用于对象识别模型的训练方法、装置及计算机存储介质制造方法及图纸

本发明专利技术公开一种用于对象识别模型的训练方法、装置以及计算机存储介质，该方法包括：获取对象数据训练集和对象数据测试集，对象数据训练集包括训练背景和标注的训练对象框，对象数据测试集包括测试背景和标注的测试对象框；利用对象数据训练集训练对象识别模型；利用对象数据测试集测试对象识别模型并且获得对应的召回率、漏检的测试对象框和误检的测试背景框；以及响应于召回率小于召回率阈值，将漏检的测试对象框加入对象数据训练集作为标注的训练对象框，将误检的测试背景框加入对象数据训练集作为训练背景，返回利用对象数据训练集训练对象识别模型的步骤以进行迭代训练。本发明专利技术可以在不增加对象识别模型复杂度的情况下，有效提升模型精度。有效提升模型精度。有效提升模型精度。

【技术实现步骤摘要】
用于对象识别模型的训练方法、装置及计算机存储介质


[0001]本专利技术涉及对象识别领域，特别是涉及一种用于对象识别模型的训练方法、装置及计算机存储介质。

技术介绍

[0002]以人脸识别为代表的对象识别是计算机视觉领域中应用最广泛的一种技术，并且是诸如自动驾驶、智能支付、安全监测、智能家居等领域的基础技术。如何提高对象识别模型的精度是工业界一直追求的目标。
[0003]工业界往往通过增加模型表达能力、优化损失函数、增加关键点作为监督信息等方法优化对象识别的模型。但是这些方法在提高模型精度的同时也急剧增加了模型的复杂度。

技术实现思路

[0004]本专利技术提供一种用于对象识别模型的训练方法、装置及计算机存储介质，以解决现有技术中提高模型精度的同时，模型复杂度急剧增加的问题。
[0005]为解决上述技术问题，本专利技术采用的一个技术方案是一种用于对象识别模型的训练方法。该方法包括：获取对象数据训练集和对象数据测试集，对象数据训练集包括训练背景和标注的训练对象框，对象数据测试集包括测试背景和标注的测试对象框；利用对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对象识别模型的训练方法，其特征在于，所述方法包括：获取对象数据训练集和对象数据测试集，所述对象数据训练集包括训练背景和标注的训练对象框，所述对象数据测试集包括测试背景和标注的测试对象框；利用所述对象数据训练集训练所述对象识别模型；利用所述对象数据测试集测试所述对象识别模型并且获得对应的召回率、漏检的测试对象框和误检的测试背景框；响应于所述召回率小于召回率阈值，将所述漏检的测试对象框加入所述对象数据训练集作为所述标注的训练对象框，将所述误检的测试背景框加入所述对象数据训练集作为所述训练背景，返回所述利用所述对象数据训练集训练所述对象识别模型的步骤以进行迭代训练。2.根据权利要求1所述的方法，其特征在于，所述响应于所述召回率小于召回率阈值，将所述漏检的测试对象框加入所述对象数据训练集作为所述标注的训练对象框，将所述误检的测试背景框加入所述对象数据训练集作为所述训练背景，返回所述利用所述对象数据训练集训练所述对象识别模型的步骤包括：对所述漏检的测试对象框进行图像增强，得到对应的图像增强对象框，将所述图像增强对象框加入所述对象数据训练集作为所述标注的训练对象框；对所述误检的测试背景框进行图像增强，得到对应的图像增强背景，将所述图像增强背景加入所述对象数据训练集作为所述训练背景。3.根据权利要求2所述的方法，其特征在于，所述图像增强包括图像翻转、图像模糊化、图像色彩变化、图像亮度变化中的至少一种或者其组合。4.根据权利要求1所述的方法，其特征在于，所述响应于所述召回率小于召回率阈值，将所述漏检的测试对象框加入所述对象数据训练集作为所述标注的训练对象框，将所述误检的测试背景框加入所述对象数据训练集作为所述训练背景，返回所述利用所述对象数据训练集训练所述对象识别模型的步骤包括：将所述漏检的测试对象框和所述误检的测试背景框从所述对象数据测试集移除。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：响应于所述召回率大于所述召回率阈值，测量所述对象识别模型的精度。6.根据权利要求5所述的方法，其特征在于，所述响应...

【专利技术属性】
技术研发人员：黄诗盛，
申请(专利权)人：深圳海翼智新科技有限公司，
类型：发明
国别省市：