针对长尾数据的目标检测方法、装置、设备以及存储介质制造方法及图纸

本发明专利技术实施例涉及计算机数据处理技术领域，公开了一种针对长尾数据的目标检测方法、装置、设备以及计算机存储介质，该方法包括：获取待检测图像；将待检测图像输入目标检测模型，得到待检测图像对应的目标检测结果；将训练样本集分别输入原始检测模型以及原始检测模型对应的孪生检测模型；孪生检测模型的模型参数根据原始检测模型的模型参数确定；根据训练样本集对应的目标类型标注分别计算目标检测模型的第一预测损失以及孪生检测模型的第二预测损失；对孪生检测模型针对训练样本中属于预设的尾部类型的目标的预测损失进行上采样；将收敛的原始检测模型确定为目标检测模型。通过上述方式，本发明专利技术实施例实现了针对长尾数据的更精准的目标检测。

【技术实现步骤摘要】

本专利技术实施例涉及目标检测，具体涉及一种针对长尾数据的目标检测方法、装置、设备以及存储介质。

技术介绍

1、当前，深度神经模型在平衡的物体检测数据集上展现了优异表现。但在实际情境中，数据常常呈现长尾分布，即少数类型占据了大部分样本，而大量类型只有极少样本。这种数据不均衡对需要大量数据的深度神经模型构成了考验，特别是在样本稀少的长尾类型上性能表现较差。这直接影响了基于深度学习的检测器的实际应用效果。因此，寻找针对长尾物体检测的高效训练策略成为了一个紧迫且有待解决的课题。

2、在实施现有技术的过程中，申请人发现：针对长尾物体检测的高效训练策略主要针对如何缓解前景类型之间的不均衡竞争，忽视了长尾分布中尾部类型的代表性问题，而这种对尾部类型样本多样性的忽略，会使得分类器在识别这些类型时的表现受限，从而制约了整体检测性能的提升。

3、因此需要一种能够针对尾部类型检测更加准确的目标检测方案。

技术实现思路

1、鉴于上述问题，本专利技术实施例提供了一种针对长尾数据的目标检测方法、装置、设备以及计算本文档来自技高网...

【技术保护点】

1.一种针对长尾数据的目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测损失以及所述第二预测损失对所述原始检测模型进行模型参数优化，将收敛的所述原始检测模型确定为所述目标检测模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述平衡后总损失根据所述原始检测模型将所述当前类型预测为其他各个所述类型的预测损失以及所述类型的预测损失对应的影响权重计算得到；

4.根据权利要求3所述的方法，其特征在于，所述根据所述当前类型与其他各个类型之间相互的预测影响度的比较结果，对所述类型的预测损失的影响权重进行成...

【技术特征摘要】

1.一种针对长尾数据的目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测损失以及所述第二预测损失对所述原始检测模型进行模型参数优化，将收敛的所述原始检测模型确定为所述目标检测模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述平衡后总损失根据所述原始检测模型将所述当前类型预测为其他各个所述类型的预测损失以及所述类型的预测损失对应的影响权重计算得到；

4.根据权利要求3所述的方法，其特征在于，所述根据所述当前类型与其他各个类型之间相互的预测影响度的比较结果，对所述类型的预测损失的影响权重进行成比例调整，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据所述训练样本集对应的目标类型标注分别计算所述目标检测模型的第一预测损失以及所述孪生检测模型的第二预测损失，包括：

6.根据权利要求1所述的方法...

【专利技术属性】
技术研发人员：祁晓婷，樊治国，
申请(专利权)人：青岛高重信息科技有限公司，
类型：发明
国别省市：