[发明专利]一种基于神经网络的目标检测方法和装置

权利要求书

1.一种基于神经网络的目标检测方法，其特征在于，包括：

获取初始训练样本集，所述初始训练样本集包括至少两个初始样本；

基于预设的分类模型以及损失预测模型，获取各初始样本对应的第一损失预测结果，并根据各初始样本对应的第一损失预测结果，从各初始样本中筛选出目标样本，各目标样本构成目标训练样本集；

对所述目标训练样本集进行标注，得到标注数据；

将所述训练样本集和标注数据输入至预设神经网络中进行训练，得到目标检测模型；

根据所述目标检测模型进行目标检测；

所述基于预设的分类模型以及损失预测模型，获取各初始样本对应的第一损失预测结果，具体为：

根据所述分类模型中的卷积层获得初始样本的第一层特征向量；

根据所述损失预测模型获得所述第一层特征向量的第一损失预测结果；

所述分类模型包括至少两个卷积层，每一个卷积层输出一个第一层特征向量；

所述损失预测模型包括至少两个损失预测子模型和分类器，各损失预测子模型与各卷积层一一对应，每一个损失预测子模型的输入为对应的卷积层所输出的第一层特征向量；

相应地，所述根据所述损失预测模型获得所述第一层特征向量的第一损失预测结果，具体为：

对于任意一个第一层特征向量，将该第一层特征向量输入至该第一层特征向量对应的损失预测子模型中，获得该损失预测子模型针对该第一层特征向量所输出的第一向量；

根据各个第一向量，获得第二向量；

根据所述第二向量和所述分类器，获得所述第一损失预测结果；

各初始样本对应的第一损失预测结果包括各初始样本对应的预测损失值；

所述根据各初始样本对应的第一损失预测结果，从各初始样本中筛选出目标样本，具体为：

将各初始样本对应的预测损失值与预设损失门限值进行比对，获取大于或者等于所述预设损失门限值的预测损失值对应的初始样本，得到所述目标样本。

2.根据权利要求1所述的基于神经网络的目标检测方法，其特征在于，所述分类模型和损失预测模型的获取过程包括：

获取模型训练样本集，所述模型训练样本集包括至少两个模型训练样本，以及与各模型训练样本相对应的标签；

将模型训练样本输入至分类模型中；

通过分类模型获得模型训练样本的分类预测结果，并获得分类模型中的卷积层针对模型训练样本所输出的第二层特征向量；

通过损失预测模型获得所述第二层特征向量的第二损失预测结果；

基于预设损失函数，根据各模型训练样本分别对应的分类预测结果和第二损失预测结果，计算损失值；

根据每次获取到的损失值进行迭代训练，直至训练完成。

3.根据权利要求1所述的基于神经网络的目标检测方法，其特征在于，所述预设神经网络包括编码器和解码器，所述编码器的每一层的输入设置为三部分的融合：所述编码器本层的上一层的输出、所述编码器本层的输出以及所述编码器本层的下一层的输出，且所述编码器和解码器之间跳跃连接。

4.根据权利要求1所述的基于神经网络的目标检测方法，其特征在于，所述对所述目标训练样本集进行标注，得到标注数据，包括：

通过Labelme工具，对所述目标训练样本集进行标注，得到所述标注数据。

5.一种基于神经网络的目标检测装置，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1-4任一项所述的基于神经网络的目标检测方法的步骤。