基于特征金字塔的图像检测模型的训练方法、介质和设备技术

本发明专利技术公开一种基于特征金字塔的图像检测模型的训练方法、存储介质和设备。所述训练方法包括：将获取的原始检测图像输入到所述特征提取网络，得到若干不同尺度的层次化特征图；将所述层次化特征图输入到所述三角特征金字塔融合网络，得到若干不同尺度的融合特征图；将若干不同尺度的融合特征图输入到回归预测网络，得到预测目标值；根据预测目标值和获取的真实目标值更新损失函数；根据更新后的损失函数对待训练的图像检测模型的网络参数进行更新。本申请构建了具有至少五种不同融合路径的融合网络，使得不同尺度的特征图之间得到充分融合，保留更多的细节信息和原始信息，提高模型的检测准确率，提升了安检领域检测网络的性能和效率。的性能和效率。的性能和效率。

【技术实现步骤摘要】
基于特征金字塔的图像检测模型的训练方法、介质和设备


[0001]本专利技术属于图像处理
，具体地讲，涉及基于特征金字塔的图像检测模型的训练方法、计算机可读存储介质、计算机设备。

技术介绍

[0002]X射线安检技术被广泛用以地铁、机场等公共交通场所的安全管控，其优势在于能在不接触乘客包裹的情况下检测出是否包含危险品，很好地维护了乘客的隐私权。为了适应日益增长的交通吞吐量和严峻的安全形势，安检工作必须兼具较高的实时性以及准确性。然而在现实生活中，目前主流的工作方式主要由经过一定专业培训的安全工作人员进行肉眼筛选，安检工作的质量和效率很容易受到外部因素如工作状态、情绪波动以及工作强度等负面影响。除此之外，前期的培训支出和高额的人力成本同样是企业不可忽视的固有弊端之一。
[0003]基于深度学习的目标检测算法有效克服了以上讨论的现有手段的不足，在X射线安检图像危险品的检测任务中表现出了巨大的潜力。作为一种辅助检测手段，使用算法自动检测危险品一定程度上能保持人类操作员的警觉性，降低误检率和缩短响应时间，还能大幅度降低人力成本。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征金字塔的图像检测模型的训练方法，其特征在于，待训练的图像检测模型包括特征提取网络、三角特征金字塔融合网络和回归预测网络，其中，三角特征金字塔融合网络包括若干融合单元，且所述三角特征金字塔融合网络至少具有五种不同的融合路径，所述训练方法包括：将获取的原始检测图像输入到所述特征提取网络，得到若干不同尺度的层次化特征图；将所述层次化特征图输入到所述三角特征金字塔融合网络，得到若干不同尺度的融合特征图；将若干不同尺度的融合特征图输入到回归预测网络，得到预测目标值；根据预测目标值和获取的真实目标值更新损失函数；根据更新后的损失函数对待训练的图像检测模型的网络参数进行更新。2.根据权利要求1所述的基于特征金字塔的图像检测模型的训练方法，其特征在于，所述三角特征金字塔融合网络包括至少三层融合层，且融合层的数量随着融合层的尺度降低而递减。3.根据权利要求2所述的基于特征金字塔的图像检测模型的训练方法，其特征在于，所述三角特征金字塔融合网络具有：第一融合路径，用于融合形成不同比例的特征图；第二融合路径，用于缩短低级特征向高级特征传输的距离；第三融合路径，用于融合同一尺度的特征信息；第四融合路径，用于融合分别位于相邻两层融合层且分别位于第一融合路径和第二融合路径的融合单元的数据；第五融合路径，用于融合同一层融合层的输入单元和输出单元的特征信息。4.根据权利要求2所述的基于特征金字塔的图像检测模型的训练方法，其特征在于，所述三角特征金字塔融合网络包括五层融合层，五层融合层的融合单元数量分别为五个、四个、三个、二个和一个。5.根据权利要求1所述的基于特征金字塔的图像检测模型的训练方法，其特征在于，所述待训练的图像检测模型还包括对称三角特征金字塔融合网络，所述对称三角特征金字塔融合网络包括若干融合单元，所述对称三角特征金字塔融合网络至少具有五种不同的融合路径，且所述对称三角特征金字塔融合网络的各个融合单元与所述三角特征金字塔融合网络的各个融合单元呈对称...

【专利技术属性】
技术研发人员：胡庆茂，张伟烽，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：