[发明专利]基于卷积神经网络的目标检测模型训练方法、设备和介质

权利要求书

1.基于卷积神经网络的目标检测模型训练方法，其特征在于，所述方法包括以下步骤：

将训练集中的图像逐个输入目标检测模型；所述训练集中的图像均具有含有检测目标及检测目标ID的目标框，及一组不同尺度不同位置的预选框；

计算每个所述预选框与所述目标框的交并比；

提取交并比大于等于设定阀值的预选框的标签特征数据作为正样本，提取交并比小于设定阀值的预选框的标签特征数据作为负样本；所述标签特征数据包括所述预选框的检测目标ID、对点坐标数值和中心坐标数值；

用所述正样本和负样本训练所述目标检测模型。

2.根据权利要求1所述的基于卷积神经网络的目标检测模型训练方法，其特征在于，

所述中心坐标数值通过以下公式计算得到：

b_x＝δ(t_x)+c_x

b_y＝δ(t_y)+c_y

这里的δ表示以下函数：

其中(b_x,b_y)为中心坐标数值，b_w为中心坐标宽度,b_h为中心坐标高度；(t_x,t_y)为预测标签特征数据中的右下点坐标数值，t_w为预测标签特征数据中的右下点宽度,t_h为右下点高度。

3.根据权利要求1所述的基于卷积神经网络的目标检测模型训练方法，其特征在于，所述目标检测模型包括以下损失函数：

类别损失函数

位置损失函数

中心损失函数

置信度损失函数

其中mask为所述目标框的目标ID；class_num为目标类别数；yi^true为目标框的实际中心坐标的y轴位置数值；yi^pre为目标框的预测中心坐标的y轴位置数值；

Box_num为模型前馈产生的检测框数量；ki^true为实际坐标信息；ki^pre为预测坐标信息；(x,y)为中心坐标；(w,h)为预选框与目标框的交点坐标；ci^true为实际置信度；ci^pre为预测置信度；ignore为预测标签特征数据中的预测目标ID。

4.根据权利要求2-3任意一项所述的基于卷积神经网络的目标检测模型训练方法，其特征在于，所述训练集由通过实际场景获取含有检测目标的图像集经以下步骤处理得到：

从通过实际场景获取含有检测目标的图像集中筛选出出符合要求的图像；

将筛选出的图像做数据增强，得到扩充数据集；

将扩充数据集均分得到训练集、测试集和验证集。

5.根据权利要求4所述的基于卷积神经网络的目标检测模型训练方法，其特征在于，所述数据增强的方法包括图片翻转、图片平移和图片锐化。

6.根据权利要求5所述的基于卷积神经网络的目标检测模型训练方法，其特征在于，还包括：

用测试集测试训评价完目标检测模型后，用所述测试集中的误检图像再次训练所述目标检测模型。

7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任意一项目所述基于卷积神经网络的目标检测模型训练方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述基于卷积神经网络的目标检测模型训练方法的步骤。