多类别目标检测方法及其模型训练方法、装置制造方法及图纸

本申请涉及目标检测技术领域，提供了一种多类别目标检测方法及其模型训练方法、装置，该方法通过预先训练得到不同的老师网络，并利用每个老师网络对包含多个目标类别且仅带有部分目标类别标注的训练图片中的对应类别目标进行检测，以得到不同检测阶段的参考特征图；之后，利用所有老师网络得到的这些参考特征图，对需要训练的学生网络所输出的相应预测特征图计算损失值，最后利用损失值进行反向传播训练，从而得到多类别目标检测模型。该方法可以利用标注不完整的数据集来进行多类别目标检测模型的训练，可提升训练效果和效率等。可提升训练效果和效率等。可提升训练效果和效率等。

【技术实现步骤摘要】
多类别目标检测方法及其模型训练方法、装置


[0001]本申请涉及目标检测
，尤其涉及一种多类别目标检测方法及其模型训练方法、装置。

技术介绍

[0002]当项目中的目标检测模型需要能够同时检测和识别多种物体对象，例如，可同时检测出画面中的所有水果，并且可以识别出这些水果的所属种类，通常地，需要先对相应的样本数据集进行整理，然后进行目标检测模型的训练。其中，在收集数据集进行训练的过程中，一般希望能够收集完整的一个数据集，即数据集中每一张图片里包含所有待检测物体对象的标注。
[0003]然而，在实际项目中，比较常见的情况是：已有一个数据集A，里面带有物体A的标注；已有一个数据集B，里面带有物体B的标注，但是在数据集A中，即使图片中出现了物体B，也没有对物体B进行标注，数据集B中也是同理。要是想利用这样两个数据集A和B来直接合并进行多个物体的目标检测模型训练是不可行的。

技术实现思路

[0004]有鉴于此，本申请实施例提供一种多类别目标检测方法及其模型训练方法、装置。
[0005]第一方面，本申请实施例提供一种将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多类别目标检测模型训练方法，其特征在于，包括：将训练图片分别输入至预先训练的不同老师网络中进行目标检测，输出每个老师网络中不同检测阶段的参考特征图；其中，不同老师网络用于对不同类别的目标进行检测；所述训练图片中包含多个目标类别且带有部分目标类别标注；基于不同检测阶段的所述参考特征图，得到所述训练图片在对应类别目标检测中的正负样本数据；将所述训练图片输入至学生网络中进行多类别目标检测，输出在各个所述检测阶段的预测特征图；基于所述正负样本数据、所述参考特征图和所述预测特征图，计算通过所述学生网络进行多类别目标检测时的损失值；利用所述损失值进行反向传播以继续训练所述学生网络，直至满足预设训练停止条件，得到多类别目标检测模型。2.根据权利要求1所述的多类别目标检测模型训练方法，其特征在于，所述输出每个老师网络中不同检测阶段的参考特征图，包括：按照预设尺寸输出每个老师网络在不同检测阶段得到的参考特征图，其中，每个所述参考特征图中的每个点均包含预设数量的锚框，所述锚框用于通过解析得到所述正负样本数据。3.根据权利要求2所述的多类别目标检测模型训练方法，其特征在于，所述基于不同检测阶段的所述参考特征图，得到所述训练图片在对应类别目标检测中的正负样本数据，包括：在对应类别目标检测过程中，按照预设分配规则将各个检测阶段中的所述参考特征图中相应位置的锚框分配为正样本还是负样本；将区分出的正样本和负样本通过矩阵形式进行描述，以得到所述训练图片在对应类别目标检测中的正负样本数据。4.根据权利要求1所述的多类别目标检测模型训练方法，其特征在于，所述基于所述正负样本数据、所述参考特征图和所述预测特征图，计算通过所述学生网络进行多类别目标检测时的损失值，包括：利用每个检测阶段的所述正负样本数据，分别计算每个检测阶段的所述参考特征图与所述预测特征图之间的知识蒸馏损失值；将所有检测阶段的所述知识蒸馏损失值进行加权计算，得到知识蒸馏总损失值；计算所述预测特征图与基于所述训练图片包含的所述目标类别标注得到的真实特征图之间的目标检测损失值；利用所述知识蒸馏总损失值与所述目标检测损失值，计算得到通过所述学生网络进行多类别目标检测时的损失值。5.根据权利要求1至4中任一项所述的多类别目标检测模型训练方法，其特征在于，所述不同检测阶段包括三个阶段，分别为回归检测阶段、是否为目标判定阶段和目标...

【专利技术属性】
技术研发人员：胡淑萍，王侃，董培，庞建新，谭欢，
申请(专利权)人：深圳市优必选科技股份有限公司，
类型：发明
国别省市：