[发明专利]目标检测方法、模型的训练方法及装置、设备、存储介质

说明书

本申请实施例公开了一种目标检测方法、模型的训练方法及装置、设备、存储介质，其中，所述训练方法包括：采用待训练的检测模型，对获取的训练图像集进行目标检测，得到预测的检测结果；确定所述训练图像集中不同类别的正负样本的不平衡程度；基于所述预测的检测结果和所述不同类别的正负样本的不平衡程度，确定所述预测的检测结果在所述不同类别中的损失；利用所述损失对所述待训练的检测模型中的网络参数进行更新，直至更新后的检测模型满足收敛条件。

技术领域

本申请实施例涉及计算机视觉技术，涉及但不限于一种目标检测方法、模型的训练方法及装置、设备、存储介质。

背景技术

数据的长尾分布是目标检测算法在现实世界中所面临的重要问题。一般的目标检测算法都应用于相对平衡的数据分布场景下，而长尾分布带来的不平衡问题往往会极大地影响到目标检测算法的精确度。现有的长尾目标检测算法提出了样本重采样、损失重加权等解决方案用于克服长尾分布问题。

然而，现有的针对长尾分布数据的目标检测框架主要是基于二阶段目标检测器进行的，目前仍然没有针对长尾分布数据的单阶段检测的相关内容。

发明内容

有鉴于此，本申请实施例提供一种目标检测方法、模型的训练方法及装置、设备、存储介质。

本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供一种检测模型的训练方法，所述方法包括：采用待训练的检测模型，对获取的训练图像集进行目标检测，得到预测的检测结果；确定所述训练图像集中不同类别的正负样本的不平衡程度；基于所述预测的检测结果和所述不同类别的正负样本的不平衡程度，确定所述预测的检测结果在所述不同类别中的损失；利用所述损失对所述待训练的检测模型中的网络参数进行更新，直至更新后的检测模型满足收敛条件。

通过上述方式，能够利用不同类别的正负样本的不平衡程度，解决前景类别间样本不平衡的问题。

在一些实施例中，所述确定所述训练图像集中不同类别的正负样本的不平衡程度，包括：确定所述训练图像集中不同类别的正负样本的累积梯度比；基于所述不同类别的正负样本的累积梯度比，确定所述不同类别的正负样本的不平衡程度。

通过上述方式，能够利用不同类别的累积梯度比来确定不同类别的正负样本的不平衡程度。

在一些实施例中，所述基于所述预测的检测结果和所述不同类别的正负样本的不平衡程度，确定所述预测的检测结果在所述不同类别中的损失，包括：利用第一超参数对所述不同类别的正负样本的不平衡程度分别进行加权，得到所述不同类别中每一类别的加权结果；其中，所述第一超参数用于控制所述待训练的检测模型对不同类别中稀有类别的正负样本的不平衡程度进行学习的力度；基于所述预测的检测结果和所述每一类别的加权结果，确定所述预测的检测结果在所述每一类别中的损失。

通过上述方式，能够利用超参数对不同类别的正负样本的不平衡程度进行加权，来解决前景类别间样本不平衡的问题。

在一些实施例中，所述基于所述预测的检测结果和所述不同类别的正负样本的不平衡程度，确定所述预测的检测结果在所述不同类别中的损失，包括：确定所述预测的检测结果的焦点损失；采用所述不同类别的正负样本的不平衡程度对所述焦点损失进行调整，得到所述预测的检测结果在所述不同类别中的损失。

通过上述方式，能够同时解决前景类别间样本不平衡的问题，以及前景背景不平衡的问题，从而使得检测模型在简单性与高效性方面都具有优势。