[发明专利]基于SE-FPN的目标检测模型训练方法、目标检测方法及装置

说明书

基于SE‑FPN的目标检测模型训练方法、目标检测方法及装置，训练方法包括：对多张训练图片按不同缩放系数进行缩放，拼接成一张新图片，所述新的图片包括多个不同大小的目标；将所述多个不同大小的目标按照预定的分配策略分配到SE‑FPN目标检测模型的不同金字塔特征层；在每个金字塔特征层中，根据该层的训练样本的真值找到离中心点最近的m个位置，计算m个位置所有锚与真值的DIoUD_g，计算D_g均值m_g、标准差v_g，得到阈值t_g，选择大于t_g且在目标框内的中心位置和锚输出；计算分类损失函数和位置回归函数，通过反向传播算法训练模型。构建基于SE‑FPN的目标检测网络模型，改进图像预处理方式和样本选择策略并训练模型，应用于目标检测，提高目标检测效率。

技术领域

本发明涉及计算机视觉领域，尤其与一种基于SE-FPN的目标检测模型训练方法、目标检测方法及装置有关。

背景技术

目标检测是计算机视觉领域的基础研究课题，被广泛应用于无人驾驶、智能监控和自动目标识别等领域。传统的目标检测方法主要是通过滑动窗口进行区域选择和定位，然后通过支持向量机（SVM）等分类器对其进行分类。随着深度学习的发展，卷积神经网络在目标检测中取得了一系列成果，相比于传统的目标检测方法，基于深度卷积网络模型的检测方法具有特征自主提取、泛化能力强等优点，成为目标检测领域重要的研究课题之一。

目前基于深度学习的目标检测方法主要分为两类：一类是两阶段的目标检测器，如Faster-RCNN，首先通过区域生成网络提取候选区域，然后将候选区域送入检测网络进行目标分类和位置回归。两阶段检测器的检测精度较高，但速度慢，难以达到实时性要求。另一类是单阶段检测器，如Yolo，将图像划分为多个网格，通过检测网络直接预测每个网格含有目标的概率，回归边界框和类别信息。单阶段检测器检测速度快，可实时检测目标，但检测精度较低，特别是对密集目标和小目标。

目前单阶段检测器主要存在两个问题：

（1）目标预测由目标中心所在的网格负责，当目标比较密集时，一个网格可能包含多个目标，但最终只输出一组预测参数，只能准确预测一个目标，其他目标被忽略或者存在较大的误差。

（2）检测器采用特征金字塔结构分层对图像进行检测，每个特征层用特定的锚进行预测。但实际项目获取的数据集中，目标的尺度往往分布不均匀，大部分目标都集中对金字塔的某一层进行训练，其余两层不能得到很好的训练，不仅造成资源浪费，还会影响检测精度。

发明内容

针对上述现状，本发明提供一种基于SE-FPN的目标检测模型训练方法、目标检测方法及装置、及电子设备和可读存储介质，构建基于SE-FPN的目标检测网络模型，并通过改进图像预处理方式和样本选择策略并训练模型，应用于目标检测，提高了目标的检测效率。

为了实现本发明的目的，拟采用以下方案：

一种基于SE-FPN的目标检测模型训练方法，包括步骤：

对从数据集获取的多张训练图片按不同的缩放系数进行缩放后，拼接成一张新的图片，并将多张训练图片对应的目标标签做相同的缩放和拼接处理，新的图片包括多个不同大小的目标；

将多个不同大小的目标按照预定的分配策略分配到SE-FPN目标检测模型的不同金字塔特征层；