[发明专利]用于训练模型的方法、用于检测目标的方法和装置

权利要求书

1.一种用于训练模型的方法，包括：

获取样本图像和真实标签，其中，所述真实标签用于指示所述样本图像中目标所在区域和/或所属类别的标签；

基于所述样本图像、所述真实标签和至少包括不同层次的神经网络层的待训练模型，确定所述样本图像的特征图中各预测点与所述真实标签之间的损失函数值，包括：对于每个层次的神经网络层，确定该神经网络层对应的特征图尺度，其中，神经网络层对应的特征图尺度与神经网络层的深度呈正相关；基于所述样本图像和所述特征图尺度，生成该神经网络层对应的特征图；确定该神经网络层对应的特征图中各预测点与所述特征图尺度对应的所述真实标签之间的损失函数值；

对于每个特征图，基于该特征图的特征图尺度，确定与该特征图相匹配的、预设的正样本数量，其中，特征图尺度与预设的正样本数量呈正相关；

基于所述损失函数值和预设的正样本数量，确定各预测点对应的预测标签，其中，所述预测标签用于指示所述预测点所属的类别，以及所述预测点在所述类别下为正样本或者负样本；

基于所述真实标签和所述预测标签，对所述待训练模型进行训练，得到训练完成的目标检测模型。

2.根据权利要求1所述的方法，其中，所述基于所述损失函数值和预设的正样本数量，确定各预测点对应的预测标签，包括：

对于每个所述真实标签，按照所述真实标签与各预测点之间的损失函数值由低至高的顺序，选取所述正样本数量个预测点，作为与所述真实标签对应的正样本预测点；

基于各预测点中未被确定为所述正样本预测点的其他预测点，确定与所述真实标签对应的负样本预测点；

基于各个所述真实标签对应的正样本预测点和负样本预测点，确定各预测点对应的预测标签。

3.根据权利要求2所述的方法，其中，所述基于各个所述真实标签对应的正样本预测点和负样本预测点，确定各预测点对应的预测标签，包括：

对于与至少两个所述真实标签对应的目标正样本预测点，确定所述至少两个所述真实标签中的每个所述真实标签与所述目标正样本预测点之间的中心距离值；

基于所述中心距离值最近的所述真实标签，生成所述目标正样本预测点对应的预测标签。

4.根据权利要求1所述的方法，其中，所述样本图像包括存在病灶的眼底视网膜图像，所述真实标签包括所述眼底视网膜图像中至少一个病灶对应的标签。

5.一种用于检测目标的方法，包括：

获取待检测图像；

基于所述待检测图像和权利要求1至4任一项中所述的用于训练模型的方法所得到的所述目标检测模型，确定所述待检测图像中的目标信息。

6.根据权利要求5所述的方法，其中，所述待检测图像包括目标眼底视网膜图像，所述目标信息包括所述目标眼底视网膜图像中的病灶目标。

7.一种用于训练模型的装置，包括：

样本获取单元，被配置成获取样本图像和真实标签，其中，所述真实标签用于指示所述样本图像中目标所在区域和/或所属类别的标签；

损失确定单元，被配置成基于所述样本图像、所述真实标签和至少包括不同层次的神经网络层的待训练模型，确定所述样本图像的特征图中各预测点与所述真实标签之间的损失函数值，包括：对于每个层次的神经网络层，确定该神经网络层对应的特征图尺度，其中，神经网络层对应的特征图尺度与神经网络层的深度呈正相关；基于所述样本图像和所述特征图尺度，生成该神经网络层对应的特征图；确定该神经网络层对应的特征图中各预测点与所述特征图尺度对应的所述真实标签之间的损失函数值；

数量确定单元，被配置成对于每个特征图，基于该特征图的特征图尺度，确定与该特征图相匹配的、预设的正样本数量，其中，特征图尺度与预设的正样本数量呈正相关；

标签确定单元，被配置成基于所述损失函数值和预设的正样本数量，确定各预测点对应的预测标签，其中，所述预测标签用于指示所述预测点所属的类别，以及所述预测点在所述类别下为正样本或者负样本；

模型训练单元，被配置成基于所述真实标签和所述预测标签，对所述待训练模型进行训练，得到训练完成的目标检测模型。