本公开提供了一种深度学习模型训练方法、目标检测方法、深度学习模型训练装置、目标检测装置、存储介质以及程序产品，涉及图像处理技术领域，尤其涉及人工智能、计算机视觉技术、深度学习技术领域。具体实现方案为：将样本图像输入初始目标检测深度学习模型，得到与每一个目标对象关联的检测框；对检测框进行可信度检测，得到检测框可信度；根据检测框可信度，确定检测框可信度损失函数的数值；以及在检测框可信度损失函数收敛的情况下，将初始目标检测深度学习模型确定为训练后的目标检测深度学习模型。习模型。习模型。
【技术实现步骤摘要】
深度学习模型训练方法、目标检测方法、装置及设备
[0001]本公开涉及图像处理
，尤其涉及人工智能、计算机视觉技术、深度学习
，具体公开了一种深度学习模型训练方法、目标检测方法、深度学习模型训练装置、目标检测装置、存储介质以及程序产品。
技术介绍
[0002]近年来，随着计算机软硬件技术的发展，人工智能和机器学习领域也得到了巨大的进步。计算机视觉是使用计算机及相关设备对生物视觉的一种模拟，是人工智能领域的一个重要部分，该技术也被广泛应用于图像处理及图像识别等应用场景。
[0003]目标检测是当前计算机视觉和机器学习领域的研究热点，如何高效提高检测效果和性能，已成为了重要的研究方向之一。
技术实现思路
[0004]本公开提供了一种深度学习模型训练方法、目标检测方法、深度学习模型训练装置、目标检测装置、存储介质以及程序产品。
[0005]根据本公开的一方面，提供了一种深度学习模型训练方法，包括：将样本图像输入初始目标检测深度学习模型，得到与每一个目标对象关联的检测框；对检测框进行可信度检测，得到检测框可信度；根据检测框可信度，确定检测框可信度损失函数的数值；以及在检测框可信度损失函数收敛的情况下，将初始目标检测深度学习模型确定为训练后的目标检测深度学习模型。
[0006]根据本公开的另一方面，提供了一种目标检测方法，包括：根据输入图像，确定与每一个目标对象关联的检测框；对检测框进行可信度检测，得到检测框可信度；以及根据检测框可信度，从与每一个目标对象关联的检测框中确定目标检测框，目标检测框与目标对象的置信度、位置信息关联。
[0007]根据本公开的另一方面，提供了一种深度学习模型训练装置，包括：第一检测框确定模块，用于将样本图像输入初始目标检测深度学习模型，得到与每一个目标对象关联的检测框；第一检测框可信度确定模块，用于对检测框进行可信度检测，得到检测框可信度；损失函数数值确定模块，用于根据检测框可信度，确定检测框可信度损失函数的数值；目标检测深度学习模型确定模块，用于在检测框可信度损失函数收敛的情况下，将初始目标检测深度学习模型确定为训练后的目标检测深度学习模型。
[0008]根据本公开的另一方面，提供了一种目标检测装置，包括：第二检测框确定模块，用于根据输入图像，确定与每一个目标对象关联的检测框；第二检测框可信度确定模块，用于对检测框进行可信度检测，得到检测框可信度；目标检测框确定模块，用于根据检测框可信度，从与每一个目标对象关联的检测框中确定目标检测框，目标检测框与目标对象的置信度、位置信息关联。
[0009]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与至少一
个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开实施例的方法。
[0010]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开实施例的方法。
[0011]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序存储于可读存储介质和电子设备其中至少之一上，计算机程序在被处理器执行时实现本公开实施例的方法。
[0012]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0013]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0014]图1示意性示出了根据本公开实施例的深度学习模型训练方法、目标检测方法、深度学习模型训练装置、目标检测装置的系统架构图；
[0015]图2示意性示出了根据本公开实施例的深度学习模型训练方法的流程图；
[0016]图3示意性示出了根据本公开另一实施例的深度学习模型训练方法的示意图；
[0017]图4示意性示出了根据本公开实施例的目标检测方法的流程图；
[0018]图5示意性示出了根据本公开另一实施例的目标检测方法的示意图；
[0019]图6示意性示出了根据本公开实施例的深度学习模型训练装置的示意图；
[0020]图7示意性示出了根据本公开实施例的目标检测装置的框图；以及
[0021]图8示意性示出了可以实现本公开实施例的深度学习模型训练方法、目标检测方法的电子设备的框图。
具体实施方式
[0022]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0023]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0024]在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0025]在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
[0026]深度学习模型是一种应用于人工智能
的机器学习方法，深度学习通过建
立神经网络，模拟人脑进行分析学习。以下将称通过深度学习方法获得的神经网络模型为深度学习模型，深度学习模型可以应用于例如图像处理、自然语言处理等各种场景。
[0027]本公开实施例以深度学习模型应用于目标检测，即目标检测深度学习模型。
[0028]目标检测深度学习型模型可以理解为利用深度学习模型对图像中的目标进行识别和分类的技术。目标检测通常包括目标识别、目标分类以及目标位置定位等。目前，目标检测已大量应用在自动驾驶、安防监控等领域。在利用深度学习模型进行目标检测前，通常需要利用大量图像样本进行深度学习模型训练，在模型训练达到预设精度后方可投入使用。
[0029]一些目标检测的实施方式是对输入图像进行一次性目标检测，得到具有最高置信度的目标对象的类别以及该目标对象的位置。这种方式的目标检测速度比较高，但是准确性比较低。
[0030]图1示意性示出了根据本公开一实施例的深度学习模型训练方法、目标检测方法、深度学习模型训练装置、目标检测装置的系统架构。需要注意的是，图1所示仅为可以应用本公本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种深度学习模型训练方法，包括：将样本图像输入初始目标检测深度学习模型，得到与每一个目标对象关联的检测框；对所述检测框进行可信度检测，得到检测框可信度；根据所述检测框可信度，确定检测框可信度损失函数的数值；以及在所述检测框可信度损失函数收敛的情况下，将所述初始目标检测深度学习模型确定为训练后的目标检测深度学习模型。2.根据权利要求1所述的方法，其中，所述根据所述检测框可信度，确定检测框可信度损失函数的数值包括：根据所述检测框可信度与可信度阈值，确定所述检测框可信度损失函数的数值。3.根据权利要求1所述的方法，其中，所述根据所述检测框可信度，确定检测框可信度损失函数的数值包括：根据所述检测框与检测框真值，确定检测框可信度真值；根据所述检测框可信度真值与所述检测框可信度，确定所述检测框可信度损失函数的数值。4.根据权利要求3所述的方法，其中，所述根据所述检测框与检测框真值，确定检测框可信度真值包括：根据所述检测框的位置信息与所述检测框真值的位置信息之间的位置差异信息，确定所述检测框可信度真值。5.根据权利要求3所述的方法，其中，所述根据所述检测框与检测框真值，确定检测框可信度真值包括：确定所述检测框与所述检测框真值之间的检测框覆盖率；根据所述检测框覆盖率，确定所述检测框可信度真值。6.根据权利要求1
‑
5中任一项所述的方法，其中，所述初始目标检测深度学习模型为一阶段目标检测深度学习模型，其中，所述一阶段目标检测深度学习模型用于根据输入的图像，得到与所述图像关联的目标对象的置信度和位置信息。7.一种目标检测方法，包括：根据输入图像，确定与每一个目标对象关联的检测框；对所述检测框进行可信度检测，得到检测框可信度；以及根据所述检测框可信度，从与每一个所述目标对象关联的所述检测框中确定目标检测框，所述目标检测框与目标对象的置信度、位置信息关联。8.一种深度学习模型训练装置，包括：第一检测框确定模块，用于将样本图像输入初始目标检测深度学习模型，得到与每一个目标对象关联的检测框；第一检测框可信度确定模块，用于对所述检测框进行可信度检测，得到检测框可信度；损失函数数值确定模块，用于根据所述检测框可信度，确定检测框可信度损失函数的数值；以及目标检测深度学习模型确定模块，用于在所述检测框可信度损失函数收敛的情况下，将所述初始目标检测深度学习模型确定为训练后的目标检测深度学习模型。9.根据权利要求8所述的装置，其...
【专利技术属性】
技术研发人员：谢国添，
申请(专利权)人：阿波罗智联北京科技有限公司，
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。