目标检测模型的训练方法、目标检测方法及相关设备技术

本申请公开了目标检测模型的训练方法、目标检测方法及相关设备，该方法包括：将训练图像输入目标检测模型的主干网络进行特征提取，得到至少一个局部特征图；对所有局部特征图进行聚类，得到至少一个聚类集合，筛选出各个聚类集合中的重点特征图；基于各个局部特征图之间的特征差异，对局部特征图进行调整，得到各个局部特征图对应的深度特征图；将所有深度特征图和重点特征图输入目标检测模型的检索网络进行目标分类，得到训练目标对应的目标分类结果；其中，重点特征图包括对目标分类结果影响超过损失阈值的局部特征图；基于目标分类结果调整目标检测模型的参数，获得训练后的目标检测模型。上述方案，能够降低训练难度并提高目标检测的准确率。目标检测的准确率。目标检测的准确率。

【技术实现步骤摘要】
目标检测模型的训练方法、目标检测方法及相关设备


[0001]本申请涉及计算机视觉
，特别是涉及一种目标检测模型的训练方法、目标检测方法及相关设备。

技术介绍

[0002]目标检测（Object Detection，OD）作为计算机视觉的分支，在安防、工业等领域得到了广泛应用，其中，利用目标检测模型进行检测成为了目标检测的主流方式。现有技术中，通常会采用大量有标签的样本对目标检测模型进行训练，但是对海量的样本进行标注无疑会增加训练的难度，并且一旦有标签的样本有限，便会导致目标检测模型的检测准确率不佳，此外，现有的目标检测模型难以兼顾目标识别和目标分类，当需要对目标进行目标识别和目标分类时，基于现有的单一的目标检测模型进行目标检测的准确率往往较低。有鉴于此，如何降低训练难度并提高目标检测的准确率成为亟待解决的问题。

技术实现思路

[0003]本申请主要解决的技术问题是提供一种目标检测模型的训练方法、目标检测方法及相关设备，能够降低训练难度并提高目标检测的准确率。
[0004]为解决上述技术问题，本申请第一方面提供一种目标检测模型的训练方法，包括：将训练图像输入所述目标检测模型的主干网络进行特征提取，得到至少一个局部特征图；其中，所述训练图像中的部分训练目标已标注，所述局部特征图包括所述训练图像中至少部分区域的特征信息；对所有所述局部特征图进行聚类，得到至少一个聚类集合，筛选出各个所述聚类集合中的重点特征图；基于各个所述局部特征图之间的特征差异，对所述局部特征图进行调整，得到各个所述局部特征图对应的深度特征图；将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检索网络进行目标分类，得到所述训练目标对应的目标分类结果；其中，所述重点特征图包括对所述目标分类结果影响超过损失阈值的局部特征图；基于所述目标分类结果调整所述目标检测模型的参数，直至满足预设收敛条件，获得训练后的所述目标检测模型。
[0005]为解决上述技术问题，本申请第二方面提供一种目标检测方法，包括：将待识别图像输入目标检测模型的主干网络进行特征提取，得到至少一个局部特征图；其中，所述待识别图像中包括待识别目标，且所述待识别图像包括彩色图像、灰度图像和红外图像中的至少一种；对所有所述局部特征图进行聚类，得到至少一个聚类集合，筛选出各个所述聚类集合中的重点特征图；基于各个所述局部特征图之间的特征差异，对所述局部特征图进行调整，得到各个所述局部特征图对应的深度特征图；将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检索网络进行目标分类，得到所述待识别目标对应的目标分类结果。
[0006]为解决上述技术问题，本申请第三方面提供一种电子设备，该电子设备包括：相互耦接的存储器和处理器，其中，所述存储器存储有程序数据，所述处理器调用所述程序数据
以执行上述第一方面或上述第二方面所述的方法。
[0007]为解决上述技术问题，本申请第四方面提供一种计算机可读存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现上述第一方面或上述第二方面所述的方法。
[0008]上述方案，将训练图像输入目标检测模型的主干网络进行特征提取，从训练图像的特征信息中提取至少部分区域得到至少一个局部特征图，其中，局部特征图即可作为训练目标对应的目标识别结果，并且，训练图像中部分训练目标进行过标注即可进行半监督训练，从而减小对标注样本的需求以降低训练难度，对所有局部特征图进行聚类，得到至少一个聚类集合，并筛选出聚类集合中的重点特征图，从而将未标注的训练目标对应的局部特征图，与特征相似的已标注的训练目标对应的局部特征图尽可能聚类至同一聚类集合，以便充分利用未标注的训练目标进行训练，并且，从各个聚类集合中筛选出重点特征图，其中，重点特征图包括对目标分类结果影响超过损失阈值的局部特征图，以便挑选出容易识别错的训练目标重点进行识别以优化训练效果，基于各个局部特征图之间的特征差异，对局部特征图进行调整，得到各个局部特征图对应的深度特征图，从而减小深度特征图之间的特征差异，以便能够减小已标注的训练目标对应的深度特征图，与未标注的训练目标对应的深度特征图之间的特征差异，降低目标分类的难度，将所有深度特征图和重点特征图输入目标检测模型的检索网络进行目标分类，得到训练目标对应的目标分类结果，以使目标检测目标能够兼顾目标识别和目标分类，提高目标检测模型进行目标检测的准确率，进而基于目标分类结果调整目标检测模型的参数，直至满足预设收敛条件，完成对目标检测模型的训练。
附图说明
[0009]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。其中：图1是本申请目标检测模型的训练方法一实施方式的流程示意图；图2是本申请目标检测模型的训练方法另一实施方式的流程示意图；图3是本申请目标检测模型的训练方法一实施方式的应用场景示意图；图4是本申请目标检测方法一实施方式的流程示意图；图5是本申请电子设备一实施方式的结构示意图；图6是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
[0010]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0011]本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅
是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
[0012]请参阅图1，图1是本申请目标检测模型的训练方法一实施方式的流程示意图，该方法包括：S101：将训练图像输入目标检测模型的主干网络进行特征提取，得到至少一个局部特征图，其中，训练图像中的部分训练目标已标注，局部特征图包括训练图像中至少部分区域的特征信息。
[0013]具体地，获得训练图像，训练图像中的部分训练目标已标注，将训练图像输入目标检测模型的主干网络进行特征提取，得到至少一个局部特征图，其中，局部特征图包括训练图像中至少部分区域的特征信息，也就是说，局部特征图是在训练图像对应的特征图上提取出的部分区域。
[0014]进一步地，在对目标检测模型的训练优化过程中，每个局部特征图对应一个训练目标，当训练图像中只包括一个训练目标时，则局部特征图的数量为一个，当训练图像中的训练目标数量超过一个时，则局部特征图的数量为多个，从而局部特征图即可作为训练目标对应的目标识别结果，并且，训练图像中部分训练目标进行过标注即可进行半监督训练，从而减小对标注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型的训练方法，其特征在于，所述方法包括：将训练图像输入所述目标检测模型的主干网络进行特征提取，得到至少一个局部特征图；其中，所述训练图像中的部分训练目标已标注，所述局部特征图包括所述训练图像中至少部分区域的特征信息；对所有所述局部特征图进行聚类，得到至少一个聚类集合，筛选出各个所述聚类集合中的重点特征图；基于各个所述局部特征图之间的特征差异，对所述局部特征图进行调整，得到各个所述局部特征图对应的深度特征图；将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检索网络进行目标分类，得到所述训练目标对应的目标分类结果；其中，所述重点特征图包括对所述目标分类结果影响超过损失阈值的局部特征图；基于所述目标分类结果调整所述目标检测模型的参数，直至满足预设收敛条件，获得训练后的所述目标检测模型。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，输入至所述主干网络的所述训练图像对应有源域和目标域，其中，从所述源域获得的所述训练图像中包括已标注有标识框和分类信息的训练目标，从所述目标域获得的所述训练图像中的训练目标均未标注。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，所述对所有所述局部特征图进行聚类，得到至少一个聚类集合，筛选出各个所述聚类集合中的重点特征图，包括：基于所有所述局部特征图的特征，对所有所述局部特征图进行聚类，得到至少一个聚类集合；其中，每个所述聚类集合中包括至少一个所述局部特征图；利用挖掘算法筛选出各个所述聚类集合中的重点特征图；其中，从所述源域和所述目标域获得的训练目标对应的重点特征图都对应有边界框。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，所述目标检测模型还包括检测网络，所述将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检索网络进行目标分类，得到所述训练目标对应的目标分类结果之前，还包括：将所有所述局部特征图输入所述检测网络进行目标识别，得到所述训练目标对应的图像检测结果；其中，所述图像检测结果包括至少一个检测特征图；在所述检测特征图上提取感兴趣区域，得到特征提取图，将所述特征提取图与所述深度特征图融合，得到目标深度特征图；所述将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检索网络进行目标分类，得到所述训练目标对应的目标分类结果，包括：将所有所述目标深度特征图和所述重点特征图输入所述检索网络进行目标分类，得到所述训练目标对应的目标分类结果。5.根据权利要求4所述的目标检测模型的训练方法，其特征在于，所述将所有所述深度特征图和所述重点特征图输入所述目标检测模型的检索网络进行目标分类，得到所述训练目标对应的目标分类结果之后还包括：基于所述目标分类结果相对已标注的所述分类信息之间的偏差，所述图像检测结果相
对所述标识框和所述边界框之间的偏差，确定所述目标分类结果对应的损失值；所述基于所述目标分类结果调整所述目标检测模型的参数，直至满足预设收敛条件，获得训练后的所述目标检测模型，包括：基于所述目标分类结果对应的损失值调整所述目标检测模型的参数，直至满足预设收敛条件，获得训练后的所述目标检测模型。6.根据权利要求5所述的目标检测模型的训练方法，其特征在于，所述基于...

【专利技术属性】
技术研发人员：付建海，俞元杰，吴立，颜成钢，李亮，殷海兵，熊剑平，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：