网络训练方法、装置、芯片、终端设备及存储介质制造方法及图纸

本申请实施例提供一种网络训练方法、装置、芯片、终端设备及存储介质，该网络训练方法包括：获取特征图，特征图包括目标标注框；在特征图上设置K个先验锚点框，K为大于或等于2的整数；确定K个先验锚点框中的正样本锚点框和负样本锚点框，其中，正样本锚点框的中心点在目标标注框内；将特征图输入目标检测网络，计算每个先验锚点框的损失，基于每个先验锚点框的损失对目标检测网络进行优化。本申请实施例可以提高目标检测网络的训练效果。可以提高目标检测网络的训练效果。可以提高目标检测网络的训练效果。

【技术实现步骤摘要】
网络训练方法、装置、芯片、终端设备及存储介质


[0001]本申请涉及机器学习
，具体涉及一种网络训练方法、装置、芯片、终端设备及存储介质。

技术介绍

[0002]而随着人工智能的发展，基于卷积神经网络的目标检测网络已经成为了一种主流的目标检测方法。目标检测网络的训练中重要的一环就是训练样本，一是对正负样本的分类策略决定了正样本的质量，二是一般检测网络都存在正负样本不平衡和难易样本不均衡的问题，会导致网络训练困难。
[0003]目前，一般采用设置交并比阈值作为正负样本分类的策略，即对预设的样本框基于交并比阈值进行正负样本的分类，如果交并比阈值大于设定的阈值，则判定该样本是正样本，否则为负样本。然而，仅采用交并比阈值作为正负样本的判别标准，该判别标准过于单一，且交并比阈值并不能很全面地反应样本的质量，交并比阈值的取值对于正负样本的质量影响非常大，使得目标检测网络的训练效果较差。

技术实现思路

[0004]本申请实施例提供一种网络训练方法、装置、芯片、终端设备及存储介质，可以提高目标检测网络的训练效果。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络训练方法，其特征在于，包括：获取特征图，所述特征图包括目标标注框；在所述特征图上设置K个先验锚点框，K为大于或等于2的整数；确定所述K个先验锚点框中的正样本锚点框和负样本锚点框，其中，所述正样本锚点框的中心点在所述目标标注框内；将所述特征图输入目标检测网络，计算每个先验锚点框的损失，基于每个先验锚点框的损失对所述目标检测网络进行优化。2.根据权利要求1所述的方法，其特征在于，所述确定所述K个先验锚点框中的正样本锚点框和负样本锚点框，包括：确定所述K个先验锚点框中与所述目标标注框的距离小于第一阈值的M个候选正样本锚点框；计算每个候选正样本锚点框与所述目标标注框之间的交并比，从所述M个候选正样本锚点框中选择中心点在所述目标标注框内，并且交并比大于第二阈值的锚点框作为正样本锚点框；将所述K个先验锚点框中除所述正样本锚点框之外的锚点框作为负样本锚点框。3.根据权利要求2所述的方法，其特征在于，所述第二阈值等于交并比均值与交并比标准差之和；所述交并比均值为所述M个候选正样本锚点框与所述目标标注框之间的交并比均值，所述交并比标准差为所述M个候选正样本锚点框与所述目标标注框的交并比标准差。4.根据权利要求1所述的方法，其特征在于，所述在所述特征图上设置K个先验锚点框，包括：获得训练图像，对所述训练图像进行多尺度特征提取，得到多个不同尺寸的特征图；在每个尺寸的特征图上，设置不同尺寸的先验锚点框，得到每个尺寸的特征图对应的个先验锚点框。5.根据权利要求1～4任一项所述的方法，其特征在于，所述将所述特征图输入目标检测网络，计算每个先验锚点框的损失，包括：将所述特征图输入目标检测网络，得到每个先验锚点框的分类结果和回归结果；基于每个先验锚点框的分类结果计算每个先验锚点框的分类损失，基于每个先验锚点框的回归结果计算每个先验锚点框的回归损失；每个先验锚点框的损失包括每个先验锚点框的分类损失和回归损失。6.根据权利要求5所述的方法，其特征在于，所述基于每个先验锚点框的分类结果计算每个先验锚点框的分类损失，包括：在先验锚点框的分类结果为正样本的情况下，按照如下公式计算每个先验锚点框的分类损失：L1＝
‑
(1
‑
p)
...

【专利技术属性】
技术研发人员：屈瑾，
申请(专利权)人：哲库科技上海有限公司，
类型：发明
国别省市：