多目标检测模型及其训练方法、装置、介质及设备制造方法及图纸

本发明专利技术提供了一种多目标检测模型及其训练方法、装置、介质及设备，所述方法包括：从训练样本集中获取用于模型训练的至少一样本图像，将所述样本图像输入所述多目标检测模型以得到对应的检测目标信息；对所述检测目标信息进行评价，得到评价结果；依据所述评价结果调整所述检测目标结果，利用调整后的检测目标结果和所述样本图像训练所述多目标检测模型。本发明专利技术的方案在不增加模型参数量和训练数据前提下，提升物体检测中分类精度，从而加强算法鲁棒性。鲁棒性。鲁棒性。

【技术实现步骤摘要】
多目标检测模型及其训练方法、装置、介质及设备


[0001]本专利技术涉及图像处理
，特别是一种多目标检测模型及其训练方法、装置、介质及设备。

技术介绍

[0002]在图像处理过程中，目标检测是进行图像识别的重要组成部分，而进行目标检测模型的深度学习检测网络的训练方式则会直接影响模型的检测结果准确度。目前大部分深度学习检测网络训练方式都是基于多任务解耦的，如yolo系列。但本质上任务与任务之间存在一定依赖，如果强行拆分会导致部分依赖任务在特殊情况下特征混乱，严重时会影响最终的分类结果。

技术实现思路

[0003]鉴于上述问题，本专利技术提出一种克服上述问题或者至少部分地解决上述问题的多目标检测模型及其训练方法、装置、介质及设备。
[0004]根据本专利技术的一个方面，提供了一种一种多目标检测模型，所述多目标检测模型基于YOLO网络架构创建，所述多目标检测模型包括进行图像特征学习的主干网络结构和损失函数结构；所述损失函数结构包括：模型预测解码器、真实信息分配模块、交并比计算模块、检测目标置信度回归模块、边框回归模块、分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多目标检测模型，其特征在于，所述多目标检测模型基于YOLO网络架构创建，所述多目标检测模型包括进行图像特征学习的主干网络结构和损失函数结构；所述损失函数结构包括：模型预测解码器、真实信息分配模块、交并比计算模块、检测目标置信度回归模块、边框回归模块、分类模块以及模型先验模块。2.根据权利要求1所述的多目标检测模型，其特征在于，所述模型预测解码器分别与交并比计算模块、检测目标置信度回归模块和分类模块耦合；所述交并比计算模块还与所述检测目标置信度回归模块、边框回归模块和模型先验模块耦合；所述真实信息分配模块分别与所述交并比计算模块和模型先验模块耦合；所述模型先验模块还与分类模块耦合。3.根据权利要求1所述的多目标检测模型，其特征在于，模型预测解码器，用于输出所述图像的检测目标信息；真实信息分配模块，用于输出所述图像的真实目标信息；交并比计算模块，用于计算检测框与真实框之间的交并比；模型先验模块，用于根据真实信息分配模块和交并比计算模块的输出调整检测目标信息。4.一种基于模型先验的多目标检测模型训练方法，应用于权利要求1
‑
3中任一项所述的多目标检测模型，所述方法包括：从训练样本集中获取用于模型训练的至少一样本图像，将所述样本图像输入所述多目标检测模型以得到对应的检测目标信息；对所述检测目标信息进行评价，得到评价结果；依据所述评价结果调整所述检测目标结果，利用调整后的检测目标结果和所述样本图像训练所述多目标检测模型。5.根据权利要求4所述的方法，其特征在于，所述基于所述真实目标信息对所述检测目标信息进行评价，得到评价结果包括：获取所述样本图像的真实目标信息；所述真实目标信息包括真实框的图像坐标；所述检测目标信息包括检测目标对应检测框的图像坐标；利用所述交并比计算模块基于真实框的图像坐标和检测框的图像坐标，计算各检测框和各真实框的交并比，以将所述检测框与真实框之间的交并比作为评价结果。6.根据权利要求5所述的方法，其特征在于，所述依据所述评价结果调整所述检测目标结果包括：基于所述样本图像的各检测框和各真实框的交并比生成交叠掩膜矩阵；基于交叠掩膜矩阵生成检测目标对应的交叠类别列表；依据所述交叠类别列表确定所述检测目标的类别标签，作为检测目标的最终类别标签。7.根据权利要求6所述的方法，其特征在于，所述基于各检测框和各真实框的交并比生成交叠掩膜矩阵包括：获取各检测框对应...

【专利技术属性】
技术研发人员：陈瑞斌，肖兵，李正国，
申请(专利权)人：珠海视熙科技有限公司，
类型：发明
国别省市：