[发明专利]神经网络训练与图像处理方法及装置

权利要求书

1.一种神经网络训练方法，其特征在于，包括：

通过目标检测网络对样本图像进行目标检测处理，获得所述样本图像中至少一个对象的多个预测区域，所述样本图像的标注信息包括所述至少一个对象的位置标注信息及至少一个对象的类别标注信息；

基于所述至少一个对象的位置标注信息，确定每个所述预测区域与每个所述预测区域对应的标注区域之间的交并比；

根据所述至少一个对象的类别标注信息以及多个预测区域中每个预测区域的交并比，确定所述多个预测区域的重要性分数；

根据所述多个预测区域的重要性分数以及所述样本图像的标注信息，训练所述目标检测网络；

其中，根据所述至少一个对象的类别标注信息以及多个预测区域中每个预测区域的交并比，确定所述多个预测区域的重要性分数，包括：

根据所述至少一个对象的类别标注信息以及所述多个预测区域中每个预测区域的交并比，对多个预测区域进行排序，获得所述至少一个对象所属的至少一个类别中每个类别对应的预测区域序列；

根据所述多个预测区域中每个预测区域在所述预测区域序列中的排序位置，确定所述每个预测区域的重要性分数；

其中，所述根据所述至少一个对象的类别标注信息以及所述多个预测区域中每个预测区域的交并比，对多个预测区域进行排序，获得所述至少一个对象所属的至少一个类别中每个类别对应的预测区域序列，包括：

根据所述至少一个对象中每个对象的至少两个预测区域的交并比，对所述每个对象的至少两个预测区域进行排序，获得所述每个对象对应的第一序列；

基于所述至少一个对象的类别标注信息，对属于相同类别的至少一个对象对应的第一序列中排序位置相同的预测区域进行排序，获得与所述第一序列中的至少一个排序位置中每个排序位置对应的第二序列；

按照所述第一序列中的排序位置，对所述至少一个排序位置对应的第二序列进行排序，获得所述类别对应的预测区域序列。

2.根据权利要求1所述的方法，其特征在于，所述预测区域序列中的多个预测区域的重要性随着排序位置逐渐下降。

3.根据权利要求1所述的方法，其特征在于，根据所述多个预测区域的重要性分数以及所述样本图像的标注信息，训练所述目标检测网络，包括：

根据所述多个预测区域的重要性分数，确定所述多个预测区域中的每个预测区域的第一权重；

根据所述多个预测区域中每个预测区域的第一权重和所述标注信息，确定所述目标检测网络的分类损失；

根据所述分类损失，调整所述目标检测网络的网络参数。

4.根据权利要求3所述的方法，其特征在于，根据所述多个预测区域中每个预测区域的第一权重和所述标注信息，确定所述目标检测网络的分类损失，包括：

根据所述多个预测区域中每个预测区域的类别预测结果和所述每个预测区域的类别标注信息，确定所述每个预测区域对应的分类损失；

根据所述多个预测区域的第一权重以及所述多个预测区域的分类损失，确定所述多个预测区域中每个预测区域对应的第二权重；

根据所述多个预测区域中每个预测区域的第二权重以及所述多个预测区域的分类损失，确定所述目标检测网络的分类损失。

5.根据权利要求3所述的方法，其特征在于，根据所述多个预测区域的重要性分数以及所述样本图像的标注信息，训练所述目标检测网络，还包括：

根据所述至少一个对象的类别标注信息，确定所述至少一个对象中每个对象的目标类别；

基于所述多个预测区域中每个预测区域在所述每个预测区域对应的目标类别上的类别预测结果，确定所述目标检测网络的回归损失；

基于所述回归损失，调整所述目标检测网络的网络参数。