[发明专利]一种目标检测方法、装置、电子设备及存储介质

说明书

本申请公开了一种目标检测方法，所述方法包括：将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；利用所述训练后的目标检测模型对未知信息执行目标检测操作。本申请能够避免长尾分布对目标检测模型的影响，提高目标检测准确率。本申请还公开了一种目标检测装置、一种存储介质及一种电子设备，具有以上有益效果。

技术领域

本申请涉及图像处理技术领域，特别涉及一种目标检测方法、装置、电子设备及存储介质。

背景技术

基于深度学目标检测算法中，常常会遇到Long-Tail长尾分布问题。在检测多个类别时，由于各类别素材获取的难易程度不同，导致头部素材是尾部素材的几十倍、甚至上百倍。在模型训练时，素材多的类别会明显抑制素材少的类别的学习效果，造成尾部检测能力大幅下降。

因此，如何避免长尾分布对目标检测模型的影响，提高目标检测准确率是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种目标检测方法、装置、电子设备及存储介质，能够避免长尾分布对目标检测模型的影响，提高目标检测准确率。

为解决上述技术问题，本申请提供一种目标检测方法，该目标检测方法包括：

将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；

根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；

根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；

利用所述训练后的目标检测模型对未知信息执行目标检测操作。

可选的，根据所述特征图确定每一类别的样本梯度信息，包括：

根据所述特征图确定每一类别的正样本对应预测点产生的正样本梯度；

根据所述特征图确定每一类别的负样本对应预测点产生的负样本梯度；

其中，所述样本梯度信息包括所述正样本梯度和所述负样本梯度。

可选的，根据所述样本梯度信息设置每一类别的损失权重，包括：

将所述特征图中所述正样本梯度大于梯度阈值的预测点设置为第一待优化预测点；

将所述特征图中所述负样本梯度大于所述梯度阈值的预测点设置为第二待优化预测点；

选取目标类别，并计算所述目标类别的第一比例和第二比例；其中，所述第一比例为所述目标类别的第一待优化预测点数量与所述目标类别对应的预测点数量的比值；所述第二类别为所述目标类别的第二待优化预测点数量与目标数的比值，所述目标数为所有所述当前批次样本对应的预测点数量与所述目标类别对应的预测点数量的差；

判断是否得到所有类别的第一比例和第二比例；

若是，则根据所有类别第一比例和第二比例计算每一类别的类别权重，并通过类别均衡算法对所述类别权重进行计算得到每一类别的损失权重；

若否，则进入所述选取目标类别的步骤。

可选的，根据所有类别第一比例和第二比例计算每一类别的类别权重，包括：

将所述第一比例中的最大值与每一类别的第一比例的比值设置为相应类别的第一类别权重；