目标检测方法、电子设备和存储介质技术

本申请提供了一种目标检测方法、电子设备和存储介质，通过预训练的细粒度目标检测模型对目标图像进行识别，由于预训练的细粒度目标检测模型的训练过程包括基于间隔损失函数对预设目标检测模型进行再训练得到，而间隔损失函数由基于预设细粒度类别间的学习间隔和预设目标检测模型的损失函数确定，预设细粒度类别间的学习间隔使得预设目标检测模型的损失函数在模型再训练过程中不会追求对训练样本中各实例自身差异特征的学习，从而不会导致预设目标检测模型在再训练过程中的模型复杂度比实际模型复杂度高。因此，可以有效避免细粒度识别场景下的过拟合现象，能够提高目标检测的准确性。的准确性。的准确性。

【技术实现步骤摘要】
目标检测方法、电子设备和存储介质


[0001]本申请涉及目标检测
，尤其涉及一种目标检测方法、电子设备和存储介质。

技术介绍

[0002]常见的目标检测分为粗粒度目标检测和细粒度目标检测。其中，粗粒度目标检测是指针对不同类别的目标检测，而细粒度目标检测是指对同一类别内不同实例的检测。例如，对猫、狗、鸟等不同类别动物的检测为粗粒度目标检测，而对同一动物类别内，如狗类别内的不同实例，如边境牧羊犬、贵宾犬、哈士奇等的检测为细粒度目标检测。目前，在细粒度目标检测中，由于训练样本中非背景特征之间的过拟合性，使得细粒度目标检测的准确率较低，存在检测效果较差的问题。

技术实现思路

[0003]本申请提供了一种目标检测方法、装置、设备和存储介质，旨在提高目标检测中对细粒度类别检测的准确率，使得目标检测能够达到更好的检测效果。
[0004]第一方面，本申请实施例提供了一种目标检测方法，包括：
[0005]获取待检测的目标图像；
[0006]预训练细粒度目标检测模型，其中，预训练所述细粒度目标检测模型的过程包括基于间隔损失函数对预设目标检测模型进行再训练，所述间隔损失函数由基于预设细粒度类别间的学习间隔和预设目标检测模型的损失函数确定；
[0007]将所述目标图像输入预训练的所述细粒度目标检测模型进行目标识别，得到所述目标图像中目标对象的细粒度类别及位置。
[0008]第二方面，本申请实施例提供了一种电子设备，包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如上述第一方面所述的目标检测方法。
[0009]第三方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述第一方面所述的目标检测方法。
[0010]本申请实施例提供了一种目标检测方法、电子设备和存储介质，通过预训练的细粒度目标检测模型对目标图像进行识别，由于预训练的细粒度目标检测模型的训练过程包括基于间隔损失函数对预设目标检测模型进行再训练得到，而间隔损失函数由基于预设细粒度类别间的学习间隔和预设目标检测模型的损失函数确定，其中，预设细粒度类别间的学习间隔使得预设目标检测模型的损失函数在模型再训练过程中不会追求对训练样本中各实例自身差异特征的学习，从而不会导致预设目标检测模型在再训练过程中的模型复杂度比实际模型复杂度高。因此，可以有效避免细粒度识别场景下的过拟合现象，能够提高目标检测中对细粒度类别检测的准确性，进而使得目标检测能够达到更好的检测效果。
[0011]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请实施例的公开内容。
附图说明
[0012]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0013]图1A是目标检测模型将输入图像进行划分得到的网格示意图；
[0014]图1B是目标检测模型基于Focal loss预测目标对象位置信息框的过程示意图；
[0015]图2是本申请实施例提供的电子设备的示意图；
[0016]图3是本申请实施例提供的目标检测方法的一应用场景示意图；
[0017]图4是本申请实施例提供的目标检测方法的另一应用场景示意图；
[0018]图5是本申请实施例提供的目标检测方法的一实现流程示意图；
[0019]图6是细粒度目标检测模型的预训练过程示意图；
[0020]图7是本申请实施例提供的目标检测方法的另一实现流程示意图；
[0021]图8是本申请实施例提供的电子设备的示意性框图。
具体实施方式
[0022]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0023]附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0024]在说明本申请实施例提供的目标检测方法之前，首先结合图1A和图1B对现有的细粒度目标检测方法以及细粒度目标检测原理进行示例性的说明。
[0025]首先，需要说明的是，细粒度目标检测是相对于粗粒度目标检测提出的，所谓粗粒度目标检测是针对从外观角度就可以看出差别非常大的对象类别检测，也称为类别级的目标检测。例如，针对猫、狗、鸟等动物类别的检测，或者例如针对树、花、草等植物类别的检测等都是类别级的目标检测。
[0026]而细粒度目标检测是针对同一类别内不同实例的检测，同一类别内各实例之间往往不具有特别明显的外观特征，也称为实例级的目标检测。例如，针对目标对象是狗类别中的哈士奇、萨摩、阿拉斯加的检测属于实例级的目标检测。
[0027]此外，目标检测需要同时预测目标对象的位置和类别，如图1A所示，图1A是目标检测模型将输入图像进行划分识别出目标对象的位置和类别的过程示意图。由图1A可知，在目标检测中，目标检测模型通常会将输入的图像信息划分成预设大小的网格，然后分别预测每个网格中是否包含有目标对象，并在预测到网格中包含有目标对象时，将包含有目标对象的网格分类为非背景类；如果预测到网格中不包含有目标对象，则将不包含有目标对
象的网格分类为背景类；目标检测模型将背景类和非背景类进行分离，进而预测目标对象的类别和位置。如图1A所示，图像中包含有两个物体，分别为第一目标对象101和第二目标对象102，将该图像输入目标检测模型后，目标检测模型首先将图像划分为等间隔大小的网格，然后分别预测每个网格中是否有目标对象，并在预测到有目标对象后，将图像分为背景类103和非背景类104，并在非背景类104中预测目标对象的位置信息，例如，图1A中通过位置标注框1011预测第一目标对象101的位置，通过位置标注框1021预测第二目标对象102的位置，最后目标检测模型输出标注了第一目标对象101的位置信息的第一位置框1012和标注了第二目标对象102的位置信息的第二位置框1022。需要说明的是，由于图像中大部分网格都是背景类，因此，在目标检测中将背景类称为容易学习的类。其中，容易学习的类是相对于难学习的类而言的，例如，相对于背景类为容易学习的类，则非背景类为难学习的类。通常，在同一副图像中，容易学习的类所占的分类损失较小，难学习的类所占的分类损失较大。
[0028]Focal loss是目标检测中广泛使用的分类损失函数，如图1B所示，图1B是目标检测模型基于Foc本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：获取待检测的目标图像；预训练细粒度目标检测模型，其中，预训练所述细粒度目标检测模型的过程包括基于间隔损失函数对预设目标检测模型进行再训练，所述间隔损失函数由基于预设细粒度类别间的学习间隔和预设目标检测模型的损失函数确定；将所述目标图像输入预训练的所述细粒度目标检测模型进行目标识别，得到所述目标图像中目标对象的细粒度类别及位置。2.根据权利要求1所述的目标检测方法，其特征在于，在预训练细粒度目标检测模型之前，还包括：基于所述预设细粒度类别间的学习间隔和所述预设目标检测模型的损失函数，确定所述细粒度目标检测模型的间隔损失函数。3.根据权利要求2所述的目标检测方法，其特征在于，所述基于预设细粒度类别间的学习间隔和预设目标检测模型的损失函数，确定所述细粒度目标检测模型的间隔损失函数，包括：将预设数量的训练样本输入所述预设目标检测模型进行目标识别，得到所述训练样本中目标对象属于各预设细粒度类别的第一预测概率向量；基于预设的所述细粒度类别间的学习间隔更新所述第一预测概率向量，得到第二预测概率向量；对所述第二预测概率向量进行归一化处理，得到所述训练样本中目标对象属于各预设细粒度类别的概率值；根据所述训练样本中目标对象属于各预设细粒度类别的概率值和预设目标检测模型的损失函数，确定所述细粒度目标检测模型的所述间隔损失函数。4.根据权利要求2或3所述的目标检测方法，其特征在于，所述基于间隔损失函数对预设目标检测模型进行再训练，包括：基于所述间隔损失函数调用预设的模型优化规则，更新所述目标检测模型的模型参数，得到所述细粒度目标检测模型。5.根据权利要求3所述的目标检测方法，其特征在于，所述基于预设的所述细粒度类别间的学习间隔更新所述第一预测概率向量，得到第二预测概率向量，包括：通过目标预测概率值...

【专利技术属性】
技术研发人员：豆泽阳，吴招乐，蒋阳，
申请(专利权)人：共达地创新技术深圳有限公司，
类型：发明
国别省市：