神经网络训练方法、图像检测方法、装置、设备及介质制造方法及图纸

本公开提供了一种神经网络训练方法、图像检测方法、装置、设备及存储介质，通过对样本图像进行数据量增强处理，使样本图像中的物品数量增加，可以增加样本图像的丰富性，提升训练数据包含的图像特征数量，提高神经网络的学习效果，从而使用处理后的样本图像对神经网络进行训练，得到训练好的物品检测模型，大大增强训练得到的物品检测模型的鲁棒性，有效提高物品检测模型的图像检测精度，进而可以使用训练得到的物品检测模型对待检测图像进行检测，检测准确度高。测准确度高。测准确度高。

【技术实现步骤摘要】
神经网络训练方法、图像检测方法、装置、设备及介质


[0001]本公开涉及计算机视觉领域，具体而言，涉及一种神经网络训练方法、图像检测方法、装置、设备及存储介质。

技术介绍

[0002]细粒度物品分类、检索是图像检测、图像识别中的重要研究课题，而这个课题的基础则是大量的物品数据。为了实现精准和快捷的物品检测，大多可以通过训练神经网络的方式，以得到可以对物品进行检测和识别的模型，而训练样本的数据质量很大程度上影响着模型的训练效果。为了获取训练样本，需要对真实业务场景下的物品进行拍照取样，以及在业务运营过程中自动采集样本数据，同时还可以将实际采集的数据集跟现有的细粒度图像分类的大规模开源数据集进行合并，以得到训练样本。
[0003]然而，这样构建出来的数据集作为训练样本使用存在着很多问题，采集到的样本数据可能存在图像数量少、图像中包括的物品数量少等情况，在这种情况下对神经网络进行训练，使得神经网络的训练效果不佳，导致训练出的模型检测精度低，模型检测结果的准确度低。

技术实现思路

[0004]本公开实施例至少提供一种神经网络训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络训练方法，其特征在于，所述方法包括：获取样本图像以及所述样本图像的至少一个标注检测框信息，所述标注检测框信息包括检测框位置；基于所述至少一个标注检测框信息，对所述样本图像中的样本物品进行数据量增强处理，得到处理后的样本图像，所述处理后的样本图像包括相同图像内容的至少两个目标样本物品；使用处理后的样本图像进行神经网络训练，得到用于物品检测的物品检测模型。2.根据权利要求1所的方法，其特征在于，所述获取样本图像以及所述样本图像的至少一个标注检测框信息，包括：获取记录有至少一个样本物品被拿取过程的采集视频；从所述采集视频中提取出视频帧，所述视频帧中包括至少一个样本物品；对所述视频帧中的各个样本物品进行物品标注，得到对应的样本图像和所述样本图像中各样本物品对应的标注检测框信息。3.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个标注检测框信息，对所述样本图像中的样本物品进行数据量增强处理，得到处理后的样本图像，包括：针对每个样本物品，从所述样本图像中提取所述样本物品的物品图像内容；基于所述至少一个标注检测框信息指示的各个检测框位置，在所述样本图像中除各个检测框之外的空白图像区域中添加至少一个提取出的物品图像内容，得到处理后的样本图像。4.根据权利要求3所述的方法，其特征在于，所述基于所述至少一个标注检测框信息指示的各个检测框，在所述样本图像中除各个检测框之外的空白图像区域中添加至少一个提取出的物品图像内容，得到处理后的样本图像，包括：基于所述至少一个标注检测框信息指示的各个检测框位置，确定所述样本图像中的检测框密度；基于所述检测框密度，确定在所述样本图像中除各个检测框之外的空白图像区域中添加所述物品图像内容的添加数量；按照所述添加数量，在所述样本图像中除各个检测框之外的空白图像区域中添加所述添加数量的所述物品图像内容，得到处理后的样本图像。5.根据权利要求4所述的方法，其特征在于，所述在所述样本图像中除各个检测框之外的空白图像区域中添加所述添加数量的所述物品图像内容，得到处理后的样本图像，包括：基于所述至少一个标注检测框信息指示的各个检测框位置，确定在所述样本图像中除各个检测框之外的空白图像区域的空白图像区域分布；基于所述空白图像区域分布，确定所述空白图像区域中与所述添加数量对应的至少一个添加位置；在每个添加位置处添加所述物品图像内容，得到处理后的样...

【专利技术属性】
技术研发人员：孙蕴哲，罗棕太，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：