【技术实现步骤摘要】
目标检测模型的训练和目标检测方法、装置、设备及介质
[0001]本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于智慧城市和智能交通场景下。
技术介绍
[0002]基于深度学习的目标检测方法作为人工智能快速发展的主航道,已经初步落地到了工业、遥感、农业、无人驾驶等各个领域。目前的绝大多数目标检测模型的训练过程都是建立在大量的样本数据基础上的,需要海量图像数据作为支撑。
[0003]然而,基于大量样本数据来训练目标检测模型方式存在诸多缺陷,例如,获取大量的样本数据的需要耗费过多的时间和人力,这会增加目标检测模型的训练成本;或者,某些图片类别所具备的样本数据量过少,导致训练出目标检测模型无法达到期望的效果。
技术实现思路
[0004]本公开提供了一种目标检测模型的训练和目标检测方法、装置、设备及介质。
[0005]根据本公开的第一方面,提供了一种目标检测模型的训练方法,包括:
[0006]将第一类别的第一样本图片输入到第一目标检测模型的特征提取层,利用特征提取层提取出初始卷积特征;
[0007]将初始卷积特征输入到第一目标检测模型的特征增强层,利用特征增强层确定出初始卷积特征中待增强的目标通道,并对目标通道进行增强,得到目标卷积特征;
[0008]基于目标卷积特征,获取针对第一样本图片的目标检测结果;
[0009]确定第一样本图片的目标检测结果对应的第一损失值,基于第一损失值对第一目标检测模型进行训练,直至第一损失值达到第一预设损失阈值。< ...
【技术保护点】
【技术特征摘要】
1.一种目标检测模型的训练方法,包括:将第一类别的第一样本图片输入到第一目标检测模型的特征提取层,利用所述特征提取层提取出初始卷积特征;将所述初始卷积特征输入到第一目标检测模型的特征增强层,利用所述特征增强层确定出所述初始卷积特征中待增强的目标通道,并对所述目标通道进行增强,得到目标卷积特征;基于所述目标卷积特征,获取针对所述第一样本图片的目标检测结果;确定所述第一样本图片的目标检测结果对应的第一损失值,基于所述第一损失值对所述第一目标检测模型进行训练,直至所述第一损失值达到第一预设损失阈值。2.根据权利要求1所述的方法,其中,所述利用所述特征增强层确定出所述初始卷积特征中待增强的目标通道,包括:利用所述特征增强层,计算出所述初始卷积特征中的每个通道的子矩阵中各元素的第一平均值;将对应的所述第一平均值小于第一预设值的通道,确定为所述初始卷积特征中待增强的目标通道。3.根据权利要求2所述的方法,所述第一预设值为所述初始卷积特征的矩阵中各元素的第二平均值;所述将对应的所述第一平均值小于第一预设值的通道,确定为所述初始卷积特征中待增强的目标通道,包括:利用所述特征增强层,计算所述初始卷积特征的矩阵中各元素的第二平均值;将对应的所述第一平均值小于所述第二平均值的通道,确定为所述初始卷积特征中待增强的目标通道。4.根据权利要求1所述的方法,其中,所述对所述目标通道进行增强,包括:基于所述目标通道的子矩阵、以及与所述目标通道相邻的通道的子矩阵,增大所述目标通道的子矩阵中各元素的值。5.根据权利要求4所述的方法,通过如下公式来增大所述目标通道的子矩阵中各元素的值:C
iA
=w1
×
C
i
+w2
×
C
i+1
,其中,C
iA
是增强后的所述目标通道的子矩阵,C
i
是待增强的所述目标通道的子矩阵,C
i+1
是与所述目标通道相邻的通道的子矩阵,w1和w2是可训练的权重值,i可以表示目标通道的序号。6.根据权利要求1至5中任一项所述的方法,在所述基于所述第一损失值对所述第一目标检测模型进行训练,直至所述第一损失值达到第一预设损失阈值之后,还包括:将第二类别的第二样本图片输入到所述第一目标检测模型,利用所述第一目标检测模型输出针对所述第二样本图片的目标检测结果;确定所述第二样本图片的目标检测结果对应的第二损失值,基于所述第二损失值对所述第一目标检测模型进行训练,当所述第二损失值达到第二预设损失阈值时结束训练,得到适用于所述第二类别的图片的目标检测任务的第二目标检测模型。7.一种目标检测方法,包括:
将第二类别的待检测图片输入到根据权利要求6所述的训练方法得到的第二目标检测模型;利用所述第二目标检测模型输出针对所述待检测图片的目标检测结果。8.一种目标检测模型的训练装置,包括:特征提取模块,用于将第一类别的第一样本图片输入到第一目标检测模型的特征提取层,利用所述特征提取层提取出初始卷积特征;特征增强模块,用于将所述初始卷积特征输入到第一目标检测模型的特征增强层,利用所述特征增强层确定出所述初始卷积特征中待增强的目标通道,并对所述目标通道进行增强,得到目标卷积特征;第一目标检测模块,用于基于所述目标卷积特征,获取针对所述第一样本图片的目标检测结果;第一模型训练模块,用于确定所述第一样本图片的目标检测结果对应的第一损失值,基于所述第一损失值对所述第一目标检测模型进行训练,直至所述第一损失值达到第一预设损失阈值。9.根据权利要求8所述的方法,其中...
【专利技术属性】
技术研发人员:王云浩,陈松,张滨,辛颖,冯原,王晓迪,龙翔,贾壮,彭岩,郑弘晖,李超,谷祎,韩树民,
申请(专利权)人:北京百度网讯科技有限公司,
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。