权利要求1所述的方法，其特征在于，所述同个所述滤波器组的所述滤波器间共享权值包括：
在反向传播梯度算法中，同个所述滤波器组的所述滤波器间共享权重和权值修正量。


4.根据权利要求1所述的方法，其特征在于，所述目标检测模型还包括与所述主干网络依次连接的...

【专利技术属性】
技术研发人员：王翔宇，潘武，张小锋，黄鹏，林封笑，胡彬，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33