[发明专利]一种采用检测及分类模型对多目标大图像进行处理的方法及装置

权利要求书

1.一种采用检测及分类模型对多目标大图像进行处理的方法，其特征在于，包括以下步骤：

对样本大图像进行切分，得到训练样本集；

将所述训练样本集输入至构建好的分类模型中进行训练，得到训练好的分类模型，其中，训练好的分类模型中包括分类骨干网络参数；

将所述样本大图像输入至构建好的目标检测模型中进行训练，得到训练好的目标检测模型，其中，构建好的目标检测模型采用所述分类骨干网络参数；

通过训练好的目标检测模型对待检测大图像进行检测，得到至少两个裁切小图像，并输出每一个所述裁切小图像所对应的检测概率，其中，所述裁切小图像中包含目标特征；

将至少两个所述裁切小图像输入至训练好的分类模型中，对每一个所述裁切小图像的目标特征类别进行判定，并输出每一个所述裁切小图像所对应的分类概率；

根据裁切小图像所对应的检测概率和分类概率，判断并输出所述裁切小图像的目标特征类别。

2.根据权利要求1所述的一种采用检测及分类模型对多目标大图像进行处理的方法，其特征在于，

所述训练样本集包括正样本集和负样本集；

其中，所述正样本集为含目标特征的切分图像，所述切分图像通过以目标特征为中心的平移切分方式获取；

所述负样本集为不含目标特征的背景样本图像，所述背景样本图像通过对所述样本大图像的背景进行区域划分后采样得到。

3.根据权利要求1所述的一种采用检测及分类模型对多目标大图像进行处理的方法，其特征在于，

所述检测概率在判断所述裁切小图像的目标特征类别结果中占比30％，所述分类概率在判断所述裁切小图像的目标特征类别结果中占比70％。

4.根据权利要求1-3任意一项所述的一种采用检测及分类模型对多目标大图像进行处理的方法，其特征在于，

训练好的分类模型中包括分类骨干网络参数和分类头部网络参数；

训练好的目标检测模型中包括检测骨干网络参数和检测头部网络参数；

其中，所述分类骨干网络参数和所述检测骨干网络参数相同，所述分类头部网络参数和所述检测头部网络参数不同。

5.一种采用检测及分类模型对多目标大图像进行处理的装置，其特征在于，所述装置包括：

训练模块和检测分类模块；

其中，所述训练模块用于：

对样本大图像进行切分，得到训练样本集；

将所述训练样本集输入至构建好的分类模型中进行训练，得到训练好的分类模型，其中，训练好的分类模型中包括分类骨干网络参数；

将所述样本大图像输入至构建好的目标检测模型中进行训练，得到训练好的目标检测模型，其中，构建好的目标检测模型采用所述分类骨干网络参数；

所述检测分类模块用于：

通过训练好的目标检测模型对待检测大图像进行检测，得到至少两个裁切小图像，并输出每一个所述裁切小图像所对应的检测概率，其中，所述裁切小图像中包含目标特征；

将至少两个所述裁切小图像输入至训练好的分类模型中，对每一个所述裁切小图像的目标特征类别进行判定，并输出每一个所述裁切小图像所对应的分类概率；

根据裁切小图像所对应的检测概率和分类概率，判断并输出所述裁切小图像的目标特征类别。

6.根据权利要求5所述的一种采用检测及分类模型对多目标大图像进行处理的装置，其特征在于，

所述训练样本集包括正样本集和负样本集；

其中，所述正样本集为含目标特征的切分图像，所述切分图像通过以目标特征为中心的平移切分方式获取；

所述负样本集为不含目标特征的背景样本图像，所述背景样本图像通过对所述样本大图像的背景进行区域划分后采样得到。

7.根据权利要求5所述的一种采用检测及分类模型对多目标大图像进行处理的装置，其特征在于，

所述检测概率在判断所述裁切小图像的目标特征类别结果中占比30％，所述分类概率在判断所述裁切小图像的目标特征类别结果中占比70％。