【技术实现步骤摘要】
实例检测网络的优化方法、装置、介质及电子设备
[0001]本申请涉及人工智能
，具体而言，涉及一种实例检测网络的优化方法、实例检测网络的优化装置、计算机可读存储介质及电子设备。
技术介绍
[0002]在图像识别领域中，神经网络通常需要学习图像特征从而实现对于图像中实例目标的检测，实例目标可以为人脸、动物、物品、景色、建筑物等。
[0003]对于实例目标的检测通常需要先对实例目标进行位置粗检测，以确定出候选矩形框的特征，作为精细检测的输入，进而可以通过精细检测确定出实例目标的具体位置，并分类确定实例目标类别，根据实例目标类别和具体位置检测图像中实例目标。
[0004]但是，上述方式中的候选框通常用于粗略的框选实例目标，当实例目标(如，卫星俯拍图像中的建筑物)在不同的图像中对应于不同的稠密程度且尺寸大小不一致时，通过上述方式就难以将较为稠密但是尺寸较小的实例目标进行逐个框选，也难以将尺寸较大的实例目标进行准确框选，这样容易导致实例目标检测精度不高的问题。
[0005]需要说明的是，在上述
技术介绍
部分...
【技术保护点】
【技术特征摘要】
1.一种实例检测网络的优化方法，其特征在于，包括：通过实例检测网络提取目标图像中的语义特征向量和实例特征向量，并通过所述语义特征向量和所述实例特征向量识别所述目标图像中至少两个实例目标；计算所述至少两个实例目标中各实例目标占全部实例目标的像素面积比以及所述至少两个实例目标对应的类间向量距离；根据所述像素面积比和所述至少两个实例目标计算类内损失函数，根据所述类间向量距离和所述至少两个实例目标计算类间损失函数，以及根据所述至少两个实例目标计算语义损失函数；根据所述语义损失函数、所述类内损失函数和所述类间损失函数训练所述实例检测网络。2.根据权利要求1所述的方法，其特征在于，通过实例检测网络提取目标图像中的语义特征向量和实例特征向量，包括：获取所述目标图像对应的共享特征向量；将所述共享特征向量分别输入所述实例检测网络中的语义特征提取子网络和实例特征提取子网络；通过所述语义特征提取子网络提取所述语义特征向量；通过所述实例特征提取子网络提取所述实例特征向量。3.根据权利要求2所述的方法，其特征在于，获取所述目标图像对应的共享特征向量，包括：提取所述目标图像的参考特征向量；对所述参考特征向量进行归一化处理，得到符合正态分布的归一化结果；对所述归一化结果进行非线性映射处理，得到所述共享特征向量。4.根据权利要求2所述的方法，其特征在于，所述语义特征提取子网络和所述实例特征提取子网络对应于相同网络架构不同网络参数，所述语义特征提取子网络对应于所述语义损失函数，所述实例特征提取子网络对应于所述类内损失函数和所述类间损失函数。5.根据权利要求4所述的方法，其特征在于，根据所述语义损失函数、所述类内损失函数和所述类间损失函数训练所述实例检测网络，包括：根据所述类内损失函数和所述类间损失函数训练所述实例检测网络中的所述实例特征提取子网络；根据所述语义损失函数训练所述实例检测网络中的所述语义特征提取子网络。6.根据权利要求5所述的方法，其特征在于，根据所述类内损失函数和所述类间损失函数训练所述实例检测网络中的所述实例特征提取子网络，包括：根据所述类内损失函数和所述类间损失函数调整所述实例特征提取子网络的网络参数，直到所述类内损失函数和所述类间损失函数均处于预设阈值范围内为止。7.根据权利要求2所述的方法，其特征在于，通过所述语义特征提取子网络提取所述语义特征向量，包括：通过所述语义特征提取子网络中的多个语义卷积层对所述共享特征向量进行反卷积处理，得到所述语义特征向量；其中，所述多个语义卷积层中每个语义卷积层的输入为前一语义卷积层的输出和所述共享特征向量；
以及，通过所述实例特征提取子网络提取所述实例特征向量，包括：通过所述实例特征提取子网络中的多个实例卷积层对所述共享特征向量进行反卷积处理，得到所述实例特征向量；其中，所述多个实例卷积层中每个实例卷积层的输入为前一实例卷积层的输出和所述共享特征向量。8.根据权利要求1所述的方法，其特征在于，通过所述语义特征向量和所述实例特征向量识别所述目标图像中至少两个实例目标，包括...
【专利技术属性】
技术研发人员：单鼎一，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
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。