[发明专利]实例检测网络的优化方法、装置、介质及电子设备

权利要求书

1.一种实例检测网络的优化方法，其特征在于，包括：

通过实例检测网络提取目标图像中的语义特征向量和实例特征向量，并通过所述语义特征向量和所述实例特征向量识别所述目标图像中至少两个实例目标；

计算所述至少两个实例目标中各实例目标占全部实例目标的像素面积比以及所述至少两个实例目标对应的类间向量距离；

根据所述像素面积比和所述至少两个实例目标计算类内损失函数，所述像素面积比用于调节所述至少两个实例目标之间的权重分配，以及

根据所述至少两个实例目标中所述类间向量距离满足向量距离阈值的实例目标计算类间损失函数，以及

根据所述至少两个实例目标计算语义损失函数；

根据所述语义损失函数、所述类内损失函数和所述类间损失函数训练所述实例检测网络。

2.根据权利要求1所述的方法，其特征在于，通过实例检测网络提取目标图像中的语义特征向量和实例特征向量，包括：

获取所述目标图像对应的共享特征向量；

将所述共享特征向量分别输入所述实例检测网络中的语义特征提取子网络和实例特征提取子网络；

通过所述语义特征提取子网络提取所述语义特征向量；

通过所述实例特征提取子网络提取所述实例特征向量。

3.根据权利要求2所述的方法，其特征在于，获取所述目标图像对应的共享特征向量，包括：

提取所述目标图像的参考特征向量；

对所述参考特征向量进行归一化处理，得到符合正态分布的归一化结果；

对所述归一化结果进行非线性映射处理，得到所述共享特征向量。

4.根据权利要求2所述的方法，其特征在于，所述语义特征提取子网络和所述实例特征提取子网络对应于相同网络架构不同网络参数，所述语义特征提取子网络对应于所述语义损失函数，所述实例特征提取子网络对应于所述类内损失函数和所述类间损失函数。

5.根据权利要求4所述的方法，其特征在于，根据所述语义损失函数、所述类内损失函数和所述类间损失函数训练所述实例检测网络，包括：

根据所述类内损失函数和所述类间损失函数训练所述实例检测网络中的所述实例特征提取子网络；

根据所述语义损失函数训练所述实例检测网络中的所述语义特征提取子网络。

6.根据权利要求5所述的方法，其特征在于，根据所述类内损失函数和所述类间损失函数训练所述实例检测网络中的所述实例特征提取子网络，包括：

根据所述类内损失函数和所述类间损失函数调整所述实例特征提取子网络的网络参数，直到所述类内损失函数和所述类间损失函数均处于预设阈值范围内为止。

7.根据权利要求2所述的方法，其特征在于，通过所述语义特征提取子网络提取所述语义特征向量，包括：

通过所述语义特征提取子网络中的多个语义卷积层对所述共享特征向量进行反卷积处理，得到所述语义特征向量；其中，所述多个语义卷积层中每个语义卷积层的输入为前一语义卷积层的输出和所述共享特征向量；

以及，通过所述实例特征提取子网络提取所述实例特征向量，包括：

通过所述实例特征提取子网络中的多个实例卷积层对所述共享特征向量进行反卷积处理，得到所述实例特征向量；其中，所述多个实例卷积层中每个实例卷积层的输入为前一实例卷积层的输出和所述共享特征向量。

8.根据权利要求1所述的方法，其特征在于，通过所述语义特征向量和所述实例特征向量识别所述目标图像中至少两个实例目标，包括：

将所述语义特征向量和所述实例特征向量中对应于同一实例目标的特征向量进行融合，得到融合特征向量集合；

对所述融合特征向量集合进行聚类，得到至少两个向量簇；

根据所述向量簇在所述目标图像中的表达位置确定所述至少两个实例目标。