本申请提供一种阈值自适应的物体检测网络训练方法与装置。所述方法将包含待识别目标的训练集输入至物体检测网络，以训练物体检测网络的骨干权重参数。在骨干权重参数达到期望值后，在物体检测网络中添加门限卷积分支，以为不同物体提供不同的置信度。将包含待识别目标与待识别目标分类标签的训练集输入至物体检测网络，锁定骨干参数，以将分支权重参数训练至期望值，得到可根据物体类别自适应生成置信度的物体检测网络。通过自适应生成置信度，可以提高物体检测网络的泛化性，以及降低误检率。率。率。
【技术实现步骤摘要】
一种阈值自适应的物体检测网络训练方法与装置
[0001]本申请涉及物体检测
，尤其涉及一种阈值自适应的物体检测网络训练方法与装置。
技术介绍
[0002]基于物体检测网络对物体进行识别时，需要根据不同的检测类别设置不同的置信度门限，以在物体检测网络输出识别结果时，通过置信度门限过滤识别结果，以及判断识别结果是否为正样本。
[0003]在构建物体检测网络时，可以根据技术人员的经验设置置信度门限。但根据经验设置置信度门限对于待识别目标的数据质量要求较高。根据经验设置较高的置信度门限时，在待识别目标与目标类中心具有一定距离，但仍属于目标类的情况下，容易出现漏检的情况。根据经验设置较低的置信度门限时，对于相似的目标容易出现误检的情况。
[0004]此外，还可以根据物体检测网络在测试集上的检测结果，统计得到检出率和误检率的曲线，并根据统计指标设定置信度门限。但这种方式在实际应用时，实际应用的场景与测试集的场景区别较大时，容易出现漏检的情况。在数据质量较低时，也容易产生漏检的情况。
技术实现思路
[0005]本申请提供一种阈值自适应的物体检测网络训练方法与装置，以解决根据测试集的场景设置的置信度门限不准确，容易产生漏检的问题。
[0006]第一方面，本申请提供一种阈值自适应的物体检测网络训练方法，包括：
[0007]将包含待识别目标的训练集输入至物体检测网络，以训练所述物体检测网络的骨干权重参数；
[0008]在所述物体检测网络中添加门限卷积分支；所述门限卷积分支用于为所述物体检测网络输出的识别结果提供置信度门限；所述置信度门限用于判断所述物体检测网络输出的识别结果是否为正样本；
[0009]将包含待识别目标与待识别目标分类标签的训练集输入至物体检测网络，以训练所述门限卷积分支的分支权重参数；以及锁定所述骨干权重参数；
[0010]若检测到所述分支权重参数达到期望值，则输出当前物体检测网络以及当前物体检测网络的骨干权重参数与分支权重参数。
[0011]在一些可行的实施例中，所述物体检测网络输出的识别结果包括待识别目标的类置信度、框回归状态和框置信度，还包括：
[0012]根据类置信度的损失函数计算类置信度的损失值，和，根据设置框回归状态的损失函数计算框回归状态的损失值，和，根据框置信度的损失函数计算框置信度的损失值；
[0013]若所述类置信度的损失值大于类置信度损失阈值，和/或，框回归状态的损失值大于框回归状态损失阈值，和/或，所述框置信度的损失值大于框置信度损失阈值，则根据所
述损失值修改所述物体检测网络的骨干权重参数。
[0014]若所述类置信度的损失值小于或等于类置信度损失阈值，和，框回归状态的损失值小于或等于框回归状态损失阈值，和，所述框置信度的损失值小于或等于框置信度损失阈值，则执行在所述物体检测网络中添加门限卷积分支的步骤。
[0015]在一些可行的实施例中，在所述物体检测网络中添加门限卷积分支时，还包括：
[0016]对添加门限卷积分支设置加限损失函数，所述加限损失函数基于单次训练过程中待识别目标的正确检出率设置；
[0017]使用所述加限损失函数计算添加门限卷积分支的物体检测网络的加限损失值；
[0018]若所述加限损失值大于加限损失阈值，则根据所述加限损失值修改所述物体检测网络的分支权重参数；
[0019]若所述加限损失值小于或等于加限损失阈值，则输出当前包括门限卷积分支的物体检测网络。
[0020]在一些可行的实施例中，所述的阈值自适应的物体检测网络训练方法，还包括：
[0021]设置平均置信度门限；
[0022]基于所述平均置信度门限在所述加限损失函数中添加与置信度门限关联的L2约束。
[0023]第二方面，本申请提供一种物体检测方法，包括：
[0024]将包含待识别目标的待测图片输入至包括门限卷积分支的物体检测网络，所述物体检测网络按照训练方法实施例中所述的阈值自适应的物体检测网络训练方法训练获得；
[0025]基于所述包括门限卷积分支的物体检测网络，根据待识别目标的中心坐标计算所述待识别目标的置信度，以及搜索所述待识别目标的置信度门限；
[0026]若所述待识别目标的置信度大于或等于所述置信度门限，则输出与当前置信度关联的识别结果。
[0027]在一些可行的实施例中，所述待识别目标的识别结果的数量至少为1，所述物体检测网络的输出端包括非极大值抑制模块，所述非极大值抑制模块用于输出置信度最高的识别结果。
[0028]第三方面，本申请提供一种阈值自适应的物体检测网络训练装置，包括：第一训练模块、控制模块、第二训练模块；
[0029]所述第一训练模块用于将包含待识别目标的训练集输入至物体检测网络，以训练所述物体检测网络的骨干权重参数；
[0030]所述控制模块用于在所述物体检测网络中添加门限卷积分支；所述门限卷积分支用于为所述物体检测网络输出的识别结果提供置信度门限；所述置信度门限用于判断所述物体检测网络输出的识别结果是否为正样本；
[0031]所述第二训练模块用于将包含待识别目标与待识别目标分类标签的训练集输入至物体检测网络，以训练所述门限卷积分支的分支权重参数；以及锁定所述骨干权重参数；
[0032]所述控制模块在检测到所述分支权重参数达到期望值时，则输出当前物体检测网络以及当前物体检测网络的骨干权重参数与分支权重参数。
[0033]第四方面，本申请提供一种物体检测装置，包括：采集模块、运算模块、决策模块；
[0034]所述采集模块用于将包含待识别目标的待测图片输入至包括门限卷积分支的物
体检测网络；
[0035]所述运算模块用于基于所述包括门限卷积分支的物体检测网络，根据待识别目标的中心坐标计算所述待识别目标的置信度，以及搜索所述待识别目标的置信度门限；
[0036]所述决策模块用于在所述待识别目标的置信度大于或等于所述置信度门限时，输出与当前置信度关联的识别结果。
[0037]第五方面，本申请提供一种电子设备，其特征在于，包括：
[0038]处理器，以及与所述处理器通信连接的存储器；
[0039]其中，所述存储器存储有可被所述处理器执行的指令，以使所述处理器执行第一方面所述训练方法的步骤。
[0040]第六方面，本申请提供一种计算机可读存储介质，包括：
[0041]所述计算机可读存储介质中包括至少一个计算机指令，所述至少一个计算机指令用于使所述计算机执行如第一方面所述训练方法的步骤。
[0042]由上述
技术实现思路
可知，本申请提供一种阈值自适应的物体检测网络训练方法与装置。所述方法将包含待识别目标的训练集输入至物体检测网络，以训练物体检测网络的骨干权重参数。在骨干权重参数达到期望值后，在物体检测网络中添加门限卷积分支，以为不同物体提供不同的置信度。将包含待识别目标与待识别目标分类标签的训练集本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种阈值自适应的物体检测网络训练方法，其特征在于，包括：将包含待识别目标的训练集输入至物体检测网络，以训练所述物体检测网络的骨干权重参数；在所述物体检测网络中添加门限卷积分支；所述门限卷积分支用于为所述物体检测网络输出的识别结果提供置信度门限；所述置信度门限用于判断所述物体检测网络输出的识别结果是否为正样本；将包含待识别目标与待识别目标分类标签的训练集输入至物体检测网络，以训练所述门限卷积分支的分支权重参数；以及锁定所述骨干权重参数；若检测到所述分支权重参数达到期望值，则输出当前物体检测网络以及当前物体检测网络的骨干权重参数与分支权重参数。2.根据权利要求1所述的阈值自适应的物体检测网络训练方法，所述物体检测网络输出的识别结果包括待识别目标的类置信度、框回归状态和框置信度，其特征在于，还包括：根据类置信度的损失函数计算类置信度的损失值，和，根据设置框回归状态的损失函数计算框回归状态的损失值，和，根据框置信度的损失函数计算框置信度的损失值；若所述类置信度的损失值大于类置信度损失阈值，和/或，框回归状态的损失值大于框回归状态损失阈值，和/或，所述框置信度的损失值大于框置信度损失阈值，则根据所述损失值修改所述物体检测网络的骨干权重参数；若所述类置信度的损失值小于或等于类置信度损失阈值，和，框回归状态的损失值小于或等于框回归状态损失阈值，和，所述框置信度的损失值小于或等于框置信度损失阈值，则执行在所述物体检测网络中添加门限卷积分支的步骤。3.根据权利要求2所述的阈值自适应的物体检测网络训练方法，其特征在于，在所述物体检测网络中添加门限卷积分支时，还包括：对添加门限卷积分支设置加限损失函数，所述加限损失函数基于单次训练过程中待识别目标的正确检出率设置；使用所述加限损失函数计算添加门限卷积分支的物体检测网络的加限损失值；若所述加限损失值大于加限损失阈值，则根据所述加限损失值修改所述物体检测网络的分支权重参数；若所述加限损失值小于或等于加限损失阈值，则输出当前包括门限卷积分支的物体检测网络。4.根据权利要求3所述的阈值自适应的物体检测网络训练方法，其特征在于，还包括：设置平均置信度门限；基于所述平均置信度门限在所述加限损失函数中添加与置信度门限关联的L2约束。5.一种物体检测方法，其特征在于，包括：将包含待识别目标的待测图片输入至包括门限卷积分支的物体检测网络，所述物体...
【专利技术属性】
技术研发人员：陈辉，田鹏程，李慧，
申请(专利权)人：爱芯元智半导体宁波有限公司，
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。