[发明专利]目标检测模型的训练和目标检测方法、装置、设备及介质在审
申请号: | 202110873991.4 | 申请日: | 2021-07-30 |
公开(公告)号: | CN113609951A | 公开(公告)日: | 2021-11-05 |
发明(设计)人: | 王云浩;陈松;张滨;辛颖;冯原;王晓迪;龙翔;贾壮;彭岩;郑弘晖;李超;谷祎;韩树民 | 申请(专利权)人: | 北京百度网讯科技有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/46;G06K9/62 |
代理公司: | 北京市通商律师事务所 11951 | 代理人: | 巩靖 |
地址: | 100085 北京市*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 目标 检测 模型 训练 方法 装置 设备 介质 | ||
本公开提供了一种目标检测模型的训练和目标检测方法、装置、设备及介质,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于智慧城市和智能交通场景下。具体实现方案为:利用第一目标检测模型的特征提取层提取出第一类别的第一样本图片的初始卷积特征;利用第一目标检测模型的特征增强层确定出初始卷积特征中待增强的目标通道,并对目标通道进行增强,得到目标卷积特征;基于目标卷积特征,获取针对第一样本图片的目标检测结果;基于目标检测结果第一损失值对第一目标检测模型进行训练。通过上述训练方法得到的第一目标检测模型,再次基于少量的新颖类别的样本图片训练之后,针对新颖类别的图片依然可以具备较高的泛化检测能力。
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于智慧城市和智能交通场景下。
背景技术
基于深度学习的目标检测方法作为人工智能快速发展的主航道,已经初步落地到了工业、遥感、农业、无人驾驶等各个领域。目前的绝大多数目标检测模型的训练过程都是建立在大量的样本数据基础上的,需要海量图像数据作为支撑。
然而,基于大量样本数据来训练目标检测模型方式存在诸多缺陷,例如,获取大量的样本数据的需要耗费过多的时间和人力,这会增加目标检测模型的训练成本;或者,某些图片类别所具备的样本数据量过少,导致训练出目标检测模型无法达到期望的效果。
发明内容
本公开提供了一种目标检测模型的训练和目标检测方法、装置、设备及介质。
根据本公开的第一方面,提供了一种目标检测模型的训练方法,包括:
将第一类别的第一样本图片输入到第一目标检测模型的特征提取层,利用特征提取层提取出初始卷积特征;
将初始卷积特征输入到第一目标检测模型的特征增强层,利用特征增强层确定出初始卷积特征中待增强的目标通道,并对目标通道进行增强,得到目标卷积特征;
基于目标卷积特征,获取针对第一样本图片的目标检测结果;
确定第一样本图片的目标检测结果对应的第一损失值,基于第一损失值对第一目标检测模型进行训练,直至第一损失值达到第一预设损失阈值。
根据本公开的第二方面,提供了一种目标检测方法,包括:
将第二类别的待检测图片输入到根据本公开的第二方面提供的训练方法得到的第二目标检测模型;
利用第二目标检测模型输出针对待检测图片的目标检测结果。
根据本公开的第三方面,提供了一种目标检测模型的训练装置,包括:
特征提取模块,用于将第一类别的第一样本图片输入到第一目标检测模型的特征提取层,利用特征提取层提取出初始卷积特征;
特征增强模块,用于将初始卷积特征输入到第一目标检测模型的特征增强层,利用特征增强层确定出初始卷积特征中待增强的目标通道,并对目标通道进行增强,得到目标卷积特征;
第一目标检测模块,用于基于目标卷积特征,获取针对第一样本图片的目标检测结果;
第一模型训练模块,用于确定第一样本图片的目标检测结果对应的第一损失值,基于第一损失值对第一目标检测模型进行训练,直至第一损失值达到第一预设损失阈值。
根据本公开的第四方面,提供了一种目标检测装置,包括:
图片输入模块,用于将第二类别的待检测图片输入到根据本公开的第二方面提供的训练方法得到的第二目标检测模型;
结果输出模块,用于利用第二目标检测模型输出针对待检测图片的目标检测结果。
根据本公开的第五方面,提供了一种电子设备,包括:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京百度网讯科技有限公司,未经北京百度网讯科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110873991.4/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种具备砂浆涂抹功能的水泥砖用传送装置
- 下一篇:一种绿化建筑屋顶