[发明专利]物体检测网络的训练方法和特征监督图生成方法

说明书

本发明涉及物体检测技术领域，尤其涉及一种物体检测网络的训练方法和特征监督图生成方法，其中训练方法包括：通过物体检测网络获得样本图像的特征图；使用特征监督图与所述特征图进行比较，生成特征监督损失函数；所述特征监督图通过不同的值表示所述样本图像中目标物体和非目标物体的所在区域；使用所述特征监督损失函数训练所述物体检测网络。本发明使用特征监督图与特征图进行比较，生成特征监督损失函数，并使用该特征监督损失函数训练所述物体检测网络，使得训练得到的物体检测网络有更好的辨别目标物体能力，提高了其用于物体检测的准确度。

技术领域

本发明涉及物体检测技术领域，尤其涉及一种物体检测网络的训练方法和特征监督图生成方法、装置、终端及计算机可读存储介质。

背景技术

物体检测是计算机视觉领域最基本的问题之一，其包含对图片视频最基本的语义理解分析，一直以来被投入大量研究。物体检测的主要目的是使用长方形方框，即目标物体框将图片中的特定目标物体标识出来。

现有的物体检测终端基本都是采用深度学习的方式，输入一张任意大小的图像给训练好的神经网络生成特征图，终端自动分析该特征图并抽取特征向量做出该区域是何种物体的判断。

但由于被拍摄的物体的拍摄角度、形态、光照和背景等变化复杂，现有的物体检测方式准确度还不够，因此，如何提高物体检测的精度是亟待解决的问题。

发明内容

本发明实施例提供一种物体检测网络的训练方法和特征监督图生成方法、装置、终端及计算机可读存储介质，可以提高物体检测的准确度。

第一方面，本发明实施例提供了一种物体检测网络的训练方法，包括：

通过物体检测网络获得样本图像的特征图；

使用特征监督图与所述特征图进行比较，生成特征监督损失函数；所述特征监督图通过不同的值表示所述样本图像中目标物体和非目标物体的所在区域；

使用所述特征监督损失函数训练所述物体检测网络。

进一步地，所述使用特征监督图与所述特征图进行比较之前，包括：

生成所述样本图像对应的特征监督图。

进一步地，所述生成所述样本图像对应的特征监督图，包括：

计算所述样本图像中各像素点的监督数值；所述样本图像中被目标物体框圈出的区域为正样本，未被所述目标物体框圈出的区域为负样本；所述监督数值包括正样本影响值和负样本影响值，所述正样本影响值表示所述正样本对所述像素点的影响，所述负样本影响值表示所述负样本对所述像素点的影响；

根据各像素点的所述监督数值，生成特征监督图。

进一步地，所述计算所述样本图像中各像素点的监督数值，包括：

通过高斯分布函数设置每个所述目标物体框对所述像素点的影响，作为正样本影响值；通过预设数值，作为负样本影响值；

根据所述像素点的坐标，所述目标物体框的坐标，所述预设数值以及所述高斯分布函数计算所述样本图像中各像素点的监督数值。

第二方面，本发明实施例提供了一种用于物体检测的特征监督图生成方法，包括：

获取样本图像，所述样本图像为标记有目标物体框的样本图像；所述样本图像中被所述目标物体框圈出的区域为正样本，未被所述目标物体框圈出的区域为负样本；

计算所述样本图像中各像素点的监督数值；所述监督数值包括正样本影响值和负样本影响值，所述正样本影响值表示所述正样本对所述像素点的影响，所述负样本影响值表示所述负样本对所述像素点的影响；