目标检测模型的训练方法及检测目标对象的方法、装置制造方法及图纸

本公开提供了一种目标检测模型的训练方法、检测目标对象的方法、装置、设备和介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于智能家居和智慧城市场景下。训练方法先将样本图像输入特征提取网络，得到第一特征数据，该样本图像具有指示样本图像中第一目标对象的第一实际位置和第一目标对象针对第二目标对象的实际条件概率的标签；将第一特征数据输入目标检测网络，得到第一目标对象的预测位置和第一目标对象针对第一预测位置的第一出现概率；将第一特征数据输入条件随机场网络，得到第一目标对象针对第二目标对象的第一条件概率；基于第一实际位置、预测位置、第一出现概率、实际条件概率和第一条件概率，训练目标检测模型。练目标检测模型。练目标检测模型。

【技术实现步骤摘要】
目标检测模型的训练方法及检测目标对象的方法、装置


[0001]本公开涉及人工智能
，具体涉及计算机视觉和深度学习
，可应用于智能家居和智慧城市场景下。

技术介绍

[0002]随着人工智能的发展，以卷积神经网络为代表的深度学习在目标检测、图像分类等领域得到了广泛应用。例如，在手势识别场景下，可以将人手作为待检测目标来建立目标检测任务。
[0003]在人数较多的场景下，手势指令通常会受到除指令发布者的人手外其他人手的干扰，难以保证手势识别的准确性。类似于该手势识别场景，检测可以相对于目标对象的中心点移动的子对象的场景，均存在识别不准确的问题。

技术实现思路

[0004]本公开提供了一种提高检测精度的目标检测模型的训练方法及检测目标对象的方法、装置、设备和存储介质。
[0005]根据本公开的一个方面，提供了一种目标检测模型的训练方法，其中，目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；该方法包括：将样本图像输入特征提取网络，得到第一特征数据，其中，样本图像具有标签，该标签指示样本图像中第一目标对象的第一实际位置和第一目标对象针对第二目标对象的实际条件概率；将第一特征数据输入目标检测网络，得到第一目标对象的第一预测位置和第一目标对象针对第一预测位置的第一出现概率；将第一特征数据输入条件随机场网络，得到第一目标对象针对第二目标对象的第一条件概率；以及基于第一实际位置、第一预测位置、第一出现概率、实际概率和第二出现概率，对目标检测模型进行训练。其中，第二目标对象包含第一目标对象，且第一目标对象能够相对于第二目标对象的中心移动。
[0006]根据本公开的另一方面，提供了一种采用目标检测模型检测目标对象的方法，目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；该方法包括：将待检测图像输入特征提取网络，得到第二特征数据；将第二特征数据输入目标检测网络，得到第一目标对象的第三预测位置和第一目标对象针对第三预测位置的第三出现概率；将第二特征数据输入条件随机场网络，得到第一目标对象针对第二目标对象的第二条件概率；以及基于第三出现概率和第二条件概率，确定待检测图像包括的第一目标对象；其中，第二目标对象包含第一目标对象，且第一目标对象能够相对于第二目标对象的中心移动；目标检测模型是采用前述的目标检测模型的训练方法训练得到的。
[0007]根据本公开的另一方面，提供了一种目标检测模型的训练装置，其中，目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；该装置包括：第一特征数据获得模块，用于将样本图像输入特征提取网络，得到第一特征数据，其中，样本图像具有标签，该标签指示样本图像中第一目标对象的第一实际位置和第一目标对象针对第二目标对象的实
际条件概率；第一目标检测模块，用于将第一特征数据输入目标检测网络，得到第一目标对象的第一预测位置和第一目标对象针对第一预测位置的第一出现概率；第一概率获得模块，用于将第一特征数据输入条件随机场网络，得到第一目标对象针对第二目标对象的第一条件概率；以及模型训练模块，用于基于第一实际位置、第一预测位置、第一出现概率、实际条件概率和第一条件概率，对目标检测模型进行训练，其中，第二目标对象包含第一目标对象，且第一目标对象能够相对于第二目标对象的中心移动。
[0008]根据本公开的另一方面，提供了一种采用目标检测模型检测目标对象的装置，其中，目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；该装置包括：第二特征数据获得模块，用于将待检测图像输入特征提取网络，得到第二特征数据；第二目标检测模块，用于将第二特征数据输入目标检测网络，得到第一目标对象的第三预测位置和第一目标对象针对第三预测位置的第三出现概率；第二概率获得模块，用于将第二特征数据输入条件随机场网络，得到第一目标对象针对第二目标对象的第二条件概率；以及对象确定模块，用于基于第三出现概率和第二条件概率，确定待检测图像包括的第一目标对象，其中，第二目标对象包含第一目标对象，且第一目标对象能够相对于第二目标对象的中心移动；该目标检测模型是采用前述的目标检测模型的训练装置训练得到的。
[0009]根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的目标检测模型的训练方法和/或采用目标检测模型检测目标对象的方法。
[0010]根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的目标检测模型的训练方法和/或采用目标检测模型检测目标对象的方法。
[0011]根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的目标检测模型的训练方法和/或采用目标检测模型检测目标对象的方法。
[0012]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0013]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0014]图1是根据本公开实施例的目标检测模型的训练方法和检测目标对象的方法、装置的应用场景示意图；
[0015]图2是根据本公开实施例的目标检测模型的训练方法的流程示意图；
[0016]图3是根据本公开实施例的目标检测模型的结构示意图；
[0017]图4是根据本公开实施例的采用目标检测模型检测目标对象的方法的流程示意图；
[0018]图5是根据本公开实施例的目标检测模型的训练装置的结构框图；
[0019]图6是根据本公开实施例的采用目标检测模型检测目标对象的装置的结构框图；以及
[0020]图7是用来实施本公开实施例的目标检测模型的训练方法和/或采用目标检测模型检测目标对象的方法的电子设备的框图。
具体实施方式
[0021]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0022]本公开提供了一种目标检测模型的训练方法，其中，目标检测模型包括特征提取网络、目标检测网络和条件随机场网络。该训练方法包括特征提取阶段、目标检测阶段、概率预测阶段和模型训练阶段。在特征提取阶段中，将样本图像输入特征提取网络，得到第一特征数据，其中，该样本图像具有标签，该标签指示样本图像中第一目标对象的第一实际位置和第一目标对象针对第二目标对象的实际条件概率。在目标检测阶段中，将第一特征数据输入目标检测网络，得到第一目标对象的第一预测位置和第一目标对象针对第一预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型的训练方法，其中，所述目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；所述方法包括：将样本图像输入所述特征提取网络，得到第一特征数据，其中，所述样本图像具有标签，所述标签指示所述样本图像中第一目标对象的第一实际位置和所述第一目标对象针对第二目标对象的实际条件概率；将所述第一特征数据输入所述目标检测网络，得到第一目标对象的第一预测位置和所述第一目标对象针对所述第一预测位置的第一出现概率；将所述第一特征数据输入所述条件随机场网络，得到所述第一目标对象针对所述第二目标对象的第一条件概率；以及基于所述第一实际位置、所述第一预测位置、所述第一出现概率、所述实际条件概率和所述第一条件概率，对所述目标检测模型进行训练，其中，所述第二目标对象包含所述第一目标对象，且所述第一目标对象能够相对于所述第二目标对象的中心移动。2.根据权利要求1所述的方法，其中，得到第一目标对象的第一预测位置和所述第一目标对象针对所述第一预测位置的第一出现概率包括：将所述第一特征数据输入所述目标检测网络，得到针对所述第一目标对象的热图，所述热图中各个点指示所述第一目标对象的中心位于所述各个点的概率；以及基于所述热图中的峰值点确定所述第一目标对象的预测中心位置，并确定所述峰值点指示的概率为所述第一出现概率。3.根据权利要求2所述的方法，其中，所述目标检测网络包括中心定位单元和尺寸回归单元；得到第一目标对象的第一预测位置和所述第一目标对象针对所述第一预测位置的第一出现概率还包括：将所述第一特征数据输入所述尺寸回归单元，得到所述第一目标对象的预测高度和预测宽度，其中，所述热图是通过将所述第一特征数据输入所述中心定位单元获得的。4.根据权利要求1所述的方法，还包括：将所述图像特征数据输入所述目标检测网络，得到所述第二目标对象的第二预测位置和所述第二目标对象针对所述第二预测位置的第二出现概率；其中，所述标签还指示所述第二目标对象的第二实际位置；对所述目标检测模型进行训练包括：基于所述第一实际位置、所述第一预测位置、所述第一出现概率、所述实际条件概率、所述第一条件概率、所述第二实际位置和所述第二预测位置，对所述目标检测模型进行训练。5.根据权利要求1所述的方法，其中，对所述目标检测模型进行训练包括：基于所述第一实际位置、所述第一预测位置和所述第一出现概率，确定预定损失函数中第一回归损失子函数的取值，得到第一取值；基于所述第一实际位置和所述第一预测位置，确定预定损失函数中定位损失子函数的取值，得到第二取值；基于所述实际条件概率和所述第一条件概率，确定预定损失函数中第二回归损失子函
数的取值，得到第三取值；以及基于所述第一取值、所述第二取值和所述第三取值，对所述目标检测模型进行训练。6.根据权利要求1～5中任一项所述的方法，其中，所述目标检测模型包括训练时间友好网络模型。7.一种采用目标检测模型检测目标对象的方法，其中，所述目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；所述方法包括：将待检测图像输入所述特征提取网络，得到第二特征数据；将所述第二特征数据输入所述目标检测网络，得到第一目标对象的第三预测位置和所述第一目标对象针对所述第三预测位置的第三出现概率；将所述第二特征数据输入所述条件随机场网络，得到所述第一目标对象针对第二目标对象的第二条件概率；以及基于所述第三出现概率和所述第二条件概率，确定所述待检测图像包括的第一目标对象，其中，所述第二目标对象包含所述第一目标对象，且所述第一目标对象能够相对于所述第二目标对象的中心移动；所述目标检测模型是采用权利要求1～6中任一项所述的方法训练得到的。8.根据权利要求7所述的方法，其中，确定所述待检测图像包括的第一目标对象包括：基于所述第三出现概率和所述第二条件概率，确定所述第一目标对象的目标出现概率；以及确定目标出现概率高于预定阈值的第一目标对象为所述待检测图像包括的第一目标对象。9.一种目标检测模型的训练装置，其中，所述目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；所述装置包括：第一特征数据获得模块，用于将样本图像输入所述特征提取网络，得到第一特征数据，其中，所述样本图像具有标签，所述标签指示所述样本图像中第一目标对象的第一实际位置和所述第一目标对象针对第二目标对象的实际条件概率；第一目标检测模块，用于将所述第一特征数据输入所述目标检测网络，得...

【专利技术属性】
技术研发人员：张健，
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：