【技术实现步骤摘要】
一种目标检测模型的训练方法、目标检测方法及装置
[0001]本公开涉及计算机
，尤其涉及一种目标检测模型的训练方法、目标检测方法及装置。
技术介绍
[0002]目前，在目标检测等领域，电子设备可以将某一目标检测图片输入到已经训练完成的神经网络模型中，进而该神经网络模型可以预测出该目标检测图片中包括的多个目标(或物体)以及该多个目标各自的类别。
[0003]但是，上述神经网络模型的训练过程中，可能需要大量高质量的目标检测训练样本，具体为需要大量的人力物力去标注每个目标检测训练样本中包括的各个目标的类别等，如此可能会影响神经网络模型的训练效率，进而降低神经网络模型的预测效率。
技术实现思路
[0004]本公开提供一种目标检测模型的训练方法、目标检测方法及装置，解决了相关技术中需要大量的人力物力去标注每个目标检测训练样本中包括的各个目标的类别，可能会影响神经网络模型的训练效率，进而降低神经网络模型的预测效率的技术问题。
[0005]本公开实施例的技术方案如下：
[0006]根据本公开实...
【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，包括：确定已检测图片包括的多个检测框中每一个检测框的初始特征以及所述每一个检测框的初始特征对应的至少一个权重特征，其中，一个检测框的初始特征对应的至少一个权重特征中每一个权重特征与所述检测框的初始特征之间的相似度大于或等于相似度阈值，所述每一个检测框的初始特征对应的至少一个权重特征为第一分类器中包括的权重的特征，一个权重对应所述第一分类器中的一个类别；基于所述多个检测框中每一个检测框的初始特征以及所述每一个检测框的初始特征对应的至少一个权重特征，生成所述每一个检测框的目标特征；基于所述每一个检测框的目标特征，对第一目标检测模型训练，以生成第二目标检测模型。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，所述第一目标检测模型中包括第一子网络模型和第二子网络模型，所述确定已检测图片包括的多个检测框中每一个检测框的初始特征，包括：获取所述已检测图片；将所述已检测图片输入所述第一子网络模型，进行特征识别，得到所述已检测图片的初始特征；将所述已检测图片的初始特征输入所述第二子网络模型，得到所述多个检测框中每一个检测框的位置以及所述每一个检测框的大小；基于所述每一个检测框的位置以及所述每一个检测框的大小，从所述已检测图片的初始特征中提取所述每一个检测框的初始特征。3.根据权利要求2所述的目标检测模型的训练方法，其特征在于，所述第一分类器为第一图片分类模型中包括的分类器，所述第一图片分类模型中包括第三子网络模型，所述第三子网络模型中的参数与所述第一子网络模型中的参数相同，所述方法还包括：获取多个分类图片；将所述多个分类图片输入所述第三子网络模型，得到所述多个分类图片中每个分类图片的初始特征；将所述每个分类图片的初始特征输入所述第一分类器，得到所述每个分类图片在所述第一分类器中的预测分类结果。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，所述方法还包括：确定第一损失和第二损失，所述第一损失用于表征多个分类图片中每个分类图片的真实分类结果与所述每个分类图片在所述第一分类器中的预测分类结果之间的不一致程度，所述第二损失用于表征所述多个检测框中每一个检测框的空间不一致程度，其中，一个检测框的空间不一致程度包括所述检测框的真实位置与所述检测框在所述第一目标检测模型中的预测位置之间的不一致程度，以及所述检测框的真实大小与所述检测框在所述第一目标检测模型中的预测大小之间的不一致程度；所述基于所述每一个检测框的目标特征，对第一目标检测模型训练，以生成第二目标检测模型，包括：将所述每一个检测框的目标特征输入第二分类器，得到所述每一个检测框在所述第二分类器中的预测分类结果，所述第二分类器为所述第一目标检测模型中包括的分类器；
确定第三损失和第四损失，所述第三损失用于表征所述每一个检测框的真实分类结果与所述每一个检测框在所述第二分类器...
【专利技术属性】
技术研发人员：戴宇荣，范琦，
申请(专利权)人：北京达佳互联信息技术有限公司，
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。