【技术实现步骤摘要】
目标检测模型的训练、检测方法、装置及电子设备
[0001]本公开涉及人工智能领域，尤其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]计算机视觉技术在工业场景中的应用越来越丰富。作为计算机视觉技术的基础，目标检测技术能够解决利用人工的传统方式耗时耗力的问题，因此具有十分广泛的应用前景。在对图像进行目标检测的过程中，由于检测技术发展的局限性，检测结果的精度较低。
技术实现思路
[0003]本公开提供了一种目标检测模型的训练、检测方法、装置及电子设备。
[0004]根据本公开的一方面，提供了一种目标检测模型的训练方法，包括：利用目标检测模型提取样本图像的多个特征信息，对该多个特征信息进行类别检测，得到类别的个数；基于该类别的个数，对该多个特征信息进行聚类分析，得到该目标检测模型的聚类损失；基于该目标检测模型的网络损失和该聚类损失对该目标检测模型的网络参数进行调整，得到训练好的目标检测模型。
[0005]根据本公开的另一方面，提供了一种目标检测模型的检测方法...
【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：利用目标检测模型提取样本图像的多个特征信息，对所述多个特征信息进行类别检测，得到类别的个数；基于所述类别的个数，对所述多个特征信息进行聚类分析，得到所述目标检测模型的聚类损失；基于所述目标检测模型的网络损失和所述聚类损失对所述目标检测模型的网络参数进行调整，得到训练好的目标检测模型。2.根据权利要求1所述的方法，其中，所述基于所述类别的个数，对所述多个特征信息进行聚类分析，得到所述目标检测模型的聚类损失，包括：基于所述类别的个数，对所述多个特征信息进行聚类，获得多个聚类组和所述多个聚类组各自的聚类中心；根据每个特征信息与聚类中心计算每个聚类组的聚类内损失；根据每个聚类组的聚类中心计算每两个聚类组的聚类间损失；将所述聚类内损失和所述聚类间损失作为所述目标检测模型的聚类损失。3.根据权利要求2所述的方法，其中，所述根据每个特征信息与聚类中心计算每个聚类组的聚类内损失，包括：针对每个聚类组，计算每个特征信息与其所在聚类组的聚类中心的第一距离，并将第一距离中的最大值作为聚类内损失。4.根据权利要求2所述的方法，其中，所述根据每个聚类组的聚类中心计算每两个聚类组的聚类间损失，包括：针对每两个聚类组，计算所述两个聚类组的聚类中心的距离作为第二距离，并将第二距离中的最小值作为聚类间损失。5.根据权利要求1所述的方法，其中，还包括：基于所述目标检测模型的网络损失和所述聚类损失对所述目标检测模型的网络参数进行调整之前，通过所述目标检测模型对所述样本图像进行处理，得到所述样本图像中参照对象的第一检测结果和热力图；基于所述第一检测结果、所述热力图以及所述样本图像的监督信息，确定所述目标检测模型的网络损失，其中，所述热力图用于指示所述参照对象在所述样本图像中的预测位置。6.根据权利要求1所述的方法，其中，所述样本图像为一个图像或多个图像帧。7.一种目标检测模型的检测方法，包括：利用权利要求1～6任一项的所述训练好的目标检测模型对目标图像进行检测，得到所述目标图像中目标对象的第二检测结果，所述目标图像为一个图像帧或多个图像帧。8.根据权利要求7所述的方法，其中，所述利用所述训练好的目标检测模型对目标图像进行检测，得到所述目标图像中目标对象的第二检测结果，包括：利用所述训练好的目标检测模型对所述目标图像进行特征提取，根据提取的图像特征，确定至少一个候选区域；基于所述至少一个候选区域的图像特征，得到包括所述目标对象的类别信息和位置信息的第二检测结果。
9.一种目标检测模型的训练装置，包括：提取模块，用于利用目标检测模型提取样本图像的多个特征信息，对所述多个特征信息进行类别检测，得到类别的个数；聚类模块，用于基于所述类别的个数，对所述多个特征信息进行聚类分析，得到所述目标检测模型的聚类损失；训练模块，用于基于所述目标检测模型的网络损失和所述聚类损失对所述目标检测模...
【专利技术属性】
技术研发人员：叶锦，谭啸，孙昊，
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。