目标检测模型训练方法和目标检测方法技术

本申请公开了一种目标检测模型训练方法和目标检测方法，属于深度学习技术领域。该目标检测模型训练方法包括：获取多个训练样本；对每个训练样本，分别将训练样本输入至待训练模型中，得到预测目标热力图；根据预测目标热力图和标准目标热力图，确定第一损失函数热力图；根据至少一个权重热力图对第一损失函数热力图进行修正，得到第二损失函数热力图；根据第二损失函数热力图，调整待训练模型的模型参数，并利用训练样本对参数调整后的待训练模型进行迭代训练，直至满足训练停止条件，得到训练好的目标检测模型。采用本申请提供的目标检测模型训练方法和目标检测方法，可以根据实际应用场景中的目标检测需求进行目标检测，提高目标检测的针对性。目标检测的针对性。目标检测的针对性。

【技术实现步骤摘要】
目标检测模型训练方法和目标检测方法


[0001]本申请属于深度学习
，尤其涉及一种目标检测模型训练方法和目标检测方法。

技术介绍

[0002]近年来基于深度学习的目标检测模型得到了长足的发展，现有的目标检测模型在设计和训练时，主要考虑到对全部目标的检出能力。
[0003]但是在实际应用中，不同的应用场景对目标检测的需求是不同的，并不一定要检测出全部目标，在一些场景中，有的目标不需要检出，而有的目标却必须准确检出。例如，在自动驾驶的应用场景中，距离车辆很远的微小目标并不需要检出，多个行人重叠时也需检测出其中一个即可，但车头前方近处目标必须准确检出。
[0004]这就导致现有的目标检测模型无法满足实际应用场景中的不同目标检测需求。

技术实现思路

[0005]本申请实施例提供一种目标检测模型训练方法和目标检测方法，能够至少解决现有技术中的目标检测模型无法满足实际应用场景中的不同目标检测需求的问题。
[0006]第一方面，本申请实施例提供一种目标检测模型训练方法，该方法包括：
[0007]获取多个训练样本，训练样本包括样本图像和样本图像对应的标准目标热力图；
[0008]对每个训练样本，分别执行如下步骤：
[0009]将训练样本输入至待训练模型中，得到待训练模型输出的预测目标热力图；
[0010]根据预测目标热力图和标准目标热力图，确定待训练模型的第一损失函数热力图；
[0011]根据至少一个权重热力图对第一损失函数热力图进行修正，得到第二损失函数热力图，权重热力图是对热力图中的不同目标设置有不同权重得到的图，权重根据目标检测需求确定；
[0012]根据第二损失函数热力图，调整待训练模型的模型参数，并利用训练样本对参数调整后的待训练模型进行迭代训练，直至满足训练停止条件，得到训练好的目标检测模型。
[0013]第二方面，本申请实施例提供一种目标检测方法，该方法包括：
[0014]获取待检测图像；
[0015]将待检测图像输入到目标检测模型中，得到待检测图像对应的目标热力图，目标检测模型为权利要求1
‑
15任意一项方法训练得到的模型。
[0016]第三方面，本申请实施例提供了一种目标检测模型训练装置，该装置包括：
[0017]样本获取模块，用于获取多个训练样本，训练样本包括样本图像和样本图像对应的标准目标热力图；
[0018]第一样本输入模块，用于对每个训练样本，分别执行：将训练样本输入至待训练模型中，得到待训练模型输出的预测目标热力图；
[0019]第一确定模块，用于对每个训练样本，分别执行：根据预测目标热力图和标准目标热力图，确定待训练模型的第一损失函数热力图；
[0020]修正模块，用于对每个训练样本，分别执行：根据至少一个权重热力图对第一损失函数热力图进行修正，得到第二损失函数热力图，权重热力图是对热力图中的不同目标设置有不同权重得到的图，权重根据目标检测需求确定；
[0021]第一调整模块，用于对每个训练样本，分别执行：根据第二损失函数热力图，调整待训练模型的模型参数，并利用训练样本对参数调整后的待训练模型进行迭代训练，直至满足训练停止条件，得到训练好的目标检测模型。
[0022]第四方面，本申请实施例提供了一种目标检测装置，该装置包括：
[0023]图像获取模块，用于获取待检测图像；
[0024]第一图像输入模块，用于将待检测图像输入到目标检测模型中，得到待检测图像对应的目标热力图，目标检测模型为权利要求1
‑
15任意一项方法训练得到的模型。
[0025]第五方面，本申请实施例提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器；
[0026]处理器执行计算机程序指令时实现如第一方面的任一项实施例中所示的目标检测模型训练方法或第二方面的任一项实施例中所示的目标检测方法。
[0027]第六方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的任一项实施例中所示的目标检测模型训练方法或第二方面的任一项实施例中所示的目标检测方法。
[0028]第七方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面的任一项实施例中所示的目标检测模型训练方法或第二方面的任一项实施例中所示的目标检测方法。
[0029]本申请实施例的目标检测模型训练方法和目标检测方法，能够获取多个训练样本，对每个训练样本，分别将训练样本输入至待训练模型中，得到待训练模型输出的预测目标热力图，然后根据预测目标热力图和训练样本中包括的标准目标热力图，确定待训练模型的第一损失函数热力图，再根据至少一个权重热力图对第一损失函数热力图进行修正，得到第二损失函数热力图，并根据第二损失函数热力图，调整待训练模型的模型参数，并利用训练样本对参数调整后的待训练模型进行迭代训练，直至满足训练停止条件，得到训练好的目标检测模型。由于，权重热力图是对热力图中的不同目标设置有不同权重得到的图，而权重根据目标检测需求确定，因此，这样训练得到的目标检测模型可以根据实际应用场景中的目标检测需求进行目标检测，提高目标检测的针对性。
附图说明
[0030]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1是本申请一个实施例提供的一种目标检测模型训练方法的流程图；
[0032]图2是本申请一个实施例提供的一种待训练模型的内部处理过程示意图；
[0033]图3a是本申请一个实施例提供的一种标准目标热力图的示意图；
[0034]图3b是本申请一个实施例提供的一种权重热力图的示意图；
[0035]图3c是本申请一个实施例提供的另一种权重热力图的示意图；
[0036]图4是本申请一个实施例提供的一种第五损失函数热力图的确定过程示意图；
[0037]图5是本申请一个实施例提供的一种目标检测方法的流程图；
[0038]图6是本申请一个实施例提供的一种目标检测模型训练装置的结构示意图；
[0039]图7是本申请一个实施例提供的一种目标检测装置的结构示意图；
[0040]图8是本申请一个实施例提供的一种电子设备的结构示意图。
具体实施方式
[0041]下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型训练方法，其特征在于，包括：获取多个训练样本，所述训练样本包括样本图像和所述样本图像对应的标准目标热力图；对每个所述训练样本，分别执行如下步骤：将所述训练样本输入至待训练模型中，得到所述待训练模型输出的预测目标热力图；根据所述预测目标热力图和所述标准目标热力图，确定所述待训练模型的第一损失函数热力图；根据至少一个权重热力图对所述第一损失函数热力图进行修正，得到第二损失函数热力图，所述权重热力图是对热力图中的不同目标设置有不同权重得到的图，所述权重根据目标检测需求确定；根据所述第二损失函数热力图，调整所述待训练模型的模型参数，并利用所述训练样本对参数调整后的待训练模型进行迭代训练，直至满足训练停止条件，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，其特征在于，所述将所述训练样本输入至待训练模型中，得到所述待训练模型输出的预测目标热力图，包括：提取所述样本图像的图像特征，得到第一特征图像；对所述第一特征图像进行不同下采样倍数的下采样，得到多个第二特征图像；分别提取所述多个第二特征图像的图像特征，得到多个第三特征图像；融合所述多个第三特征图像，得到所述预测目标热力图。3.根据权利要求1所述的方法，其特征在于，所述根据至少一个权重热力图对所述第一损失函数热力图进行修正，得到第二损失函数热力图，包括：在所述权重热力图为多个的情况下，将多个权重热力图进行融合，得到融合后的权重热力图；根据所述融合后的权重热力图，对所述第一损失函数热力图进行修正，得到所述第二损失函数热力图。4.根据权利要求1所述的方法，其特征在于，在所述根据至少一个权重热力图对所述第一损失函数热力图进行修正，得到第二损失函数热力图之前，所述方法还包括：根据所述样本图像中每个目标的尺寸特征，确定每个目标对应的权重值；和/或；根据所述样本图像中每个目标的清晰度特征，确定每个目标对应的权重值；根据所述每个目标对应的权重值，确定所述权重热力图。5.根据权利要求4所述的方法，其特征在于，所述根据所述样本图像中每个目标的尺寸特征，确定每个目标对应的权重值，包括：通过以下公式计算每个目标对应的权重值：其中，W为目标对应的权重值，h为目标的高度，w为目标的宽度，s
min
为预设面积最小值，s
max
为预设面积最大值，a为预设权重最小值，b为预设权重最大值。6.根据权利要求4所述的方法，其特征在于，所述根据所述样本图像中每个目标的清晰
度特征，确定每个目标对应的权重值，包括：在目标的清晰度不小于第一预设清晰度的情况下，确定目标对应的权重值为第一预设权重值；在目标的清晰度小于第一预设清晰度且大于第二预设清晰度的情况下，确定目标对应的权重值为第二预设权重值；在目标的清晰度不大于第二预设清晰度的情况下，确定目标对应的权重值为第三预设权重值；所述第一权重值大于所述第二权重值，所述第二权重值大于所述第三权重值。7.根据权利要求1所述的方法，其特征在于，所述训练样本还包括与所述样本图像对应的标准偏置热力图和标准宽高热力图，在所述获取多个训练样本之后，所述方法还包括：对每个所述训练样本，分别执行如下步骤：将所述训练样本输入至待训练模型中，得到所述待训练模型输出的预测偏置热力图和预测宽高热力图；...

【专利技术属性】
技术研发人员：胡荣东，杨超，谢伟，李逸，
申请(专利权)人：长沙智能驾驶研究院有限公司，
类型：发明
国别省市：