多任务目标检测模型的训练方法与多任务目标检测方法技术

本申请提供了一种多任务目标检测模型的训练方法与多任务目标检测方法。方法包括：获取训练样本图像；构建目标检测模型，目标检测模型包括顺次连接的共用主干网络层和共用瓶颈层，以及并列连接在共用瓶颈层后的第一检测头和第二检测头，第一检测头和第二检测头进行构建时采用的训练集不同；将训练样本图像输入至目标检测模型，第一检测头输出第一检测结果，第二检测头输出第二检测结果；根据第一检测结果确定第一检测头的第一损失值，根据第二检测结果确定第二检测头的第二损失值；采用第一损失值和第二损失值进行反向传播，以调整目标检测模型的参数，得到训练后的目标检测模型。可以进行多任务的目标检测，提高了目标检测模型的检测能力。测模型的检测能力。测模型的检测能力。

【技术实现步骤摘要】
多任务目标检测模型的训练方法与多任务目标检测方法


[0001]本申请涉及人工智能领域，具体而言，涉及一种多任务目标检测模型的训练方法、装置、多任务目标检测方法、电子设备与计算机可读存储介质。

技术介绍

[0002]目前随着深度学习目标检测方法在安检、医学图像、工业质检等领域被广泛应用，目标检测模型也得到了相应的发展，训练集是深度学习目标检测模型训练阶段的重要参与对象；随着业务发展，目标检测图像的类别不断扩增和细化，给目标检测模型训练带来以下挑战：第一训练集仅作用于第一目标检测模型，第二训练集仅作用于第二目标检测模型，当不同于第一训练集的新类别改变时，第一训练集需要重新标定，第二类训练集也无法对第一目标检测模型进行优化。

技术实现思路

[0003]本申请的主要目的在于提供一种多任务目标检测模型的训练方法、装置、多任务目标检测方法、电子设备与计算机可读存储介质，以至少解决现有的模型训练方法一个训练集仅作用于一个目标检测模型的问题。
[0004]为了实现上述目的，根据本申请的一个方面，提供了一种多任务目标检测模型的训练方法，所述目标检测模型应用于识别目标对象的类别，包括：获取训练样本图像；构建目标检测模型，所述目标检测模型包括顺次连接的共用主干网络层和共用瓶颈层，以及并列连接在所述共用瓶颈层后的第一检测头和第二检测头，所述第一检测头为针对第一训练集构建的检测头，所述第二检测头为针对第二训练集构建的检测头；将所述训练样本图像输入至所述目标检测模型，所述第一检测头输出第一检测结果，所述第二检测头输出第二检测结果；根据所述第一检测结果确定所述第一检测头的第一损失值，根据第二检测结果确定所述第二检测头的第二损失值；采用所述第一损失值和所述第二损失值进行反向传播，以调整所述目标检测模型的参数，得到训练后的目标检测模型。
[0005]可选地，所述根据所述第一检测结果确定所述第一检测头的第一损失值，包括：如果所述第一检测结果的分类结果含于所述第一训练集的分类标签，则基于所述第一检测结果得到第一回归损失值和第一分类损失值，根据所述第一回归损失值和所述第一分类损失值确定所述第一损失值。
[0006]可选地，所述根据第二检测结果确定所述第二检测头的第二损失值，包括：如果所述第二训练集的分类标签含于所述第一训练集的分类标签，则基于所述第二检测结果得到第二回归损失值和第二分类损失值，根据第二回归损失值和第二分类损失值确定所述第二损失值；如果所述第二训练集的分类标签不含于所述第一训练集的分类标签，则基于所述第二检测结果得到第三回归损失值、第三分类损失值、第一回归损失权重和第一分类损失权重，根据所述第三回归损失值、所述第三分类损失值、所述第一回归损失权重和所述第一分类损失权重确定所述第二损失值。
[0007]可选地，所述基于所述第二检测结果得到第三回归损失值、第三分类损失值、第一回归损失权重和第一分类损失权重，根据所述第三回归损失值、所述第三分类损失值、所述第一回归损失权重和所述第一分类损失权重确定第二损失值，包括：基于预测框的置信度，得到所述第一分类损失权重；基于两次预测框的交并比，得到所述第一回归损失权重；所述第二检测结果包括分类结果和回归位置，根据预测框和伪标签的分类结果得到第三分类损失值，根据预测框和伪标签的回归位置得到第三回归损失值；根据所述第三回归损失值、所述第三分类损失值、所述第一回归损失权重和所述第一分类损失权重确定第二损失值。
[0008]可选地，所述根据第二检测结果确定所述第二检测头的第二损失值，包括：如果所述第二检测结果的分类结果含于所述第二训练集的分类标签，则基于所述第二检测结果得到第四回归损失值和第四分类损失值，根据所述第四回归损失值和所述第四分类损失值确定所述第二损失值。
[0009]可选地，所述根据所述第一检测结果确定所述第一检测头的第一损失值，包括：如果所述第一训练集的分类标签含于所述第二训练集的分类标签，基于所述第一检测结果得到第五回归损失值和第五分类损失值，根据所述第五回归损失值和所述第五分类损失值确定所述第一损失值；如果所述第一训练集的分类标签不含于所述第二训练集的分类标签，则基于所述第一检测结果得到第六回归损失值、第六分类损失值、第二回归损失权重和第二分类损失权重，根据所述第六回归损失值、所述第六分类损失值、所述第二回归损失权重和所述第二分类损失权重确定所述第一损失值。
[0010]可选地，所述基于所述第一检测结果得到第六回归损失值、第六分类损失值、第二回归损失权重和第二分类损失权重，根据所述第六回归损失值、所述第六分类损失值、所述第二回归损失权重和所述第二分类损失权重确定所述第一损失值，包括：基于预测框的置信度，得到所述第二分类损失权重；基于两次预测框的交并比，得到所述第二回归损失权重；所述第一检测结果包括分类结果和回归位置，根据预测框和伪标签的分类结果得到第六分类损失值，根据预测框和伪标签的回归位置得到第六回归损失值；根据所述第六回归损失值、所述第六分类损失值、所述第二回归损失权重和所述第二分类损失权重确定所述第一损失值。
[0011]可选地，所述采用所述第一损失值和所述第二损失值进行反向传播，以调整所述目标检测模型的参数，得到训练后的目标检测模型，包括：所述目标检测模型的参数包括所述共用主干网络层和所述共用瓶颈层中的参数、所述第一检测头中的参数以及所述第二检测头中的参数；采用第一损失值对所述第一检测头进行反向传播，以调整所述第一检测头中的参数；采用第二损失值所述第一检测头进行反向传播，以调整所述第二检测头中的参数；采用第一损失值和第二损失值对所述共用主干网络层和所述共用瓶颈层进行反向传播，以调整所述共用主干网络层中的参数和所述共用瓶颈层中的参数。
[0012]可选地，所述采用第一损失值和第二损失值对所述共用主干网络层和所述共用瓶颈层进行反向传播，以调整所述共用主干网络层中的参数和所述共用瓶颈层中的参数，包括：根据所述第一损失值和所述第二损失值得到第一影响因子和第二影响因子；根据所述第一影响因子、所述第二影响因子、所述第一损失值和所述第二损失值得到第三损失值；根据第三损失值对所述共用主干网络层和所述共用瓶颈层进行反向传播，以调整所述共用主干网络层中的参数和所述共用瓶颈层中的参数。
[0013]根据本申请的另一个方面，提供了一种多任务目标检测方法，包括：获取待检测图像；将待检测图像输入至任意一种所述的训练后的目标检测模型中，得到所述待检测图像的目标对象的目标检测结果，其中，所述待检测图像为含有所述目标对象的图像。
[0014]根据本申请的另一个方面，提供了一种多任务目标检测模型的训练装置，所述目标检测模型应用于识别目标对象的类别，包括：获取单元，用于获取训练样本图像；构建单元，用于构建目标检测模型，所述目标检测模型包括顺次连接的共用主干网络层和共用瓶颈层，以及并列连接在所述共用瓶颈层后的第一检测头和第二检测头，所述第一检测头为针对第一训练集构建的检测头，所述第二检测头为针对第二训练集构建的检测头；检测单元，用于将所述训练样本图像输入至所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务目标检测模型的训练方法，其特征在于，所述目标检测模型应用于识别目标对象的类别，包括：获取训练样本图像；构建目标检测模型，所述目标检测模型包括顺次连接的共用主干网络层和共用瓶颈层，以及并列连接在所述共用瓶颈层后的第一检测头和第二检测头，所述第一检测头为针对第一训练集构建的检测头，所述第二检测头为针对第二训练集构建的检测头；将所述训练样本图像输入至所述目标检测模型，所述第一检测头输出第一检测结果，所述第二检测头输出第二检测结果；根据所述第一检测结果确定所述第一检测头的第一损失值，根据第二检测结果确定所述第二检测头的第二损失值；采用所述第一损失值和所述第二损失值进行反向传播，以调整所述目标检测模型的参数，得到训练后的目标检测模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一检测结果确定所述第一检测头的第一损失值，包括：如果所述第一检测结果的分类结果含于所述第一训练集的分类标签，则基于所述第一检测结果得到第一回归损失值和第一分类损失值，根据所述第一回归损失值和所述第一分类损失值确定所述第一损失值。3.根据权利要求2所述的方法，其特征在于，所述根据第二检测结果确定所述第二检测头的第二损失值，包括：如果所述第二检测结果的分类结果含于所述第一训练集的分类标签，则基于所述第二检测结果得到第二回归损失值和第二分类损失值，根据第二回归损失值和第二分类损失值确定所述第二损失值；如果所述第二检测结果的分类结果不含于所述第一训练集的分类标签，则基于所述第二检测结果得到第三回归损失值、第三分类损失值、第一回归损失权重和第一分类损失权重，根据所述第三回归损失值、所述第三分类损失值、所述第一回归损失权重和所述第一分类损失权重确定所述第二损失值。4.根据权利要求3所述的方法，其特征在于，所述基于所述第二检测结果得到第三回归损失值、第三分类损失值、第一回归损失权重和第一分类损失权重，根据所述第三回归损失值、所述第三分类损失值、所述第一回归损失权重和所述第一分类损失权重确定所述第二损失值，包括：基于预测框的置信度，得到所述第一分类损失权重；基于两次预测框的交并比，得到所述第一回归损失权重；所述第二检测结果包括分类结果和回归位置，根据预测框和伪标签的分类结果得到第三分类损失值，根据预测框和伪标签的回归位置得到第三回归损失值；根据所述第三回归损失值、所述第三分类损失值、所述第一回归损失权重和所述第一分类损失权重确定第二损失值。5.根据权利要求1所述的方法，其特征在于，所述根据第二检测结果确定所述第二检测头的第二损失值，包括：如果所述第二检测结果的分类结果含于所述第二训练集的分类标签，则基于所述第二
检测结果得到第四回归损失值和第四分类损失值，根据所述第四回归损失值和所述第四分类损失值确定所述第二损失值。6.根据权利要求5所述的方法，其特征在于，所述根据所述第一检测结果确定所述第一检测头的第一损失值，包括：如果所述第一检测结果的分类结果含于所述第二训练集的分类标签，基于所述第一检测结果得到第五回归损失值和第五分类损失值，根据所述第五回归损失值和所述第五分类损失值确定所述第一损失值；如果所述第一检测结果的分类结果不含于所述第二训练集的分类标签，则基于所述第一检测结果得到第六回归损失值、第六分类损失值、第二回归损失权重和第二分类损失权重，根据所述第六回归损失值、所述第六分类损失值、所述第二回归损失权重和所述第二分类损失权重确定所述第一损失值。7.根据权利要求6所述的方法，其特征在于，所述基于...

【专利技术属性】
技术研发人员：李林超，权家新，周凯，温婷，
申请(专利权)人：浙江啄云智能科技有限公司，
类型：发明
国别省市：