本说明书公开了一种模型训练的方法、目标检测的方法及装置，首先，获取待检测图像，以及确定待检测图像包含的目标物对应的标注区域。其次，将待检测图像输入到待训练的检测模型中，以确定检测模型识别出的目标物在待检测图像中所处的各候选区域。而后，确定标注区域与该候选区域之间的重叠度，将重叠度大于设定阈值的各个候选区域，作为优选区域。最后，针对每个优选区域，若该优选区域落入标注区域所占区域内，将该优选区域作为目标区域，并以最小化目标区域与标注区域之间的偏差为优化目标，对检测模型进行训练。本方法可以使得检测模型确定出的目标区域较小，避免造成对目标物的漏检，从而提高检测模型确定出的目标区域的准确性。性。性。
【技术实现步骤摘要】
一种模型训练的方法、目标检测的方法及装置
[0001]本说明书涉及计算机
，尤其涉及一种模型训练的方法、目标检测的方法及装置。
技术介绍
[0002]目标物检测是识别出图像中有哪些物体，并确定出物体的位置和大小，是计算机视觉领域的核心问题之一。
[0003]目前，通常通过IOU(交并比)的方法处理每个图像区域，以确定出物体的目标区域。由于，较大范围的图像区域往往具有更为丰富的特征信息，容易产生较高的置信度，以及较大的IOU，因此，这种方法偏向于输出较大范围的图像区域。但是，在存在大量密集物体的场景中，物体间会出现相互遮挡、物体间的间距太近等情况。在这种情况下，若检测模型偏向于输出较大范围的图像区域，就会产生大量的较大范围的图像区域包围两个目标物的情况，造成对目标物的漏检。
[0004]因此，如何能够提高检测模型确定出的图像区域的准确性，则是一个亟待解决的问题。
技术实现思路
[0005]本说明书提供一种模型训练的方法、目标检测的方法及装置，以部分的解决现有技术存在的上述问题。
[0006]本说明书采用下述技术方案：
[0007]本说明书提供了一种模型训练的方法，包括：
[0008]获取待检测图像，以及确定所述待检测图像包含的目标物对应的标注区域；
[0009]将所述待检测图像输入到待训练的检测模型中，以确定所述检测模型识别出的所述目标物在所述待检测图像中所处的各图像区域，作为各候选区域；
[0010]针对每个候选区域，确定所述标注区域与该候选区域之间的重叠度，将所述重叠度大于设定阈值的各个候选区域，作为优选区域；
[0011]针对每个优选区域，若该优选区域落入所述标注区域所占区域内，将该优选区域作为目标区域，并以最小化所述目标区域与所述标注区域之间的偏差为优化目标，对检测模型进行训练。
[0012]可选地，将所述待检测图像输入到待训练的检测模型中，以确定所述检测模型识别出的所述目标物在所述待检测图像中所处的各图像区域，作为各候选区域，具体包括：
[0013]将所述待检测图像输入到待训练的检测模型中，以使所述检测模型将所述待检测图像划分成不同尺寸的图像区域，确定划分出的图像区域属于所述目标物的概率，并根据所述概率，确定所述检测模型识别出的所述目标物在所述待检测图像中所处的各图像区域，作为各候选区域。
[0014]可选地，根据所述概率，确定所述检测模型识别出的所述目标物在所述待检测图
像中所处的各图像区域，具体包括：
[0015]根据所述概率，从划分出的图像区域中选取图像区域；
[0016]根据所述待检测图像的图像特征，对选取出的图像区域在所述待检测图像中的区域边界位置进行调整，以得到各候选区域。
[0017]可选地，以最小化所述目标区域与所述标注区域之间的偏差为优化目标，对检测模型进行训练，具体包括：
[0018]针对每个图像区域，若该图像区域属于所述目标物的概率小于设定概率阈值，将该图像区域作为对照图像区域；
[0019]以最小化所述目标区域与所述标注区域之间的偏差，以及所述对照图像区域属于所述目标物的概率与所述对照图像区域对应的标注之间的偏差为优化目标，对检测模型进行训练。
[0020]可选地，针对每个优选区域，若该优选区域落入所述标注区域所占区域内，将该优选区域作为目标区域，具体包括：
[0021]确定所述标注区域的右上角顶点位置以及左下角顶点位置；
[0022]针对每个优选区域，若该优选区域的右上角顶点位置的横纵坐标均小于所述标注区域的右上角顶点位置的横纵坐标，且该优选区域的左下角顶点位置的横纵坐标均大于所述标注区域的左下角顶点位置的横纵坐标，将该优选区域作为目标区域。
[0023]可选地，将该优选区域作为目标区域，具体包括：
[0024]根据所述待检测图像中的该优选区域对应的图像特征，确定该优选区域对应的类别概率；
[0025]根据所述待检测图像中的该优选区域对应的图像特征，以及该优选区域对应的类别概率，对该优选区域在所述待检测图像中的区域边界位置进行调整，得到调整后的优选区域，将调整后的优选区域作为目标区域。
[0026]本说明书提供了一种目标检测的方法，包括：
[0027]获取待检测图像；
[0028]将所述待检测图像输入到检测模型中，确定待检测图像中的目标区域，所述检测模型是通过上述模型训练的方法训练得到的；
[0029]根据待检测图像中的目标区域，对待检测图像中包含的目标物进行检测。
[0030]本说明书提供了一种模型训练的装置，包括：
[0031]获取模块，用于获取待检测图像，以及确定所述待检测图像包含的目标物对应的标注区域；
[0032]输入模块，用于将所述待检测图像输入到待训练的检测模型中，以确定所述检测模型识别出的所述目标物在所述待检测图像中所处的各图像区域，作为各候选区域；
[0033]确定模块，用于针对每个候选区域，确定所述标注区域与该候选区域之间的重叠度，将所述重叠度大于设定阈值的各个候选区域，作为优选区域；
[0034]训练模块，用于针对每个优选区域，若该优选区域落入所述标注区域所占区域内，将该优选区域作为目标区域，并以最小化所述目标区域与所述标注区域之间的偏差为优化目标，对检测模型进行训练。
[0035]本说明书提供了一种目标检测的装置，包括：
[0036]接收模块，用于获取待检测图像；
[0037]确定模块，用于将所述待检测图像输入到检测模型中，确定待检测图像中的目标区域，所述检测模型是通过上述模型训练的方法训练得到的；
[0038]检测模块，用于根据待检测图像中的目标区域，对待检测图像中包含的目标物进行检测。
[0039]本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练的方法以及目标检测的方法。
[0040]本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练的方法以及目标检测的方法。
[0041]本说明书采用的上述至少一个技术方案能够达到以下有益效果：
[0042]在本说明书提供的模型训练的方法以及目标检测的方法中，首先，获取待检测图像，以及确定待检测图像包含的目标物对应的标注区域。其次，将待检测图像输入到待训练的检测模型中，以确定检测模型识别出的目标物在待检测图像中所处的各图像区域，作为各候选区域。而后，针对每个候选区域，确定标注区域与该候选区域之间的重叠度，将重叠度大于设定阈值的各个候选区域，作为优选区域。最后，针对每个优选区域，若该优选区域落入标注区域所占区域内，将该优选区域作为目标区域，并以最小化目标区域与标注区域之间的偏差为优化目标，对检测模型进行训练。
[0043]从上述方法中可以看出，本方法可以将待检测图像输本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种模型训练的方法，其特征在于，包括：获取待检测图像，以及确定所述待检测图像包含的目标物对应的标注区域；将所述待检测图像输入到待训练的检测模型中，以确定所述检测模型识别出的所述目标物在所述待检测图像中所处的各图像区域，作为各候选区域；针对每个候选区域，确定所述标注区域与该候选区域之间的重叠度，将所述重叠度大于设定阈值的各个候选区域，作为优选区域；针对每个优选区域，若该优选区域落入所述标注区域所占区域内，将该优选区域作为目标区域，并以最小化所述目标区域与所述标注区域之间的偏差为优化目标，对检测模型进行训练。2.如权利要求1所述的方法，其特征在于，将所述待检测图像输入到待训练的检测模型中，以确定所述检测模型识别出的所述目标物在所述待检测图像中所处的各图像区域，作为各候选区域，具体包括：将所述待检测图像输入到待训练的检测模型中，以使所述检测模型将所述待检测图像划分成不同尺寸的图像区域，确定划分出的图像区域属于所述目标物的概率，并根据所述概率，确定所述检测模型识别出的所述目标物在所述待检测图像中所处的各图像区域，作为各候选区域。3.如权利要求2所述的方法，其特征在于，根据所述概率，确定所述检测模型识别出的所述目标物在所述待检测图像中所处的各图像区域，具体包括：根据所述概率，从划分出的图像区域中选取图像区域；根据所述待检测图像的图像特征，对选取出的图像区域在所述待检测图像中的区域边界位置进行调整，以得到各候选区域。4.如权利要求2所述的方法，其特征在于，以最小化所述目标区域与所述标注区域之间的偏差为优化目标，对检测模型进行训练，具体包括：针对每个图像区域，若该图像区域属于所述目标物的概率小于设定概率阈值，将该图像区域作为对照图像区域；以最小化所述目标区域与所述标注区域之间的偏差，以及所述对照图像区域属于所述目标物的概率与所述对照图像区域对应的标注之间的偏差为优化目标，对检测模型进行训练。5.如权利要求1所述的方法，其特征在于，针对每个优选区域，若该优选区域落入所述标注区域所占区域内，将该优选区域作为目标区域，具体包括：确定所述标注区域的右上角顶点位置以及左下角顶点位置；针对每个优选区域，若该优选区域的右上角顶点位置的横纵坐标均小于所述标注区域的右上角顶点位置的横纵坐...
【专利技术属性】
技术研发人员：张梦然，揭泽群，马林，
申请(专利权)人：北京三快在线科技有限公司，
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。