【技术实现步骤摘要】
深度学习模型训练方法、对象检测方法、装置及电子设备
[0001]本申请涉及计算机
，特别是涉及一种深度学习模型训练方法、对象检测方法、装置及电子设备。
技术介绍
[0002]在深度学习中，需要基于图像数据进行训练。而图像数据采样，图像数据标注，以及多样性图像数据的采集，均需要耗费大量的人力物力。
[0003]针对不同源的数据，例如，数据为图像，如果直接将高分辨的图像数据和低分辨率的图像数据粗鲁的混合而进行训练的话，由于检测对象的占比太小，几乎不会被训练，即使有可能参与训练，由于多次下采样，检测对象的有效特征信息模糊，有效信息丢失太多，也会导致训练效果不佳，使得深度学习模型识别的准确率低。
[0004]因此，如何对不同源的数据进行整合，从而提高深度学习模型训练效果成为亟需解决的问题。
技术实现思路
[0005]本申请实施例的目的在于提供一种深度学习模型训练方法、对象检测方法、装置及电子设备，以实现解决不同源的数据进行整合的问题。具体技术方案如下：
[0006]本申请实施例提供了一种...
【技术保护点】
【技术特征摘要】
1.一种深度学习模型训练方法，其特征在于，所述方法包括：获取多个数据源的待处理图像数据；按照预设分辨率，对所述待处理图像数据的分辨率进行调整，得到第一图像数据；基于各所述数据源的属性信息，确定每个所述数据源的融合占比；针对每一个数据源，按照该数据源的融合占比，从该数据源的第一图像数据中选取相应数量的第一图像数据，得到该数据源的样本图像数据；利用各所述数据源的样本图像数据对深度学习模型进行训练，得到训练好的深度学习模型。2.根据权利要求1所述的方法，其特征在于，在所述多个数据源包括视频类数据源的情况下；所述获取多个数据源的待处理图像数据，包括：获取所述视频类数据源的视频数据；从所述视频数据中抽取至少一帧视频帧，添加到第一图像集合中；从所述视频数据的各剩余视频帧中，选取未选取过的视频帧得到当前待处理的视频帧，其中，所述剩余视频帧为所述视频数据中未抽取的视频帧；计算当前待处理的视频帧与所述第一图像集合中各视频帧的相似度；若当前待处理的视频帧与所述第一图像集合中各视频帧的相似度均小于预设相似度阈值，则将当前待处理的视频帧添加所述第一图像集合中；返回步骤：从所述视频数据的各剩余视频帧中，选取未选取过的视频帧得到当前待处理的视频帧继续执行，直至所述剩余视频帧中的各视频帧均选取完成或所述第一图像集合中视频帧的数量达到第一数量阈值，得到所述视频类数据源的待处理图像数据，其中，所述视频类数据源的待处理图像数据为所述第一图像集合中的各视频帧。3.根据权利要求1所述的方法，其特征在于，所述按照预设分辨率，对所述待处理图像数据的分辨率进行调整，得到第一图像数据，包括：针对每一个待处理图像数据，在该待处理图像数据的分辨率低于预设分辨率的情况下，按照所述预设分辨率对该待处理图像数据进行填充或放大处理，得到第一图像数据；在该待处理图像数据的分辨率大于预设分辨率的情况下，按照所述预设分辨率对该待处理图像数据进行裁剪处理，得到第一图像数据。4.根据权利要求3所述的方法，其特征在于，在所述按照所述预设分辨率对该待处理图像数据进行裁剪处理，得到第一图像数据之后，所述方法还包括：计算所述第一图像数据中已标注对象区域与该待处理图像数据中已标注对象区域的交并比，在所述交并比大于预设比例阈值的情况下，保留所述第一图像数据的标注；在所述交并比不大于预设比例阈值的情况下，采用随机像素的方式对所述第一图像数据中的已标注对象区域进行填充，并将所述第一图像数据的标注修改为负样本。5.根据权利要求1所述的方法，其特征在于，所述数据源的属性信息表示所述数据源中已标注对象的多样性；所述基于各所述数据源的属性信息，确定每类所述数据源的融合占比，包括：针对每一个数据源，根据该数据源中已标注对象的多样性，确定该数据源的融合占比，其中，该数据源的融合占比与该数据源中已标注对象的多样性正相关。6.根据权利要求1所述的方法，其特征在于，所述针对每一个数据源，按照该数据源的
融合占比，从该数据源的第一图像数据中选取相应数量的第一图像数据，得到该数据源的样本图像数据，包括：针对每一个数据源，按照该数据源的融合占比，确定该数据源的图像选取数量；针对该数据源中的每一类第一图像数据，根据该类第一图像数据中已标注对象的对象信息，确定该类第一图像数据的类别占比；根据该类第一图像数据所属的数据源的图像选取数量及该类第一图像数据的类别占比，从该类第一图像数据中选取相应数量的样本图像数据。7.根据权利要求6所述的方法，其特征在于，已标注对象的对象信息包括已标注对象的形态丰富度、尺度大小及宽高比大小；所述针对该数据源中的每一类第一图像数据，根据该类第一图像数据中已标注对象的对象信息，确定该类第一图像数据的类别占比，包括：针对该数据源中的每一类第一图像数据，根据该类第一图像数据中已标注对象的形态丰富度，确定该类第一图像数据的第一占比，其中，该类第一图像数据的形态丰富度与第一占比正相关；根据该类第一图像数据中已标注对象的尺度大小，确定该类第一图像数据的第二占比，其中，该类第一图像数据的尺度大小与第二占比负相关；根据该类第一图像数据中已标注对象的宽高比大小，确定该类第一图像数据的第三占比，其中，该类第一图像数据的宽高比大小与第三占比负相关；根据该类第一图像数据的第一占比、第二占比、第三占比，确定该类第一图像数据的类别占比。8.一种对象检测方法，其特征在于，所述方法包括：获取待检测图像数据；利用预先训练的深度学习模型，预测得到所述待检测图像数据的对象检测结果，其中，深度学习模型通过权利要求1
‑
7任一所述的方法训练得到。9.根据权利要求8所述的方法，其特征在于，所述待检测图像数据为待检测视频数据中的视频帧；所述利用预先训练的深度学习模型，预测得到所述待检测图像数据的对象检测结果，包括：对所述待检测图像数据进行背景分割，得到静止区域及运动区域；基于待检测对象的类型，在所述静止区域及所述运动区域中确定待检测对象所属的第一区域；利用预先训练的深度学习模型对所述第一区域进行预测，得到所述待检测图像数据的对象检测结果。10.根据权利要求8所述的方法，其特征在于，所述待检测图像数据为待检测视频数据中的视频帧；所述利用预先训练的深度学习模型，预测得到所述待检测图像数据的对象检测结果，包括：对所述待检测图像数据进行背景分割，得到静止区域及运动区域；基于待检测对象的类型，在所述静止区域及所述运动区域中确定待检测对象所属的第一区域；在所述待检测图像数据为第一类视频帧的情况下，利用预先训练的深度学习模型对所
述第一区域进行预测，得到所述待检测图像数据的第一检测结果；将所述待检测图像数据的第一检测结果与最近一次得到的第二检测结果进行合并，得到所述待检测图像数据的对象检测结果；其中，所述第一类视频帧为按照第一帧率对所述待检测视频数据进行抽帧所得到的视频帧；在所述待检测图像数据为第二类视频帧的情况下，利用预先训练的深度学习模型对第二区域进行预测，得到所述待检测图像数据的第二检测结果；将所述待检测图像数据的第二检测结果与最近一次得到的第一检测结果进行合并，得到所述待检测图像数据的对象检测结果；其中，所述第二类视频帧为按照第二帧率对所述待检测视频数据进行抽帧所得到的视频帧；所述第二区域为所述静止区域及所述运动区域中除所述第一区域外的另一个区域；所述第一帧率大于所述第二帧率。11.根据权利要求9所述的方法，其特征在于，所述待检测图像数据为待检测视频数据中的视频帧；所述利用预先训练的深度学习模型，预测得到所述待检测图像数据的对象检测结果，包括：根据所述待检测图像数据中待检测对象的已有检测结果，确定待检测对象在所述待检测图像数据中可能出现的第三区域；利用预先训练的深度学习模型对所述第三区域进行预测，得到所述待检测图像数据的对象检测结果。12.根据权利要求8所述的方法，其特征在于，所述获取待检测图像数据，包括；按照预设抽帧规则，从待检测视频数据中抽取待检测图像数据；所述方法还包括：根据所述待检测图像数据的待检测对象的位置信息，预测所述待检测对象在其他待检测视频数据的其他视频帧中的位置信息；采用滑动窗口的检测方式，对所述待检测对象的位置信息进行过滤。13.根据权利要求8所述的方法，其特征在于，在所述获取待检测图像数据的步骤之后，所述方法还包括：根据所述待检测图像数据的分辨率及预先训练的深度学习模型最大下采样倍率，确定所述待检测图像数据的切片尺寸；按照所述切片尺寸，将待检测图像数据裁剪为多个图像切片；所述利用预先训练的深度学习模型，预测得到所述待检测图像数据的对象检测结果，包括：利用预先训练的深度...
【专利技术属性】
技术研发人员：高体红，税国知，亓先军，周密，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
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。