目标检测模型的训练方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例公开了一种目标检测模型的训练方法、装置、计算机设备及存储介质，涉及图像识别技术领域。其中方法包括：构造目标检测模型的网络结构，得到初始检测模型，将多个信号时频图输入初始检测模型，输出最终预测结果，构建损失函数计算训练损失，并根据训练损失调整初始检测模型得到目标检测模型。本申请在网络结构中加入了膨胀卷积层和反卷积层，并在损失函数中加入了负样本权重值，使得目标检测模型在训练中可以更顺利地区分真实目标区域和空白目标区域。这样，可以快速训练以及检测信号时频图中的信号数据，并且准确地检测出各种类型的信号数据。各种类型的信号数据。各种类型的信号数据。

【技术实现步骤摘要】
目标检测模型的训练方法、装置、计算机设备及存储介质


[0001]本方案属于图像识别
，尤其涉及一种目标检测模型的训练方法、装置、计算机设备及存储介质。

技术介绍

[0002]为了保证信息传输的可靠性，信息传输系统必须具备稳定的抗干扰能力，信号检测是抵抗干扰的最佳方法之一。现有的信号检测方案是时频分析法，其过程如下：将一维信号映射到二维平面，生成信号时频图。用深度神经网络来检测信号时频图中的目标信号数据，称为目标检测问题。可以通过YOLO算法、YOLOV3算法、Poly
‑
YOLO算法对信号时频图进行目标检测，YOLO算法对信号时频图进行目标检测时，对小目标和密集型目标检测效果很差，几乎无法在信号短而密集的信号时频图上进行目标检测。YOLOV3算法对信号时频图进行目标检测时，则存在对大目标识别不准确，且边框回归不准，对密集型小目标也无法精确检测的问题；而Poly
‑
YOLO算法由于其网络结构原因，训练时收敛困难，训练和测试速度都很慢，无法满足信号检测的快速和实时性。

技术实现思路

[0003]为了改善现有的目标检测算法对信号时频图中不同类型的信号数据检测效果差、训练困难的问题，本申请提出了一种目标检测模型的训练方法、装置、计算机设备及存储介质，能够准确地检测出信号时频图不同类型的信号数据，且训练和检测速度快，可以满足信号检测的实时性。
[0004]为了实现上述目的，本专利技术采用了如下的技术方案：第一方面，本申请实施例提供了一种目标检测模型的训练方法，所述方法包括：获取训练集，所述训练集包括多个信号时频图；构建初始检测模型，所述初始检测模型包括主干网络和头部网络；将所述多个信号时频图输入所述主干网络，通过所述主干网络对各信号时频图进行计算，输出多个特征层；将多个所述特征层输入所述头部网络，通过所述头部网络分别对各所述特征层进行计算，得到所述各信号时频图对应的最终预测结果；获取所述各信号时频图的真实目标信息；构建预设损失函数，通过所述预设损失函数计算所述各信号时频图对应的最终预测结果与真实目标信息之间的当前训练损失；根据所述当前训练损失反馈调整所述初始检测模型的参数，得到目标检测模型。
[0005]在一种可能的实现方式中，所述头部网络包括：第一变换卷积层、第二变换卷积层、第三变换卷积层、第四变换卷积层、第一膨胀卷积层、第二膨胀卷积层、第一反卷积层、第二反卷积层、后续卷积层；所述多个特征层包括：第一特征层、第二特征层、第三特征层；所述将所述第一特征层、第二特征层、第三特征层输入所述头部网络，通过所述头
部网络分别对所述第一特征层、第二特征层、第三特征层进行计算，得到所述各信号时频图对应的最终预测结果的步骤，包括：将所述第二特征层通过所述第二变换卷积层得到第一输出结果；将所述第三特征层通过所述第三变换卷积层变换通道数，通过所述第一膨胀卷积层扩充视野度，通过所述第一反卷积层进行上采样，得到第二输出结果；将所述第一输出结果和所述第二输出结果相加得到第三输出结果；将所述第三输出结果通过所述第四变换卷积层变换通道数，通过所述第二膨胀卷积层扩充视野度，通过所述第二反卷积层进行上采样，得到第四输出结果；将所述第一特征层通过所述第一变换卷积层得到第五输出结果；将所述第四输出结果和所述第五输出结果相加得到第六输出结果；将所述第六输出结果通过所述后续卷积层得到所述各信号时频图对应的最终预测结果。
[0006]在一种可能的实现方式中，所述方法还包括：将各所述信号时频图划分为多个网格，对所述各网格设置预设数量的锚框；所述预设损失函数包括：第一损失函数、第二损失函数、第三损失函数；所述通过所述预设损失函数计算所述各信号时频图对应的最终预测结果与真实目标信息之间的当前训练损失的步骤，包括：通过所述第一损失函数计算各所述锚框的目标有无损失，并计算各所述锚框的目标有无损失的总和，得到第一预测损失；通过所述第二损失函数计算各所述锚框的目标类别损失，并计算各所述锚框的目标类别损失的总和，得到第二预测损失；通过所述第三损失函数计算各所述锚框的目标坐标损失，并计算各所述锚框的目标坐标损失的总和，得到第三预测损失；将所述第一预测损失乘以第一权重系数的积值、所述第二预测损失乘以第二权重系数的积值、所述第三预测损失乘以第三权重系数的积值求和，得到所述当前训练损失。
[0007]在一种可能的实现方式中，所述通过所述第一损失函数计算各所述锚框的目标有无损失的步骤，包括：在第i个网格的第j个锚框包含真实目标信息时，通过所述第一损失函数根据预测的第i个网格的第j个锚框存在所述真实目标信息的置信度计算第i个网格的第j个锚框的目标有无损失；在第i个网格的第j个锚框不包含真实目标信息时，通过所述第一损失函数根据预测的第i个网格的第j个锚框存在所述真实目标信息的置信度和第i个网格的第j个锚框与所述真实目标信息所在区域的交并比计算第i个网格的第j个锚框的目标有无损失。
[0008]在一种可能的实现方式中，所述在第i个网格的第j个锚框包含真实目标信息时，通过所述第一损失函数根据预测的第i个网格的第j个锚框存在所述真实目标信息的置信度计算第i个网格的第j个锚框的目标有无损失，包括：根据以下公式（1）计算第i个网格的第j个锚框的目标有无损失：公式（1）：
；其中，为第i个网格的第j个锚框的所述目标有无损失，为预测的第i个网格的第j个锚框存在所述真实目标信息的置信度,表示第i个网格的第j个锚框包含真实目标信息。
[0009]在一种可能的实现方式中，所述在第i个网格的第j个锚框不包含真实目标信息时，通过所述第一损失函数根据预测的第i个网格的第j个锚框存在所述真实目标信息的置信度和第i个网格的第j个锚框与所述真实目标信息所在区域的交并比计算第i个网格的第j个锚框的目标有无损失，包括：根据公式（2）计算第i个网格的第j个锚框的目标有无损失：公式（2）为：
ꢀꢀꢀꢀ
其中，为第i个网格的第j个锚框的所述目标有无损失，为预测的第i个网格的第j个锚框存在所述真实目标信息的置信度，为第i个网格的第j个锚框与所述真实目标信息所在区域的交并比，表示第i个网格的第j个锚框不包含真实目标信息。
[0010]在一种可能的实现方式中，所述通过所述第二损失函数计算各所述锚框的目标类别损失的步骤，包括：根据公式（3）确定各所述锚框的所述目标类别损失，其中：公式（3）为：；其中，为第i个网格的第j个锚框的所述目标类别损失，nc为所述预设数量，k为所述真实目标信息的类别，当第i个网格的第j个锚框对应的预测类别为所述真实目标信息的类别时为1，否则为0，为预测第i个网格的第j个锚框属于所述真实目标信息的类别的概率。
[0011]在一种可能的实现方式中，所述通过所述第三损失函数计算各所述锚框的目标坐标损失的步骤，包括：根据公式（4）确定各所述锚框的所述目标坐标损失，其中：公式（4）为：；其中，为第i个网格的第j个锚框的所述目标坐标损失，表示第i个网格的第j个锚框对应的预测目标区域与所述真实目标信息所在区域的交并比，表本文档来自技高网...

【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，其特征在于，所述方法包括：获取训练集，所述训练集包括多个信号时频图；构建初始检测模型，所述初始检测模型包括主干网络和头部网络；将所述多个信号时频图输入所述主干网络，通过所述主干网络对各信号时频图进行计算，输出多个特征层；将多个所述特征层输入所述头部网络，通过所述头部网络分别对各所述特征层进行计算，得到所述各信号时频图对应的最终预测结果；获取所述各信号时频图的真实目标信息；构建预设损失函数，通过所述预设损失函数计算所述各信号时频图对应的最终预测结果与真实目标信息之间的当前训练损失；根据所述当前训练损失反馈调整所述初始检测模型的参数，得到目标检测模型。2.根据权利要求1所述的目标检测模型的训练方法，其特征在于，所述头部网络包括：第一变换卷积层、第二变换卷积层、第三变换卷积层、第四变换卷积层、第一膨胀卷积层、第二膨胀卷积层、第一反卷积层、第二反卷积层、后续卷积层；所述多个特征层包括：第一特征层、第二特征层、第三特征层；所述将所述第一特征层、第二特征层、第三特征层输入所述头部网络，通过所述头部网络分别对所述第一特征层、第二特征层、第三特征层进行计算，得到所述各信号时频图对应的最终预测结果的步骤，包括：将所述第二特征层通过所述第二变换卷积层得到第一输出结果；将所述第三特征层通过所述第三变换卷积层变换通道数，通过所述第一膨胀卷积层扩充视野度，通过所述第一反卷积层进行上采样，得到第二输出结果；将所述第一输出结果和所述第二输出结果相加得到第三输出结果；将所述第三输出结果通过所述第四变换卷积层变换通道数，通过所述第二膨胀卷积层扩充视野度，通过所述第二反卷积层进行上采样，得到第四输出结果；将所述第一特征层通过所述第一变换卷积层得到第五输出结果；将所述第四输出结果和所述第五输出结果相加得到第六输出结果；将所述第六输出结果通过所述后续卷积层得到所述各信号时频图对应的最终预测结果。3.根据权利要求1所述的目标检测模型的训练方法，其特征在于，所述方法还包括：将各所述信号时频图划分为多个网格，对所述各网格设置预设数量的锚框；所述预设损失函数包括：第一损失函数、第二损失函数、第三损失函数；所述通过所述预设损失函数计算所述各信号时频图对应的最终预测结果与真实目标信息之间的当前训练损失的步骤，包括：通过所述第一损失函数计算各所述锚框的目标有无损失，并计算各所述锚框的目标有无损失的总和，得到第一预测损失；通过所述第二损失函数计算各所述锚框的目标类别损失，并计算各所述锚框的目标类别损失的总和，得到第二预测损失；通过所述第三损失函数计算各所述锚框的目标坐标损失，并计算各所述锚框的目标坐标损失的总和，得到第三预测损失；
将所述第一预测损失乘以第一权重系数的积值、所述第二预测损失乘以第二权重系数的积值、所述第三预测损失乘以第三权重系数的积值求和，得到所述当前训练损失。4.根据权利要求3所述的目标检测模型的训练方法，其特征在于，所述通过所述第一损失函数计算各所述锚框的目标有无损失的步骤，包括：在第i个网格的第j个锚框包含真实目标信息时，通过所述第一损失函数根据预测的第i个网格的第j个锚框存在所述真实目标信息的置信度计算第i个网格的第j个锚框的目标有无损失；在第i个网格的第j个锚框不包含真实目标信息时，通过所述第一损失函数根据预测的第i个网格的第j个锚框存在所述真实目标信息的置信度和第i个网格的第j个锚框与所述真实目标信息所在区域的交并比计算第i个网格的第j个锚框的目标有无损失。5.根据权利要求4所述的目标检测模型的训练方法，其特征在于，所述在第i个网格的第j个锚框包含真实目标信息时，通过所述第一损失函数根据预测的第i个网格的第j个锚框存在所述真实目标信息的置信度计算第i个网格的第j个锚框的目标有无损失，包括：根据公式（1）计算第i个网格的第j个锚框的目标有无损失，公式（1）为：；其中，为第i个网格的第j个锚框的所述目标有无损失，为预测的第i个网格的第j个锚框存在所述真实目标信息的置信度,表示第i个网格的第j个锚框包含真实目标信息。6.根据权利要求4所述的目标检测模型的训练...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：成都数之联科技股份有限公司，
类型：发明
国别省市：