一种用于目标检测的深度学习训练方法技术

本发明专利技术公开了一种用于目标检测的深度学习训练方法，涉及目标检测技术领域，解决了现有样本不均衡现象难以解决，导致模型精度下降，从而使得目标检测的准确度低的技术问题。该方法包括S1、对采集的图像数据依次进行清洗、标注、预处理和划分得到训练样本集；S2、对所述训练样本集进行初步深度学习训练，得到每个样本被正确检测的准确率；S3、根据所述准确率，将所述训练样本集中难易不同样本进行训练的过程建模为智猪博弈的过程，再次进行训练，得到最终训练好的目标检测模型。本发明专利技术用于通过将博弈论引入神经网络训练的过程，使得模型能够适应样本训练难度不平衡的样本集，提升了训练模型的精度和训练速度。训练模型的精度和训练速度。训练模型的精度和训练速度。

【技术实现步骤摘要】
一种用于目标检测的深度学习训练方法


[0001]本专利技术涉及目标检测
，尤其涉及一种用于目标检测的深度学习训练方法。

技术介绍

[0002]目标检测任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。随着深度学习在目标检测领域的大规模应用，目标检测技术的精度和速度得到迅速提高，已被广泛应用于行人检测、人脸检测、文字检测、交通标志及信号灯检测和遥感图像检测等领域。
[0003]在深度学习领域，设计完成深度学习神经网模型的结构、激活函数、损失函数、优化器等以后，还需要进行神经网络训练，才能用于实际的目标检测任务。其中，神经网络模型训练过程非常重要，会直接影响模型的训练时间成本、模型推理精度等指标。
[0004]数据集是神经网络的样本集合，神经网络训练的本质是学习数据集中隐含的数学分布。在当前的物体检测算法中，由于检测算法各不相同，以及数据集之间的差异，可能会存在难本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于目标检测的深度学习训练方法，其特征在于，包括：S1、对采集的图像数据依次进行清洗、标注、预处理和划分得到训练样本集；S2、对所述训练样本集进行初步深度学习训练，得到每个样本被正确检测的准确率；S3、根据所述准确率，将所述训练样本集中难易不同样本进行训练的过程建模为智猪博弈的过程，再次进行训练，得到最终训练好的目标检测模型；所述目标检测模型用于确定图像中指定物体的类别和位置。2.根据权利要求1所述的一种用于目标检测的深度学习训练方法，其特征在于，步骤S2包括：S21、设置神经网络训练过程中的超参数，对所述训练样本集中的样本进行t个轮次的训练；S22、计算t个轮次训练过程中，每个所述样本被正确检测的所述准确率。3.根据权利要求1所述的一种用于目标检测的深度学习训练方法，其特征在于，步骤S3包括：S31、设置博弈参数，并初始化所有样本的大猪次数标签和小猪次数标签，进行剩余N个轮次的训练；其中，博弈参数包括：大猪的行动概率和等待概率、大猪淘汰阈值、小猪的行动概率和等待概率和小猪淘汰阈值；S32、在每次训练中，选取2*BatchSize个所述样本，并将所述样本等分为第一样本组和第二样本组；S33、分别选择所述第一样本组、第二样本组对应位置的样本，根据所述准确率给所述样本依次分配所述大猪和所述小猪的角色；S34、所述大猪、小猪进行博弈，从每个对应位置共选出BatchSize个博弈成功的所述样本加入训练批次；S35、更新每个所述样本的准确率，直到训练轮次达到N轮训练结束，得到最终训练好的目标检测模型。4.根据权利要求3所述的一种用于目标检测的深度学习训练方法，其特征在于，步骤S34包括：S341、根据所述大猪...

【专利技术属性】
技术研发人员：梁山清，宋风合，谢文平，
申请(专利权)人：深圳市南方硅谷半导体股份有限公司，
类型：发明
国别省市：