【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种目标检测模型的训练方法及装置。
技术介绍
1、随着人工智能算法在不同领域的推广，数据缺乏问题时常出现，成为人工智能算法落地的一大障碍。尽管深度学习在数据充足情况下取得令人瞩目的成绩，并已实际应用到某些领域，如安检中的人脸识别、人证比对。然而，在工业应用或者医疗中，存在一部分重要缺陷或者严重疾病出现的频率很低，在一定时间内能收集的数据十分有限，但这些缺陷或疾病因会带来严重的后果而不能被忽视，需要被及时识别出来，如钢管焊接中的横向裂纹、电网中的耐张线夹开裂及垫片缺失等。因此，研究利用较少的样本训练出有效模型的小样本学习技术，具有广泛的应用场景。
2、目标检测不但能提供图像中含有的类别情况，还可以给出类别出现的粗略位置信息，在实际应用中可以便于人工复核。相对图像分类，目标检测可以提供更丰富的信息，相对图像分割，其推理成本偏低，所以，目标检测一般更符合实际应用需求。在训练样本有限情况下进行目标检测的小样本目标检测技术，因有望实现数据高效与较强的实用性，越发受到工业界的关注。现有的小样本目标检测方法主要从数据增广、特征增强、分类器设计三方面着手，检测精度相对大量样本训练的情况仍有较大差距。如何提升少量训练样本的信息利用效率以增加目标类别的召回而降低其虚报，仍是亟待解决的难题。
技术实现思路
1、本申请的实施例提供一种目标检测模型的训练方法及装置，通过不一致或不对称的边距设计，提升少量训练样本的信息利用效率，提升目标检测模型对目标类别的识别精度，进而
2、第一方面，本申请实施例提供了一种目标检测模型的训练方法，包括获取训练样本集，训练样本集包括目标类别的样本图像和基础类别的样本图像，目标类别为目标检测模型需要检测的类别，基础类别为与目标类别相关的类别，基础类别的样本图像的数量多于目标类别的样本图像的数量；基于训练样本集和分类损失函数，训练目标检测模型；其中，分类损失函数与边距相关，边距为不同类别之间的边距，目标类别相对于基础类别形成的边距，与目标类别相对于背景类别形成的边距不同；和/或，目标类别相对于背景类别形成的边距，与背景类别相对于目标类别形成的边距不同，背景类别为样本图像中的背景。
3、在本申请的实施例中，通过不一致和/或不对称的边距设计，体现不同类别之间的差异，显著提升目标检测模型对目标类的识别精度。
4、在一个可能的实现中，目标类别相对于背景类别形成的边距大于0，目标类别相对于基础类别形成的边距等于0，也就是说，对于目标类别将边距添加在背景类别上，而不加在基础类别上，即对于某个类别，其与其他不同类别形成的边距不同，体现了边距的不一致性，降低样本图像中大量背景区域的干扰，提升目标类别的召回。
5、在一个可能的实现中，背景类别相对于目标类别形成的边距等于0，背景类别相对于基础类别形成的边距等于0，也就是说，对于背景，不在其他类别上施加边距，目标类别在背景类别上施加边距，而背景类别在目标类别上不施加边距，即两个类别之间形成不对等的边距，体现了边距的不对称性。
6、在另一个可能的实现中，基于训练样本集和分类损失函数，训练目标检测模型的具体实现为：基于目标类别对应的抽取因子从训练样本集中进行样本抽取，得到多个第一样本图像；基于基础类别对应的抽取因子从训练样本集中进行样本抽取，得到多个第二样本图像；将第一样本图像和第二样本图像输入目标检测模型，对目标检测模型进行训练；其中，目标类别对应的抽取因子的大小与目标类别的样本图像的数量反相关，基础类别对应的抽取因子的大小与基础类别的样本图像的数量反相关，抽取因子越大，抽取因子对应类别的样本图像被抽到的概率越高。
7、在该可能的实现中，通过重采样来平衡基础类别和目标类别的样本图像的数量，以更好的挖掘基础类别的样本图像的多样性，在反面刻画目标类别的价值。
8、第二方面，本申请实施例提供一种目标检测模型的训练装置，包括获取模块和训练模块，其中，获取模块用于获取训练样本集，训练样本集包括目标类别的样本图像和基础类别的样本图像，目标类别为目标检测模型需要检测的类别，基础类别为与目标类别相关的类别，基础类别的样本图像的数量多于目标类别的样本图像的数量；训练模块用于基于训练样本集和分类损失函数，训练目标检测模型；其中，分类损失函数与边距相关，边距为不同类别之间的边距，目标类别相对于基础类别形成的边距，与目标类别相对于背景类别形成的边距不同；或者，目标类别相对于背景类别形成的边距，与背景类别相对于目标类别形成的边距不同，背景类别为样本图像中的背景。
9、在另一个可能的实现中，目标类别相对于背景类别形成的边距大于0，目标类别相对于基础类别形成的边距等于0。
10、在一个示例中，背景类别相对于目标类别形成的边距等于0，背景类别相对于基础类别形成的边距等于0。
11、在另一个可能的实现中，训练模块具体用于基于目标类别对应的抽取因子从训练样本集中进行样本抽取，得到多个第一样本图像；基于基础类别对应的抽取因子从训练样本集中进行样本抽取，得到多个第二样本图像；将第一样本图像和第二样本图像输入目标检测模型，对目标检测模型进行训练；其中，目标类别对应的抽取因子的大小与目标类别的样本图像的数量反相关，基础类别对应的抽取因子的大小与基础类别的样本图像的数量反相关，抽取因子越大，抽取因子对应类别的样本图像被抽到的概率越高。
12、第三方面，本申请实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码，实现本申请第一方面提供的方法。
13、第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本申请第一方面提供的方法。
14、第五方面，本申请实施例提供了一种计算机程序或计算机程序产品，所述计算机程序或计算机程序产品包括指令，当所述指令被执行时，实现本申请第一方面提供的方法。
15、第六方面，本申请的实施例提供了一种芯片，该芯片包括至少一个处理器和接口，所述至少一个处理器通过所述接口确定程序指令或者数据；该至少一个处理器用于执行所述程序指令，以实现第一方面提供的方法。
本文档来自技高网...【技术保护点】
1.一种目标检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述目标类别相对于所述背景类别形成的边距大于0，所述目标类别相对于所述基础类别形成的边距等于0。
3.根据权利要求1或2所述的方法，其特征在于，所述背景类别相对于所述目标类别形成的边距等于0，所述背景类别相对于所述基础类别形成的边距等于0。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于所述训练样本集和分类损失函数，训练目标检测模型，包括：
5.一种目标检测模型的训练装置，其特征在于，包括：
6.根据权利要求5所述的装置，其特征在于，所述目标类别相对于所述背景类别形成的边距大于0，所述目标类别相对于所述基础类别形成的边距等于0。
7.根据权利要求5或6所述的装置，其特征在于，所述背景类别相对于所述目标类别形成的边距等于0，所述背景类别相对于所述基础类别形成的边距等于0。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述训练模块具体用于：
9.一种计算设备，包括存储器和处理
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-4任一项所述的方法。
...【技术特征摘要】
1.一种目标检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述目标类别相对于所述背景类别形成的边距大于0，所述目标类别相对于所述基础类别形成的边距等于0。
3.根据权利要求1或2所述的方法，其特征在于，所述背景类别相对于所述目标类别形成的边距等于0，所述背景类别相对于所述基础类别形成的边距等于0。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于所述训练样本集和分类损失函数，训练目标检测模型，包括：
5.一种目标检测模型的训练装置，其特征在于，包括：
6.根据权利要求5所述的装置，其特征在于，所述目标类别相对于所述背景...
【专利技术属性】
技术研发人员：王秀东，邬书哲，陈醒濠，王云鹤，
申请(专利权)人：华为技术有限公司，
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。