[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

说明书

本申请提供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，方法包括对样本大图像进行切分，得到训练样本集；将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；将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；通过目标检测模型对待检测大图像进行检测，输出裁切小图像所对应的检测概率；将裁切小图像输入至分类模型中，输出裁切小图像所对应的分类概率；根据检测概率和分类概率，判断裁切小图像的目标特征类别。本申请通过目标检测模型复用分类模型中的分类骨干网络参数，从而避免了单独对目标检测模型训练时，需要收敛很长时间才能得到检测骨干网络参数，大大缩短了训练周期。

技术领域

本申请涉及图像目标检测技术领域，尤其涉及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。

背景技术

在图像处理领域中，一般对采用目标检测算法(Detection)和分类算法(Classification)对带有标签的图像中的目标特征进行定位并分类。目标检测算法(Detection)和分类算法(Classification)是深度学习计算机视觉(CV)领域两个非常重要的方向，目标检测算法通过对一系列带有标签的图像进行训练，提取目标特征，并预测新输入的带有标签的图像中是否含有该目标特征，以及标示出该目标特征的位置信息。分类算法是对带有标签的图像进行标签(目标特征)类别的判定。

通过目标检测算法对一系列的带有标签的图像进行训练后，得到训练好的目标检测模型。但是若带有标签的图像中目标特征较多且分散、图像分辨率较大、背景一致性较差，采用单独的目标检测模型对上述图像进行检测时，则难以准确标示图像中全部目标特征的位置信息，对目标特征的过检率较高。通过分类算法对一系列带有标签的图像进行训练后，得到训练好的分类模型。但是采用单独的分类模型对目标特征较多且分散、图像分辨率较大、背景一致性较差的带有标签的图像进行标签类别判定时，会降低对目标特征的检出率。

现有技术中，一般先采用训练好的目标检测模型对目标特征较多且分散、图像分辨率较大、背景一致性较差的带有标签的图像进行初步扫描；其次，将疑似目标特征部分图像裁切出来后输入至训练好的分类模型中进行标签类别判定。目标检测模型和分类模型均属于深度学习模型，深度学习模型的结构一般包括骨干网络(backbone)和头部网络(head)，在深度学习模型的训练过程中，骨干网络参数和头部网络参数会不断收敛，收敛时间可能持续几小时甚至几天，由于骨干网络在整个深度学习模型的结构中所占的容积远大于头部网络所占的容积，因此，骨干网络参数收敛所需的时间也远大于头部网络参数收敛的时间。现有的目标检测模型和分类模型的训练过程是分别进行的，即需要采用一系列不同的带有标签的图像分别完成两个模型的训练过程，完成两个模型的训练所需的图像数据量较大，两个模型分别训练的训练时间过长，部署效率较低。

发明内容

本申请提供了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，以解决现有技术中的目标检测模型和分类模型的训练过程是分别进行的，即需要采用一系列不同的带有标签的图像分别完成两个模型的训练过程，完成两个模型的训练所需的图像数据量较大，两个模型分别训练的训练时间过长，部署效率较低的问题。

第一方面，本申请提供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，所述方法包括以下步骤：

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；