【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种目标对象检测模型的训练方法、装置、设备及介质。
技术介绍
1、目前有很多检测方法可以对图像中包含的目标进行检测，以对图像中的目标进行准确识别，例如，采用目标跟踪方法可以识别检测并跟踪到每个目标，并计数；或者是红外线计数方法、门式计数方法等对目标信号进行检测的方法；或者是采用深度学习方法对图像中的目标进行自动识别和计数。
2、但是，在目标密度较大的情况下，目标之间可能出现遮挡，上述方法不能对遮挡的目标进行准确的识别和计数。因此，本申请提出一种深度学习模型的训练方法以提高对高密度目标的检测。
技术实现思路
1、本申请提供一种目标对象检测模型的训练方法、装置、设备及介质，以解决相关技术不能准确对密度较高人群进行检测的问题。
2、在本申请第一方面提供一种目标对象检测模型的训练方法，所述方法包括：
3、将训练图像输入至待训练目标对象检测模型中，对所述训练图像中的目标对象进行标签框预测，得到多个预测标签框信息，所述训练图像中标记有每个目标对象的真实标签框信息；
4、基于所述真实标签框信息与所述预测标签框信息，获取所述训练图像的位置特征和类别特征，所述位置特征为基于所述预测标签框的置信度得分对原始位置特征进行修正的特征，所述类别特征用于表征所述预测标签框对应的属性的特征；
5、基于所述位置特征和所述类别特征，按照目标损失函数获取损失值；
6、基于所述损失值对所述待训练目标对象检测模型进行优化
7、在本申请可选地一实施例中，所述目标对象检测模型包括特征提取模块、特征融合模块和预测模块，所述将训练图像输入至待训练目标对象检测模型中，对所述训练图像中的目标对象进行标签框预测，得到多个预测标签框信息，包括：
8、将所述训练图像输入至所述特征提取模块，输出多个特征图像，每个所述特征图像为所述训练图像中每个目标对象对应的区域图像；
9、将多个所述特征图像输入至所述特征融合模块，对所述特征图像中不同维度的特征进行融合，输出多个融合特征图像；
10、将多个所述融合特征图像输入至所述预测模块，对所述训练图像中的多个所述目标对象进行位置预测，输出多个所述预测标签框信息。
11、在本申请可选地一实施例中，所述目标对象检测模型还包括空间注意力机制模块，在得到所述融合特征图像之后，所述方法还包括：
12、将所述融合特征图像输入所述空间注意力机制模块，通过池化层和多层感知机，调整所述融合特征图像的形状尺寸，得到新特征图像；
13、通过池化层和空洞卷积，调整所述新特征图像的通道数量，得到更新后的融合特征图像；
14、将所述更新后的融合特征图像输入至所述预测模块。
15、在本申请可选地一实施例中，所述目标损失函数包括第一损失函数以及第二损失函数，所述按照目标损失函数获取损失值，包括：
16、基于所述真实标签框信息与所述预测标签框信息，获取所述原始位置特征；
17、将所述置信度得分和所述原始位置特征的乘积作为所述位置特征；
18、在所述位置特征大于预设阈值的情况下，按照所述第一损失函数获取第一损失值，所述第一损失函数用于表征所述训练图像中正样本的损失；
19、在所述位置特征等于预设阈值的情况下，通过所述第二损失函数获取第二损失值，所述第二损失函数用于表征训练图像中负样本的损失。
20、在本申请可选地一实施例中，所述第一损失函数l1的计算公式如下所示：
21、l1＝-g(glog(h)+(1-g)log(1-h))，
22、其中，g表示位置特征，h表示类别特征；
23、所述第二损失函数l2的计算公式如下所示：
24、l2＝-(1-α)hγlog(1-h))，
25、其中，(1-α)hγ表示比例权重，取值范围为0-1，α表示权重系数，γ表示平衡指数。
26、在本申请可选地一实施例中，所述基于所述真实标签框信息与所述预测标签框信息，获取所述原始位置特征，包括:
27、基于所述真实标签框信息与所述预测标签框信息，获取所述真实标签框的真实位置信息和所述预测标签框的预测位置信息；
28、基于所述真实位置信息和所述预测位置信息，计算所述真实标签框与所述预测标签框之间的交集面积；
29、基于所述真实位置信息和所述预测位置信息，计算所述真实标签框与所述预测标签框之间的并集面积；
30、基于所述交集面积和所述并集面积，计算得到每个所述真实标签框与所述预测标签框的所述交并比值，作为所述原始位置特征。
31、在本申请可选地一实施例中，在得到所述目标对象检测模型之后，所述方法还包括:
32、获取待检测图像，所述待检测图像为油气站场景下包含的各种目标对象的图像；
33、将所述待检测图像输入至所述目标对象检测模型中，输出所述待检测图像中包含的目标对象的标签框及其类别，所述类别为油气站场景下包含的各种目标对象的属性。
34、在本申请第二方面提供一种目标对象检测模型的训练装置，所述装置包括：
35、预测模块，用于将训练图像输入至待训练目标对象检测模型中，对所述训练图像中的目标对象进行标签框预测，得到多个预测标签框信息，所述训练图像中标记有每个目标对象的真实标签框信息；
36、获取模块，用于基于所述真实标签框信息与所述预测标签框信息，获取所述训练图像的位置特征和类别特征，所述位置特征为基于所述预测标签框的置信度得分对原始位置特征进行修正的特征，所述类别特征用于表征所述预测标签框对应的属性的特征；
37、损失值获取模块，用于基于所述位置特征和所述类别特征，按照目标损失函数获取损失值；
38、优化模块，用于基于所述损失值对所述待训练目标对象检测模型进行优化，得到训练好的目标对象检测模型。
39、其中，所述目标对象检测模型包括特征提取模块、特征融合模块和预测模块，将训练图像输入至待训练目标对象检测模型中，所述预测模块包括：
40、特征图像获取子模块，用于将所述训练图像输入至所述特征提取模块，输出多个特征图像，每个所述特征图像为所述训练图像中每个目标对象对应的区域图像；
41、特征融合图像获取子模块，用于将多个所述特征图像输入至所述特征融合模块，对所述特征图像中不同维度的特征进行融合，输出多个融合特征图像；
42、预测子模块，用于将多个所述融合特征图像输入至所述预测模块，对所述训练图像中的多个所述目标对象进行位置预测，输出多个所述预测标签框信息。
43、其中，所述目标对象检测模型还包括空间注意力机制模块，在得到所述融合特征图像之后，所述预测模块还包括：
44、新特征图像获取子模块，用于将所述融合特征图像输入所述空间注本文档来自技高网...
【技术保护点】
1.一种目标对象检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标对象检测模型的训练方法，其特征在于，所述目标对象检测模型包括特征提取模块、特征融合模块和预测模块，所述将训练图像输入至待训练目标对象检测模型中，对所述训练图像中的目标对象进行标签框预测，得到多个预测标签框信息，包括：
3.根据权利要求2所述的目标对象检测模型的训练方法，其特征在于，所述目标对象检测模型还包括空间注意力机制模块，在得到所述融合特征图像之后，所述方法还包括：
4.根据权利要求1所述的目标对象检测模型的训练方法，其特征在于，所述目标损失函数包括第一损失函数以及第二损失函数，所述按照目标损失函数获取损失值，包括：
5.根据权利要求4所述的目标对象检测模型的训练方法，其特征在于，所述第一损失函数L1的计算公式如下所示：
6.根据权利要求4所述的目标对象检测模型的训练方法，其特征在于，所述基于所述真实标签框信息与所述预测标签框信息，获取所述原始位置特征，包括:
7.根据权利要求1所述的目标对象检测模型的训练方法，其
8.一种目标对象检测模型的训练装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：
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，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的目标对象检测模型的训练方法。
...【技术特征摘要】
1.一种目标对象检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的目标对象检测模型的训练方法，其特征在于，所述目标对象检测模型包括特征提取模块、特征融合模块和预测模块，所述将训练图像输入至待训练目标对象检测模型中，对所述训练图像中的目标对象进行标签框预测，得到多个预测标签框信息，包括：
3.根据权利要求2所述的目标对象检测模型的训练方法，其特征在于，所述目标对象检测模型还包括空间注意力机制模块，在得到所述融合特征图像之后，所述方法还包括：
4.根据权利要求1所述的目标对象检测模型的训练方法，其特征在于，所述目标损失函数包括第一损失函数以及第二损失函数，所述按照目标损失函数获取损失值，包括：
5....
【专利技术属性】
技术研发人员：陈友明，陈思竹，王猛珍，
申请(专利权)人：四川弘和数智集团有限公司，
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。