目标检测模型的训练方法及装置、电子设备和存储介质制造方法及图纸

本公开公开了目标检测模型的训练方法及装置、电子设备和存储介质，涉及人工智能技术领域，涉及计算机视觉和深度学习技术领域，可应用于图像处理、图像识别等场景。通过获取训练图像信息将样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，针对特征图序列中任意两个特征图组成的特征图对，对特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，根据各个区域关系图对、样本目标信息、预测目标信息，对目标检测模型进行训练时，采用任意两个特征图对中的区域关系，且区域关系为从尺度较大的特征图中提取得到，能够让目标检测模型中的各个网络层学习到更多更丰富特征，进而提高目标检测模型的检测准确度。型的检测准确度。型的检测准确度。

【技术实现步骤摘要】
目标检测模型的训练方法及装置、电子设备和存储介质


[0001]本申请实施例涉及人工智能
，具体为计算机视觉和深度学习
，可应用于图像处理、图像识别等场景，具体涉及一种目标检测模型的训练方法及装置、电子设备和存储介质。

技术介绍

[0002]目标检测模型作为视觉任务的前置模型，直接决定了视觉任务的后续效果。相关技术中，目标检测模型的训练方法，主要是基于目标检测模型对样本图像的预测标签以及真实标签构建损失函数，监督目标检测模型的训练。
[0003]上述方案中的训练方法，目标检测模型中的各个网络层学习到的知识较少，降低了训练得到的目标检测模型的检测准确度。

技术实现思路

[0004]本申请实施例提供了一种目标检测模型的训练方法及装置、电子设备和存储介质。
[0005]根据本申请实施例的一方面，提供了一种目标检测模型的训练方法，包括：
[0006]获取训练图像信息，其中，所述训练图像信息包括：样本图像，以及所述样本图像的样本目标信息；
[0007]将所述样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，其中，所述特征图序列中的各个特征图按照尺度大小进行排序；
[0008]针对所述特征图序列中任意两个特征图组成的特征图对，对所述特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，其中，所述第一尺度为所述两个特征图的尺度中的较大尺度；
[0009]根据各个所述区域关系图对、所述样本目标信息、所述预测目标信息，对所述目标检测模型进行训练，得到训练好的目标检测模型。
[0010]根据本申请实施例的另一方面，提供了一种目标检测模型的训练装置，包括：
[0011]获取模块，用于获取训练图像信息，其中，所述训练图像信息包括：样本图像，以及所述样本图像的样本目标信息；
[0012]输入模块，用于将所述样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，其中，所述特征图序列中的各个特征图按照尺度大小进行排序；
[0013]处理模块，用于针对所述特征图序列中任意两个特征图组成的特征图对，对所述特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，其中，所述第一尺度为所述两个特征图的尺度中的较大尺度；
[0014]训练模块，用于根据各个所述区域关系图对、所述样本目标信息、所述预测目标信息，对所述目标检测模型进行训练，得到训练好的目标检测模型。
[0015]根据本申请实施例的另一方面，提供了一种电子设备，包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述一方面所述的方法。
[0019]根据本申请实施例的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述一方面所述的方法。
[0020]根据本申请实施例的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述一方面所述的方法。
[0021]本申请实施例提供的目标检测模型的训练方法及装置、电子设备和存储介质，首先获取训练图像信息，其中，所述训练图像信息包括：样本图像，以及所述样本图像的样本目标信息，其次将所述样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，其中，所述特征图序列中的各个特征图按照尺度大小进行排序，针对所述特征图序列中任意两个特征图组成的特征图对，对所述特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，其中，所述第一尺度为所述两个特征图的尺度中的较大尺度，最后根据各个所述区域关系图对、所述样本目标信息、所述预测目标信息，对所述目标检测模型进行训练，得到训练好的目标检测模型，本申请实施例在对目标检测模型进行训练时，采用了任意两个特征图对中的区域关系进行训练，并且该区域关系为从尺度较大的特征图中提取得到，能够让目标检测模型中的各个网络层学习到更多更丰富特征，进而提高训练得到的目标检测模型的检测准确度。
[0022]应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0023]附图用于更好地理解本方案，不构成对本实施例的限定。其中：
[0024]图1为本申请实施例所提供的一种目标检测模型的训练方法的流程示意图；
[0025]图2为本申请实施例所提供的一种目标训练的整体框架；
[0026]图3为本申请实施例提供的一种获取区域关系图对的流程示意图；
[0027]图4为本申请实施例所提供的另一种目标检测模型的训练方法的流程示意图；
[0028]图5为本申请实施例提供的注意力特征图和区域关系的计算过程示意图；
[0029]图6为本申请实施例提供的一种目标检测模型的训练装置的结构示意图；
[0030]图7为本申请实施例提供的另一种目标检测模型的训练装置的结构示意图；
[0031]图8为本申请实施例提供的示例电子设备800的示意性框图。
具体实施方式
[0032]以下结合附图对本申请实施例的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请实施例的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0033]下面参考附图描述本申请实施例的目标检测模型的训练方法、装置、电子设备和
存储介质。
[0034]相关技术中，为了让学习的速度和精度均衡的网络，通常采用在主干网络中用深层的注意力图来指导浅层的特征进行学习。该种方式下虽然能够实现端到端的学习训练，但是只考虑到了让浅层的特征去学习深层特征，忽略了不同目标之间的关联，因此得到的学习结果存在较大误差。
[0035]本申请实施例中，为了能够让目标检测模型中的各个网络层学习到更多更丰富特征，进而提高训练得到的目标检测模型的检测准确度。应用了使用从特征图对中提取的区域关系对目标检测模型进行训练，从而能够让目标检测模型网络能够学习到更好的特征表达，最终使得速度与精度达到最大均衡化。
[0036]图1为本申请实施例所提供的一种目标检测模型的训练方法的流程示意图。
[0037]如图1所示，该方法包含以下步骤，包括：
[0038]步骤101，获取训练图像信息，其中，所述训练图像信息包括：样本图像，以及所述样本图像的样本目标信息。
[0039]实际应用中，目标检测模型包括主干网络、链接网络、头网络、计算分类和回归损失过程。其中，主干网络用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型的训练方法，包括：获取训练图像信息，其中，所述训练图像信息包括：样本图像，以及所述样本图像的样本目标信息；将所述样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，其中，所述特征图序列中的各个特征图按照尺度大小进行排序；针对所述特征图序列中任意两个特征图组成的特征图对，对所述特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，其中，所述第一尺度为所述两个特征图的尺度中的较大尺度；根据各个所述区域关系图对、所述样本目标信息、所述预测目标信息，对所述目标检测模型进行训练，得到训练好的目标检测模型。2.根据权利要求1所述的方法，其中，所述将所述样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，包括：将所述样本图像输入所述目标检测模型，以获取所述目标检测模型输出的预测目标信息，以及所述目标检测模型的主干网络中各个特征提取层输出的特征图；对各个所述特征图按照尺度大小进行排序，得到所述特征图序列。3.根据权利要求1所述的方法，其中，所述针对所述特征图序列中任意两个特征图组成的特征图对，对所述特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，包括：针对所述特征图序列中任意两个特征图组成的特征图对，获取所述特征图对中的第一特征图和第二特征图，其中，所述第一特征图的尺度大于所述第二特征图的尺度；确定所述第一特征图的尺度为所述第一尺度；对所述第二特征图按照所述第一尺度进行上采样，得到所述第一尺度的目标特征图；对所述目标特征图进行区域关系图提取处理，得到所述目标特征图对应的区域关系图；对所述第一特征图进行区域关系图提取处理，得到所述第一特征图对应的区域关系图；根据所述目标特征图对应的区域关系图以及所述第一特征图对应的区域关系图，生成所述区域关系图对。4.根据权利要求3所述的方法，其中，所述对所述目标特征图进行区域关系图提取处理，得到所述目标特征图对应的区域关系图，包括：对所述目标特征图进行分块处理，得到多个特征子图；针对每个待处理的特征子图，将所述待处理的特征子图分别与所述目标特征图中的各个其他特征子图按照自注意力机制进行处理，确定所述待处理的特征子图对应的区域关系子图；根据各个所述区域关系子图，生成所述目标特征图对应的区域关系图。5.根据权利要求1所述的方法，其中，所述根据各个所述区域关系图对、所述样本目标信息、所述预测目标信息，对所述目标检测模型进行训练，得到训练好的目标检测模型，包括：对所述特征图对中的两个特征图分别按照注意力机制进行处理，得到所述第一尺度的
两个注意力特征图；根据所述第一尺度的两个注意力特征图，生成注意力特征图对；根据各个所述区域关系图对、各个所述注意力特征图对、所述样本目标信息以及所述预测目标信息构建损失函数；根据所述损失函数的值，对所述目标检测模型进行训练，得到训练好的目标检测模型。6.根据权利要求5所述的方法，其中，所述根据各个所述区域关系图对、各个所述注意力特征图对、所述样本目标信息以及所述预测目标信息构建损失函数，包括：针对每个特征图对，根据所述特征图对对应的区域关系图，构建第一子损失函数；根据所述特征图对对应的注意力特征图对，构建第二子损失函数；根据所述样本目标信息以及所述预测目标信息，构建第三子损失函数；根据各个所述特征图对对应的第一子损失函数和第二子损失函数，以及所述第三子损失函数，构建所述损失函数。7.一种目标检测模型的训练装置，包括：获取模块，用于获取训练图像信息，其中，所述训练图像信息包括：样本图像，以及所述样本图像的样本目标信息；输入模块，用于将所述样本图像输入目标检测模型，以获取特征图序列以及预测目...

【专利技术属性】
技术研发人员：陈子亮，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：