本申请涉及深度学习技术领域，具体涉及一种训练样本集确定、模型训练、目标检测方法和装置，解决了深度学习模型对待检测图像中的小目标的检测精度低的问题。训练样本集确定方法包括：对样本图像中的目标区域进行移动操作，确定多个增强目标区域，基于样本图像对应的多个候选区域和多个增强目标区域，确定样本图像对应的训练样本集，以基于样本图像对应的训练样本集训练网络模型，得到目标检测模型。通过对样本图像中的目标区域进行移动操作，在尽量不影响大尺寸的目标区域的样本选取的情况下，提高了小目标的区域被选取为训练样本集的概率，从而提高了利用该训练样本集训练网络模型得到的目标检测模型对小目标的检测精度。得到的目标检测模型对小目标的检测精度。得到的目标检测模型对小目标的检测精度。
【技术实现步骤摘要】
训练样本集确定、模型训练、目标检测方法和装置
[0001]本申请涉及深度学习
，具体涉及一种训练样本集确定方法和训练样本集确定装置、模型训练方法和模型训练装置、目标检测方法和目标检测装置，以及计算机可读存储介质和电子设备。
技术介绍
[0002]目标检测是深度学习领域的重要应用，随着深度学习技术的不断发展，目标检测的应用场景越来越多。目标检测广泛应用于智能交通、视频监控、车路协同等场景。小目标检测是目标检测中的重要分支，也是目标检测的难点之一。具体而言，待检测图像中的小目标具有运动模糊、易受遮挡等特点，导致深度学习模型对待检测图像中的小目标的检测精度较低。
技术实现思路
[0003]有鉴于此，本申请实施例提供了一种训练样本集确定方法和训练样本集确定装置、模型训练方法和模型训练装置、目标检测方法和目标检测装置，以及计算机可读存储介质和电子设备，解决了深度学习模型对待检测图像中的小目标的检测精度低的问题。
[0004]第一方面，本申请一实施例提供了一种训练样本集确定方法，包括：对样本图像中的目标区域进行移动操作，确定多个增强目标区域，其中，多个增强目标区域包括移动后的目标区域；基于样本图像对应的多个候选区域和多个增强目标区域，确定样本图像对应的训练样本集，以基于样本图像对应的训练样本集训练网络模型，得到目标检测模型，其中，样本图像对应的训练样本集包括样本图像对应的多个候选区域中的至少一个候选区域。
[0005]结合本申请的第一方面，在一些实施例中，对样本图像中的目标区域进行移动操作，确定多个增强目标区域，包括：基于预设路径，对样本图像中的目标区域进行移动操作，确定多个增强目标区域。
[0006]结合本申请的第一方面，在一些实施例中，基于预设路径，对样本图像中的目标区域进行移动操作，确定多个增强目标区域，包括：基于预设路径，对样本图像中的目标区域进行平移操作，确定多个增强目标区域；和/或基于预设路径，对样本图像中的目标区域进行旋转操作，确定多个增强目标区域。
[0007]结合本申请的第一方面，在一些实施例中，基于样本图像对应的多个候选区域和多个增强目标区域，确定样本图像对应的训练样本集，包括：针对多个增强目标区域中的每个当前增强目标区域，分别计算多个候选区域与当前增强目标区域的交并比，确定多个候选区域各自对应的重叠度；基于多个候选区域各自对应的重叠度和重叠度阈值，确定当前增强目标区域对应的训练样本集；基于多个增强目标区域各自对应的训练样本集，确定样本图像对应的训练样本集。
[0008]结合本申请的第一方面，在一些实施例中，重叠度阈值包括固定重叠度阈值和动态重叠度阈值，基于多个候选区域各自对应的重叠度和重叠度阈值，确定当前增强目标区
域对应的训练样本集，包括：基于多个候选区域各自对应的重叠度和固定重叠度阈值，确定当前增强目标区域对应的第一训练样本集，第一训练样本集包括多个候选区域中的至少一个候选区域；基于多个候选区域各自对应的重叠度，，确定当前增强目标区域对应的重叠度，并基于多个增强目标区域各自对应的重叠度，确定重叠度的均值和重叠度的标准差；基于多个增强目标区域各自对应的第一训练样本集，确定当前增强目标区域的稳定系数；基于重叠度的均值、重叠度的标准差和当前增强目标区域的稳定系数，确定当前增强目标区域的动态重叠度阈值；基于多个候选区域各自对应的重叠度和当前增强目标区域的动态重叠度阈值，确定当前增强目标区域对应的第二训练样本集；基于第一训练样本集和第二训练样本集，确定当前增强目标区域对应的训练样本集。
[0009]结合本申请的第一方面，在一些实施例中，在对样本图像中的目标区域进行移动操作，确定多个增强目标区域之前，还包括：针对样本图像中的多个目标区域中的每个当前目标区域，对当前目标区域进行预移动，确定当前目标区域对应的多个预增强目标区域，其中，多个预增强目标区域包括当前目标区域和当前目标区域对应的预移动后的目标区域；基于样本图像对应的多个候选区域与当前目标区域对应的多个预增强目标区域，确定当前目标区域对应的重合程度；基于多个目标区域各自对应的重合程度，确定多个目标区域的移动顺序，以依照移动顺序对样本图像中的多个目标区域进行移动操作。
[0010]结合本申请的第一方面，在一些实施例中，基于样本图像对应的多个候选区域与当前目标区域对应的多个预增强目标区域，确定当前目标区域对应的重合程度，包括：针对当前目标区域对应的多个预增强目标区域中的每个当前预增强目标区域，计算当前预增强目标区域分别与多个候选区域的交并比之和，并计算当前预增强目标区域分别与多个候选区域的中心距离之和；基于多个预增强目标区域各自的交并比之和，确定当前目标区域对应的交并比之和，并基于多个预增强目标区域各自的中心距离之和，确定当前目标区域对应的中心距离之和；基于当前目标区域对应的交并比之和与当前目标区域对应的中心距离之和的比值，确定当前目标区域对应的重合程度。
[0011]第二方面，本申请一实施例提供了一种模型训练方法，包括：对样本图像中的目标区域进行移动操作，确定多个增强目标区域，其中，多个增强目标区域包括移动后的目标区域；基于样本图像对应的N个候选区域和多个增强目标区域，确定样本图像对应的训练样本集，其中，样本图像对应的训练样本集包括N个候选区域中的至少一个候选区域，N为正整数；基于样本图像对应的训练样本集，训练初始网络模型，以生成目标检测模型，其中，目标检测模型用于对待检测图像中的目标进行检测。
[0012]结合本申请的第二方面，在一些实施例中，基于样本图像对应的训练样本集，训练初始网络模型，以生成目标检测模型，包括：基于样本图像对应的训练样本集，训练初始网络模型，得到初步目标检测模型；基于样本图像对应的M个候选区域和样本图像中的目标区域，确定样本图像对应的微调训练样本集，其中，M为正整数，M小于N，微调训练样本集是M个候选区域中的至少一个候选区域；基于样本图像对应的M个候选区域，调整初步目标检测模型的输出通道数，得到中间目标检测模型；基于样本图像对应的微调训练样本集，训练中间目标检测模型，生成目标检测模型。
[0013]结合本申请的第二方面，在一些实施例中，在基于样本图像对应的M个候选区域和样本图像中的目标区域，确定样本图像对应的微调训练样本集之前，还包括：基于样本图像
中的目标区域的分布信息，确定样本图像对应的分布热力图；基于样本图像对应的分布热力图和样本图像对应的N个候选区域，确定样本图像对应的M个候选区域。
[0014]第三方面，本申请一实施例提供了一种目标检测方法，包括：确定待检测图像；利用目标检测模型对待检测图像进行检测，确定待检测图像中的目标区域，其中，目标检测模型基于第二方面提及的模型训练方法训练得到。
[0015]第四方面，本申请一实施例提供了一种训练样本集确定装置，包括：移动模块，配置为对样本图像中的目标区域进行移动操作，确定多个增强目标区域，其中，多个增强目标区域包括移动后的目标区域；样本确定模块，配置为基于样本图像对应的多个候选区域和多个增本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种训练样本集确定方法，其特征在于，包括：对样本图像中的目标区域进行移动操作，确定多个增强目标区域，其中，所述多个增强目标区域包括移动后的目标区域；基于所述样本图像对应的多个候选区域和所述多个增强目标区域，确定所述样本图像对应的训练样本集，以基于所述样本图像对应的训练样本集训练网络模型，得到目标检测模型，其中，所述样本图像对应的训练样本集包括所述样本图像对应的多个候选区域中的至少一个候选区域。2.根据权利要求1所述的训练样本集确定方法，其特征在于，所述对样本图像中的目标区域进行移动操作，确定多个增强目标区域，包括：基于预设路径，对所述样本图像中的目标区域进行移动操作，确定所述多个增强目标区域。3.根据权利要求1或2所述的训练样本集确定方法，其特征在于，所述基于所述样本图像对应的多个候选区域和所述多个增强目标区域，确定所述样本图像对应的训练样本集，包括：针对所述多个增强目标区域中的每个当前增强目标区域，分别计算所述多个候选区域与所述当前增强目标区域的交并比，确定所述多个候选区域各自对应的重叠度；基于所述多个候选区域各自对应的重叠度和重叠度阈值，确定所述当前增强目标区域对应的训练样本集；基于所述多个增强目标区域各自对应的训练样本集，确定所述样本图像对应的训练样本集。4.根据权利要求3所述的训练样本集确定方法，其特征在于，所述重叠度阈值包括固定重叠度阈值和动态重叠度阈值，所述基于所述多个候选区域各自对应的重叠度和重叠度阈值，确定所述当前增强目标区域对应的训练样本集，包括：基于所述多个候选区域各自对应的重叠度和固定重叠度阈值，确定所述当前增强目标区域对应的第一训练样本集，所述第一训练样本集包括所述多个候选区域中的至少一个候选区域；基于所述多个候选区域各自对应的重叠度，确定所述当前增强目标区域对应的重叠度，并基于所述多个增强目标区域各自对应的重叠度，确定重叠度的均值和重叠度的标准差；基于所述多个增强目标区域各自对应的第一训练样本集，确定所述当前增强目标区域的稳定系数；基于所述重叠度的均值、所述重叠度的标准差和所述当前增强目标区域的稳定系数，确定所述当前增强目标区域的动态重叠度阈值；基于所述多个候选区域各自对应的重叠度和所述当前增强目标区域的动态重叠度阈值，确定所述当前增强目标区域对应的第二训练样本集；基于所述第一训练样本集和所述第二训练样本集，确定所述当前增强目标区域对应的训练样本集。5.根据权利要求1或2所述的训练样本集确定方法，其特征在于，在所述对样本图像中
的目标区域进行移动操作，确定多个增强目标区域之前，还包括：针对所述样本图像中的多个目标区域中的每个当前目标区域，对所述当前目标区域进行预...
【专利技术属性】
技术研发人员：孙浩，
申请(专利权)人：黑芝麻智能科技成都有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。