【技术实现步骤摘要】
模型训练方法、目标检测方法及对应装置
[0001]本专利技术涉及目标检测
，具体而言，涉及一种模型训练方法、目标检测方法及对应装置。
技术介绍
[0002]目标检测是计算机视觉相关业务的基础技术之一，其具体任务是找预出给定图像中所有目标物体的位置并判断其类别。在现有技术中，普遍通过特定结构的神经网络模型实现目标检测，例如，单阶段检测器、两阶段检测器等。然而，由于训练样本的质量欠佳，导致这些方法的检测效果仍有待提高。
技术实现思路
[0003]本申请实施例的目的在于提供一种模型训练方法、目标检测方法及对应装置，以改善上述技术问题。
[0004]为实现上述目的，本申请提供如下技术方案：
[0005]第一方面，本申请实施例提供一种模型训练方法，用于训练第一检测模型，所述第一检测模型包括特征提取模块、密集预测模块、质量分布编码模块以及质量分布采样模块，所述方法包括：利用所述特征提取模块提取训练图像的特征图；利用所述密集预测模块针对所述特征图中的每个像素点预测对应的检测框及其类别分数；利用所述质量...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，用于训练第一检测模型，所述第一检测模型包括特征提取模块、密集预测模块、质量分布编码模块以及质量分布采样模块，所述方法包括：利用所述特征提取模块提取训练图像的特征图；利用所述密集预测模块针对所述特征图中的每个像素点预测对应的检测框及其类别分数；利用所述质量分布编码模块根据所述特征图以及所述训练图像中的真实框预测质量分布的分布参数，所述质量分布表征所述密集预测模块预测的检测框和所述真实框的重叠程度在所述特征图所在的平面上满足的分布；利用所述质量分布采样模块根据所述质量分布进行采样，得到多个采样点，确定所述多个采样点中的正样本点，并根据所述特征图中位于每个正样本点周围的像素点对应的检测框及其类别分数，计算得到每个正样本点对应的检测框及其类别分数；计算所述密集预测模块预测的检测框和所述真实框的重叠程度，根据所述质量分布在所述特征图中的每个像素点处的取值与对应的重叠程度计算第一损失，并根据所述第一损失更新所述质量分布编码模块以及所述特征提取模块的参数；根据每个正样本点对应的检测框及其类别分数，以及，所述真实框及其对应的真实类别计算第二损失，并根据所述第二损失更新所述密集预测模块以及所述特征提取模块的参数。2.根据权利要求1所述的模型训练方法，其特征在于，在所述利用所述质量分布采样模块根据所述质量分布进行采样，得到多个采样点之后，所述方法还包括：确定所述多个采样点中的负样本点，并根据所述特征图中位于每个负样本点周围的像素点对应的类别分数，计算得到每个负样本点对应的类别分数；根据每个负样本点对应的类别分数，以及，所述真实框对应的真实类别计算第三损失，并根据所述第三损失更新所述密集预测模块以及所述特征提取模块的参数。3.根据权利要求2所述的模型训练方法，其特征在于，所述确定所述多个采样点中的正样本点，包括：通过比较所述质量分布在所述多个采样点处的取值，将其中取值最大的预设数量的采样点确定为所述正样本点；所述确定所述多个采样点中的负样本点，包括：将所述多个采样点中除所述正样本点之外的采样点确定为所述负样本点。4.根据权利要求1
‑
3中任一项所述的模型训练方法，其特征在于，所述质量分布编码模块包括感兴趣区域池化层以及至少一个全连接层，所述利用所述质量分布编码模块根据所述特征图以及所述训练图像中的真实框预测质量分布的分布参数，包括：利用所述感兴趣区域池化层从所述特征图中扣取出位于真实框内的真实特征；利用所述至少一个全连接层根据所述真实特征预测质量分布的分布参数。5.根据权利要求1
‑
4中任一项所述的模型训练方法，其特征在于，所述质量分布采用高斯混合模型，所述分布参数包括所述高斯混合模型中每个高斯分布的权重、均值以及标准差。6.根据权利要求1
‑
5中任一项所述的模型训练方法，其特征在于，所述根据所述特征图中位于每个正样本点周围的像素点对应的检测框及其类别分数，计算得到每个正样本点对
应的检测框及其类别分数，包括：根据所述特征图中位于每个正样本点周围的像素点对应的检测框及其类别分数，利用插值运算...
【专利技术属性】
技术研发人员：马宇宸，黎泽明，
申请(专利权)人：北京迈格威科技有限公司，
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。