安防检测模型训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种安防检测模型训练方法，应用于图像处理领域，用于提高系统识别准确率与降低安防检测模型的复杂度。本发明专利技术提供的方法包括获取待检测图片并提取二维特征向量与空间位置编码信息；对两者进行降维处理，获得图像特征矩阵；基于多层编码层，获得第一值特征矩阵、第一键特征矩阵和第一查询特征矩阵；并计算第一值特征矩阵与第一键特征矩阵，获得第一局部特征矩阵，并将第一局部特征矩阵与第一查询特征矩阵进行计算，获得预测目标向量矩阵；基于多层解码层，获得第二值特征矩阵和第二键特征矩阵；并计算第二值特征矩阵与第二键特征矩阵，获得第二局部特征矩阵，将第二局部特征矩阵与第二查询特征矩阵进行计算，获得安防检测结果。防检测结果。防检测结果。

【技术实现步骤摘要】
安防检测模型训练方法、装置、设备及存储介质


[0001]本专利技术涉及图像处理领域，尤其涉及一种安防检测模型训练方法、装置、计算机设备及存储介质。

技术介绍

[0002]安防检测系统的应用场景十分广泛，可以应用在地下车库、公众场合、危险工作场合等。安防检测系统通常使用安防检测模型对具体的应用场景进行实时分析并识别当前场景的安全性。安防检测模型通常可通过目标检测和目标识别的技术对来自安防检测系统识别到的视频帧或者图片进行检测、识别和分析处理，从而达到事前预警和事后查看的功能。
[0003]现有的安防检测模型主要采用了图像对比方法和行为目标识别方法，但这两种方法都存在一个问题，对图片中小目标的检测效果较差，即安防检测模型的识别准确率不高，现有面对识别准确率不高，主要采用的方法有Transformer自然语言处理模型。Transformer自然语言处理模型虽然在一定程度上能提高识别准确率，但同样带来了对硬件设备要求高、训练与推理阶段耗时长，不适合实时预警的问题，同时，该Transformer自然语言处理模型还需要手工设计多种类型的锚框来预测目标边缘的位置和类别，过程复杂。
[0004]因此，现有的安防检测系统存在难以在提高识别准确率的同时，降低模型的复杂度的问题。

技术实现思路

[0005]本专利技术实施例提供一种安防检测模型训练方法、装置、计算机设备及存储介质，从而使得安防检测系统在提高识别准确率的同时，降低安防检测模型的复杂度。
[0006]一种安防检测模型训练方法，包括：/>[0007]从安防检测系统上获取待检测图片，并提取所述待检测图片的二维特征向量与空间位置编码信息；
[0008]基于预设的降维方式，对所述二维特征向量与所述空间位置编码信息进行降维处理，获得图像特征矩阵；
[0009]基于Transformer算法的多层编码层，将所述图像特征矩阵分别与预设值矩阵、预设键矩阵、预设查询矩阵进行相乘，得到对应的第一值特征矩阵、第一键特征矩阵和第一查询特征矩阵；
[0010]对所述第一值特征矩阵与所述第一键特征矩阵进行卷积计算，获得第一局部特征矩阵，并将所述第一局部特征矩阵与所述第一查询特征矩阵进行第一预测处理，获得预测目标向量矩阵；
[0011]基于Transformer算法的多层解码层，将所述预测目标向量矩阵分别与所述第一值特征矩阵、第一键特征矩阵进行相乘，得到对应的第二值特征矩阵和第二键特征矩阵；
[0012]对所述第二值特征矩阵与所述第二键特征矩阵进行卷积计算，获得第二局部特征矩阵，并将所述第二局部特征矩阵与第二查询特征矩阵进行第二预测处理，获得安防检测
结果。
[0013]一种安防检测模型训练装置，包括：
[0014]第一数据获取模块，用于从安防检测系统上获取待检测图片，并提取所述待检测图片的二维特征向量与空间位置编码信息；
[0015]图像特征矩阵获取模块，用于基于预设的降维方式，对所述二维特征向量与所述空间位置编码信息进行降维处理，获得图像特征矩阵；
[0016]第二数据获取模块，用于基于Transformer算法的多层编码层，将所述图像特征矩阵分别与预设值矩阵、预设键矩阵、预设查询矩阵进行相乘，得到对应的第一值特征矩阵、第一键特征矩阵和第一查询特征矩阵；
[0017]预测目标向量矩阵获取模块，用于对所述第一值特征矩阵与所述第一键特征矩阵进行卷积计算，获得第一局部特征矩阵，并将所述第一局部特征矩阵与所述第一查询特征矩阵进行第一预测处理，获得预测目标向量矩阵；
[0018]第三数据获取模块，用于基于Transformer算法的多层解码层，将所述预测目标向量矩阵分别与所述第一值特征矩阵、第一键特征矩阵进行相乘，得到对应的第二值特征矩阵和第二键特征矩阵；
[0019]安防检测结果获取模块，用于对所述第二值特征矩阵与所述第二键特征矩阵进行卷积计算，获得第二局部特征矩阵，并将所述第二局部特征矩阵与第二查询特征矩阵进行第二预测处理，获得安防检测结果。
[0020]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述安防检测模型训练方法的步骤。
[0021]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实现上述安防检测模型训练方法的步骤。
[0022]本专利技术实施例中的安防检测模型训练方法、装置、计算机设备及存储介质，从安防检测系统上获取待检测图片，并提取待检测图片的二维特征向量与空间位置编码信息；基于预设的降维方式，对二维特征向量与空间位置编码信息进行降维处理，获得图像特征矩阵；基于Transformer算法的多层编码层，将图像特征矩阵分别与预设值矩阵、预设键矩阵、预设查询矩阵进行相乘，得到对应的第一值特征矩阵、第一键特征矩阵和第一查询特征矩阵；对第一值特征矩阵与第一键特征矩阵进行卷积计算，获得第一局部特征矩阵，并将第一局部特征矩阵与第一查询特征矩阵进行第一预测处理，获得预测目标向量矩阵；基于Transformer算法的多层解码层，将预测目标向量矩阵分别与第一值特征矩阵、第一键特征矩阵进行相乘，得到对应的第二值特征矩阵和第二键特征矩阵；对第二值特征矩阵与第二键特征矩阵进行卷积计算，获得第二局部特征矩阵，并将第二局部特征矩阵与第二查询特征矩阵进行第二预测处理，获得安防检测结果。通过引入Transformer算法的编码层与解码层，在进行注意力计算之前，先对值特征矩阵与键特征矩阵进行卷积计算，提取重要的局部特征矩阵，局部特征矩阵结合全局特征矩阵进行注意力计算，有效降低安防检测模型的计算量，减少资源成本，降低了模型复杂度，同时提升了模型检测的准确率。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本专利技术一实施例中安防检测模型训练方法的一应用环境示意图；
[0025]图2是本专利技术一实施例中安防检测模型训练方法的一流程图；
[0026]图3是本专利技术一实施例中安防检测模型训练装置的结构示意图；
[0027]图4是本专利技术一实施例中计算机设备的一示意图。
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]本申请提供的安防检测模型训练方法，可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。其中，计算机设备可以但不限于各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安防检测模型训练方法，其特征在于，包括：从安防检测系统上获取待检测图片，并提取所述待检测图片的二维特征向量与空间位置编码信息；基于预设的降维方式，对所述二维特征向量与所述空间位置编码信息进行降维处理，获得图像特征矩阵；基于Transformer算法的多层编码层，将所述图像特征矩阵分别与预设值矩阵、预设键矩阵、预设查询矩阵进行相乘，得到对应的第一值特征矩阵、第一键特征矩阵和第一查询特征矩阵；对所述第一值特征矩阵与所述第一键特征矩阵进行卷积计算，获得第一局部特征矩阵，并将所述第一局部特征矩阵与所述第一查询特征矩阵进行第一预测处理，获得预测目标向量矩阵；基于Transformer算法的多层解码层，将所述预测目标向量矩阵分别与所述第一值特征矩阵、所述第一键特征矩阵进行相乘，得到对应的第二值特征矩阵和第二键特征矩阵；对所述第二值特征矩阵与所述第二键特征矩阵进行卷积计算，获得第二局部特征矩阵，并将所述第二局部特征矩阵与第二查询特征矩阵进行第二预测处理，获得安防检测结果。2.根据权利要求1所述的方法，其特征在于，所述从安防检测系统上获取待检测图片，并提取所述待检测图片的二维特征向量与空间位置编码信息的步骤包括：从安防检测系统上获取待检测图片；对所述待检测图片进行预处理，得到预处理图片；基于卷积神经网络，对所述预处理图片进行特征提取，得到二维特征向量与空间位置编码信息。3.根据权利要求2所述的方法，其特征在于，所述对所述待检测图片进行预处理，得到预处理图片的步骤包括：基于预设的宽高排序方式，对所有的待检测图片进行排序，并得到填充参照图片；采用所述填充参照图片，对其他待检测图片的进行填充处理，并使用掩码矩阵对填充部分进行标记，得到规格一致的预处理图片。4.根据权利要求1所述的方法，其特征在于，所述基于预设的降维方式，对所述二维特征向量与所述空间位置编码信息进行降维处理，获得图像特征矩阵的步骤包括：对所述二维特征向量进行降维处理，得到一维特征；将所述一维特征与所述空间位置编码信息相加，得到一维特征序列；将所述空间位置编码信息与预设位置权重矩阵进行相乘，得到位置编码向量矩阵；将所述一维特征序列与所述位置编码向量矩阵输入Transformer算法的编码过程，以使所述Transformer算法的编码层根据所述位置编码向量对所述一维特征序列进行还原处理，得到所述图像特征矩阵。5.根据权利要求1所述的方法，其特征在于，所述对所述第一值特征矩阵与所述第一键特征矩阵进行卷积计算，获得第一局部特征矩阵，并将所述第一局部特征矩阵与所述第一查询特征矩阵进行第一预测处理，获得预测目标向量矩阵的步骤包括：对所述第一值特征矩阵与所述第一键特征矩阵进行点乘处理，并除以预设常数值，获
得第一局部特征矩阵；对所述第一局部特征矩阵和所述第一查询特征矩阵进行注意力计算，得到第一注意力特征矩阵；将所述第一注意力特征矩阵与所述图像特征矩阵进行相加，更新所述图像特征矩阵；对所述图像特征矩阵进行归一化处理，并通过前馈神经网络，将所述图像特征矩阵作为第一局部特征矩阵返回对所述第一局部特征矩阵和所述第一查询特征矩阵进行注意力计...

【专利技术属性】
技术研发人员：李志韬，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：