目标对象信息的处理方法、装置及计算机程序产品制造方法及图纸

本公开提供了目标对象信息的处理方法、装置及计算机程序产品，具体涉及边缘计算、云计算、深度学习等技术，可用于目标检测场景下。具体实现方案为：获取训练集，其中，训练集中包括数量不均衡的、对应于不同类型的目标对象的多个训练子集，每个训练子集中包括的训练样本包括样本图像和样本图像中的目标对象的位置标签、类型标签；通过训练集中的训练样本中的样本图像和位置标签，训练得到目标对象确定网络；基于多个训练子集中的训练样本中的样本图像和类型标签，训练得到目标对象分类网络；结合目标对象确定网络和目标对象分类网络，得到目标对象检测模型。本公开提高了训练方法的实用性和适应范围，以及目标对象检测模型的检测准确度。准确度。准确度。

【技术实现步骤摘要】
目标对象信息的处理方法、装置及计算机程序产品


[0001]本公开涉及计算机
，具体涉及边缘计算、云计算、深度学习等技术，尤其涉及目标对象信息的处理方法、装置、电子设备、存储介质以及计算机程序产品，可用于目标检测场景下。

技术介绍

[0002]在目标检测算法中，经常会遇到各类型的样本数据集数量相差比较大，即样本不均衡的情况。若直接采用不均衡的训练样本训练目标对象检测模型，所得到的模型的检测效果一般都不理想，尤其对于样本数量少的类型的目标对象，检测效果通常较差。目前，在样本不均衡的情况下，通常以数据量小的类别为基准，构建样本均衡的训练集进行模型训练。然而，由训练样本数据量较小，导致所得到的目标对象检测模型的检测效果较差。

技术实现思路

[0003]本公开提供了一种目标对象信息的处理方法、装置、电子设备、存储介质以及计算机程序产品。
[0004]根据第一方面，提供了一种目标对象信息的处理方法，包括：获取训练集，其中，训练集中包括数量不均衡的、对应于不同类型的目标对象的多个训练子集，每个训练子集中包括的训练样本包括样本图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象信息的处理方法，包括：获取训练集，其中，所述训练集中包括数量不均衡的、对应于不同类型的目标对象的多个训练子集，每个训练子集中包括的训练样本包括样本图像和样本图像中的目标对象的位置标签、类型标签；通过所述训练集中的训练样本中的样本图像和位置标签，训练得到目标对象确定网络；基于所述多个训练子集中的训练样本中的样本图像和类型标签，训练得到目标对象分类网络；结合所述目标对象确定网络和所述目标对象分类网络，得到所述目标对象检测模型。2.根据权利要求1所述的方法，其中，所述基于所述多个训练子集中的训练样本中的样本图像和类型标签，训练得到目标对象分类网络，包括：基于所述多个训练子集，采用预设方式得到数量均衡的多个更新训练子集；通过所述多个更新训练子集中的训练样本中的样本图像和类型标签，训练得到所述目标对象分类网络。3.根据权利要求2所述的方法，其中，所述基于所述多个训练子集，采用预设方式得到数量均衡的多个更新训练子集，包括：以所述多个训练子集中所包括的训练样本的数量最少的目标训练子集为基准，对所述目标训练子集之外的训练子集进行采样，得到所述多个更新训练子集。4.根据权利要求2或3所述的方法，其中，所述通过所述多个更新训练子集中的训练样本中的样本图像和类型标签，训练得到所述目标对象分类网络，包括：利用机器学习方法，以所述多个更新训练子集中的训练样本中的样本图像为输入，以所输入的样本图像对应的类型标签为期望输出，训练得到网络结构不同的多个目标对象分类网络；以及所述通过所述训练集中的训练样本中的样本图像和位置标签，训练得到目标对象确定网络，包括：利用机器学习方法，以所述训练集中的训练样本中的样本图像为输入，以所输入的样本图像对应的位置标签为期望输出，训练得到网络结构不同的多个目标对象确定网络。5.根据权利要求4所述的方法，其中，所述结合所述目标对象确定网络和所述目标对象分类网络，得到所述目标对象检测模型，包括：从所述多个目标对象确定网络中确定出目标确定网络；从所述多个目标对象分类网络中确定出目标分类网络；结合所述目标确定网络和所述目标分类网络，得到所述目标对象检测模型。6.一种目标对象的检测方法，包括：获取待检测图像；通过目标对象检测模型得到所述待检测图像中的目标对象的检测结果，其中，所述目标对象检测模型通过权利要求1
‑
5中任一项得到。7.一种目标对象信息的处理装置，包括：第一获取单元，被配置成获取训练集，其中，所述训练集中包括数量不均衡的、对应于不同类型的目标对象的多个训练子集，每个训练子集中包括的训练样本包括样本图像和样
本图像中的目标对象的位置标签...

【专利技术属性】
技术研发人员：王学占，孔德超，杜海，
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：