【技术实现步骤摘要】
本申请涉及计算机视觉，特别是涉及一种区域检测模型训练方法、护目镜识别方法和终端。
技术介绍
1、随着技术的进步，更多基于深度神经网络的图像检测模型得到应用。为了增加深度神经网络模型的图像检测准确性，常常在网络模型中加入不同的卷积分支。在利用深度神经网络模型进行实际图像检测的过程中，神经网络模型中卷积分支的数量越多，网络模型的推理速度越低，进而难以满足实际场景中对实时性的要求。
技术实现思路
1、本申请提供一种区域检测模型训练方法、护目镜识别方法和终端。
2、本申请采用的一个技术方案是提供一种区域检测模型训练方法，该区域检测模型训练方法包括：
3、构建区域检测模型，区域检测模型包括骨干网络、颈部网络和头部网络，骨干网络包括瓶颈层，瓶颈层包括多路卷积分支；
4、将样本图像输入至区域检测模型，以对区域检测模型进行训练；
5、将训练后的区域检测模型的瓶颈层的多路卷积分支修剪为单路卷积分支；其中，训练后的区域检测模型用于对待识别图像的部分图像区域进行区...
【技术保护点】
1.一种区域检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的区域检测模型的训练方法，其特征在于，所述瓶颈层包括依次连接的第一卷积模块和第二卷积模块；
3.根据权利要求2所述的区域检测模型的训练方法，其特征在于，
4.根据权利要求2所述的区域检测模型的训练方法，其特征在于，所述将训练后的所述区域检测模型的所述瓶颈层的多路卷积分支修剪为单路卷积分支，包括：
5.根据权利要求1所述的区域检测模型的训练方法，其特征在于，所述将样本图像输入至所述区域检测模型，以对所述区域检测模型进行训练，包括：
6.根...
【技术特征摘要】
1.一种区域检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的区域检测模型的训练方法，其特征在于，所述瓶颈层包括依次连接的第一卷积模块和第二卷积模块；
3.根据权利要求2所述的区域检测模型的训练方法，其特征在于，
4.根据权利要求2所述的区域检测模型的训练方法，其特征在于，所述将训练后的所述区域检测模型的所述瓶颈层的多路卷积分支修剪为单路卷积分支，包括：
5.根据权利要求1所述的区域检测模型的训练方法，其特征在于，所述将样本图像输入至所述区域检测模型，以对所述区域检测模型进行训练，包括：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：戴媛，夏炜栋，
申请(专利权)人：浙江大华技术股份有限公司，
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。