[发明专利]训练多目标检测模型的方法、检测方法及相关装置

权利要求书

1.一种训练多目标检测模型的方法，其特征在于，包括：

获取训练集，所述训练集包括多个具有人脸的图像，所述训练集中的各图像标注有真实标签，所述真实标签包括至少一个项目的硬标签，所述项目为一个人脸中可识别的目标对象；

将所述训练集分别输入至少一个单目标检测模型，得到所述训练集中各图像对应的各项目的软标签，并将所述图像对应的各软标签作为所述真实标签进行标注；

将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型。

2.根据权利要求1所述的方法，其特征在于，所述将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型，包括：

将所述训练集输入卷积神经网络，得到所述训练集中各图像的预测标签；

根据所述训练集中各图像的预测标签和真实标签，计算总损失；

根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述训练集中各图像的预测标签和真实标签，计算总损失，包括：

若目标项目对应硬标签，则对所述目标项目对应的硬标签进行softmax处理后，再代入交叉熵损失函数计算所述目标项目的损失；

若所述目标项目对应软标签，则将所述目标项目对应的软标签直接代入所述交叉熵损失函数计算所述目标项目的损失，其中，所述目标项目为所述图像对应的任意一个项目；

根据所述训练集中图像对应的各所述项目的损失，分别计算各所述项目对应的平均损失；

将各所述项目的平均损失进行加权求和，得到所述总损失。

4.根据权利3所述的方法，其特征在于，所述根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型，还包括：

在训练的第一阶段，将具有较大平均损失的项目对应的权重调小，将具有较小平均损失的项目对应的权重调大，以计算所述总损失；

在训练的第二阶段，将具有较大平均损失的项目对应的权重调大，将较小平均损失的项目对应的权重调小，以计算所述总损失；其中，所述第一阶段为迭代总次数的前预设百分比部分，所述第二阶段为所述迭代总次数中除所述第一阶段后的剩余部分；

根据所述总损失，迭代调节所述卷积神经网络的模型参数，得到所述多目标检测模型。

5.根据权利要求4所述的方法，其特征在于，在所述第一阶段，各所述项目对应的权重采用以下公式进行计算：

其中，j为所述项目的标号，M为所述项目的个数，loss_j为第j个项目的平均损失。

6.根据权利要求4或5所述的方法，其特征在于，在所述第二阶段，各所述项目对应的权重采用以下公式进行计算：

其中，E为所述迭代总次数，epoch为当前迭代次数，j为所述项目的标号，M为所述项目的个数，loss_j为第j个项目的平均损失。

7.根据权利要求1所述的方法，其特征在于，在所述将所述训练集输入卷积神经网络进行训练，迭代调参，得到所述多目标检测模型的步骤之前，还包括：

截取所述训练集中各图像的人脸区域，以去除所述训练集中各图像的背景。

8.一种检测多目标的方法，其特征在于，包括：

获取待检测人脸图像；

将所述待检测人脸图像输入多目标检测模型，输出各项目的检测结果，其中，所述多目标检测模型是采用如上权利要求1-7中任意一项所述的方法训练得到的。

9.一种电子设备，其特征在于，包括存储器以及一个或多个处理器，所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序，所述一个或多个处理器在执行所述一个或多个计算机程序时，使得所述电子设备实现如权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。