训练方法技术

本公开涉及信息处理技术领域，尤其涉及一种训练方法

【技术实现步骤摘要】
训练方法、检测方法、装置、电子设备及存储介质


[0001]本公开涉及信息处理
，尤其涉及一种训练方法
、
检测方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]随着图像检测行业的不断发展，越来越多的设备支持对目标物进行检测，而对目标物的检测精度
、
检测耗时将影响后续一系列任务的总精度
、
总耗时，故如何更好地对待检测图像进行检测，是开发人员亟需解决的技术问题
。

技术实现思路

[0003]本公开提出了一种训练及检测技术方案
。
[0004]根据本公开的一方面，提供了一种训练方法，所述训练方法包括：获取第一训练样本
、
第二训练样本；其中，所述第一训练样本为检测模型中的第一部分在初始训练过程中使用的训练样本，所述第二训练样本为检测模型的第二部分在初始训练过程中使用的训练样本，所述初始训练过程为对所述检测模型进行训练的过程；将所述第一训练样本输入至所述检测模型，得到所述第一训练样本对应的第一预测标签；将所述第二训练样本输入至所述检测模型，得到所述第二训练样本对应的第二预测标签；根据第一训练样本
、
第一预测标签
、
第二训练样本
、
第二预测标签对训练后的检测模型进行训练，得到第一模型，并对所述第一模型进行剪枝，得到第二模型；根据第二训练样本
、
第二预测标签，对所述第二模型训练，得到目标检测模型
。
[0005]在一种可能的实施方式中，所述目标检测模型包括主干网络和至少一个检测网络，所述主干网络用于提取第一训练样本和
/
或第二训练样本的特征数据；所述初始训练过程，包括：根据所述第一训练样本，对初始主干网络进行训练，得到训练后的所述主干网络；利用所述第二训练样本，对初始模型进行训练，得到所述检测模型；其中，所述初始模型由所述主干网络和初始检测网络组成
。
[0006]在一种可能的实施方式中，所述根据第一训练样本
、
第一预测标签
、
第二训练样本
、
第二预测标签对训练后的检测模型进行训练，包括：通过所述检测模型，提取第一训练样本的特征图；根据所述特征图，生成所述第一训练样本的多个热力图
、
所述多个热力图中每个热力图对应的热力图种类；其中，所述热力图用以表示所述第一训练样本中每个像素点为关节点的概率；所述热力图种类用以表示热力图对应的关节点种类；生成每个热力图与热力图种类不同的其它热力图之间的亲和力；其中，所述亲和力的大小与每个热力图与热力图种类不同的其它热力图之间对应的关节点构成的矢量场中两个热力图连接的线段的线积分大小负相关；根据每个热力图
、
每个热力图与热力图种类不同的其它热力图之间的亲和力的大小，确定每个目标人物对应的人体结构信息，并作为第一预测标签的一部分
。
[0007]在一种可能的实施方式中，所述提取第一训练样本的特征图，包括：依次对所述第一训练样本进行采样，得到多个特征图；所述训练方法还包括：对所述多个特征图中的每个
特征图的维度数进行调整；其中，调整后的多个特征图的维度数不同；对调整后的多个特征图进行特征融合；对特征融合后的特征图进行第一预测标签的生成
。
[0008]在一种可能的实施方式中，所述训练方法还包括：对所述特征图进行特征提取，得到车辆特征图；对所述车辆特征图进行自适应池化操作，得到池化后的车辆特征图；对所述车辆特征图进行降维操作，得到第一车辆降维特征图
、
第二车辆降维特征图；其中，所述第一车辆降维特征图与所述第二车辆降维特征图之间的维度数不同；根据所述第一车辆降维特征图
、
所述第二车辆降维特征图，确定车辆信息，作为第二预测标签的一部分
。
[0009]在一种可能的实施方式中，所述根据所述第一车辆降维特征图
、
所述第二车辆降维特征图，确定车辆信息，包括：对所述第一车辆降维特征图进行检测，得到所述第二训练样本中每个车辆对应的唯一标识；对所述第二车辆降维特征图进行检测，得到所述第二训练样本中每个车辆对应的车辆属性；其中，所述车辆信息包括所述每个车辆对应的唯一标识
、
所述每个车辆对应的车辆属性
。
[0010]在一种可能的实施方式中，所述训练方法还包括：对所述特征图进行特征提取，得到行人特征图；对所述行人特征图进行自适应池化操作，得到池化后的行人特征图；对所述行人特征图进行降维操作，得到第一行人降维特征图
、
第二行人降维特征图；其中，所述第一行人降维特征图与所述第二行人降维特征图之间的维度数不同；根据所述第一行人降维特征图
、
所述第二行人降维特征图确定行人信息，作为第二预测标签的一部分
。
[0011]在一种可能的实施方式中，所述根据所述第一行人降维特征图
、
所述第二行人降维特征图确定行人信息，包括：对所述第一行人降维特征图进行检测，得到每个行人对应的唯一标识；对所述第二行人降维特征图进行检测，得到每个行人对应的行人属性；其中，所述行人信息包括所述每个行人对应的唯一标识
、
每个行人对应的行人属性
。
[0012]在一种可能的实施方式中，所述根据第一训练样本
、
第一预测标签
、
第二训练样本
、
第二预测标签对训练后的检测模型进行训练，得到第一模型，包括：根据所述第一训练样本对应的第一预测标签
、
对应的第一真实标签，确定第一损失；根据所述第二训练样本对应的第二预测标签
、
对应的第二真实标签，确定第二损失；确定所述第一损失与第一权值的第一乘积
、
所述第二损失与第二权值的第二乘积；将所述第一乘积
、
所述第二乘积之和作为所述训练后的检测模型的整体损失，并对所述训练后的检测模型的模型参数进行调整，得到第一模型
。
[0013]根据本公开的一方面，提供了一种检测方法，所述检测方法包括：获取待检测图像；将所述待检测图像输入至目标检测模型，得到检测结果；其中，所述目标检测模型为所述的训练方法训练得到的目标检测模型
。
[0014]根据本公开的一方面，提供了一种训练装置，所述训练装置包括：样本获取模块，用以获取第一训练样本
、
第二训练样本；其中，所述第一训练样本为检测模型中的第一部分在初始训练过程中使用的训练样本，所述第二训练样本为检测模型的第二部分在初始训练过程中使用的训练样本，所述初始训练过程为对所述检测模型进行训练的过程；第一预测标签生成模块，用以将所述第一训练样本输入至所述检测模型，得到所述第一训练样本对应的第一预测标签；第二预测标签生成模块，用以将所述第二训练样本输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种训练方法，其特征在于，所述训练方法包括：获取第一训练样本
、
第二训练样本；其中，所述第一训练样本为检测模型中的第一部分在初始训练过程中使用的训练样本，所述第二训练样本为检测模型的第二部分在初始训练过程中使用的训练样本，所述初始训练过程为对所述检测模型进行训练的过程；将所述第一训练样本输入至所述检测模型，得到所述第一训练样本对应的第一预测标签；将所述第二训练样本输入至所述检测模型，得到所述第二训练样本对应的第二预测标签；根据第一训练样本
、
第一预测标签
、
第二训练样本
、
第二预测标签对训练后的检测模型进行训练，得到第一模型，并对所述第一模型进行剪枝，得到第二模型；根据第二训练样本
、
第二预测标签，对所述第二模型训练，得到目标检测模型
。2.
如权利要求1所述的训练方法，其特征在于，所述目标检测模型包括主干网络和至少一个检测网络，所述主干网络用于提取第一训练样本和
/
或第二训练样本的特征数据；所述初始训练过程，包括：根据所述第一训练样本，对初始主干网络进行训练，得到训练后的所述主干网络；利用所述第二训练样本，对初始模型进行训练，得到所述检测模型；其中，所述初始模型由所述主干网络和初始检测网络组成
。3.
如权利要求1所述的训练方法，其特征在于，所述根据第一训练样本
、
第一预测标签
、
第二训练样本
、
第二预测标签对训练后的检测模型进行训练，包括：通过所述检测模型，提取第一训练样本的特征图；根据所述特征图，生成所述第一训练样本的多个热力图
、
所述多个热力图中每个热力图对应的热力图种类；其中，所述热力图用以表示所述第一训练样本中每个像素点为关节点的概率；所述热力图种类用以表示热力图对应的关节点种类；生成每个热力图与热力图种类不同的其它热力图之间的亲和力；其中，所述亲和力的大小与每个热力图与热力图种类不同的其它热力图之间对应的关节点构成的矢量场中两个热力图连接的线段的线积分大小负相关；根据每个热力图
、
每个热力图与热力图种类不同的其它热力图之间的亲和力的大小，确定每个目标人物对应的人体结构信息，并作为第一预测标签的一部分
。4.
如权利要求3所述的训练方法，其特征在于，所述提取第一训练样本的特征图，包括：依次对所述第一训练样本进行采样，得到多个特征图；所述训练方法还包括：对所述多个特征图中的每个特征图的维度数进行调整；其中，调整后的多个特征图的维度数不同；对调整后的多个特征图进行特征融合；对特征融合后的特征图进行第一预测标签的生成
。5.
如权利要求3所述的训练方法，其特征在于，所述训练方法还包括：对所述特征图进行特征提取，得到车辆特征图；对所述车辆特征图进行自适应池化操作，得到池化后的车辆特征图；对所述车辆特征图进行降维操作，得到第一车辆降维特征图
、
第二车辆降维特征图；其
中，所述第一车辆降维特征图与所述第二车辆降维特征图之间的维度数不同；根据所述第一车辆降维特征图
、
所述第二车辆降维特征图，确定车辆信息，作为第二预测标签的一部分
。6.
根据权利要求5所述的训练方法，其特征在于，所述根据所述第一车辆降维特征图
、
所述第二车辆降维特征图，确定车辆信息，包括：对所述第一车辆降维特征图进行检测，得到所述第二训练样本中每个车辆对应的唯一标识；对所述第二车辆降维特征图进行检测，得到所述第二训练样本中每个车辆对应的车辆属性；其中，所述车辆信息包括所述每个车辆对应的唯一标识
、
所述每个车辆对应的车辆属性
。7.
如权利要求3所述的训练方法，其特征在于，所述训练方法还包括：对所述特征图进行特征提取，得到行人特...

【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：摩尔线程智能科技北京有限责任公司，
类型：发明
国别省市：