一种目标检测模型训练方法技术

本申请实施例提供了一种目标检测模型训练方法

【技术实现步骤摘要】
一种目标检测模型训练方法、装置、电子设备及介质


[0001]本申请涉及图像处理
，特别是涉及一种目标检测模型训练方法
、
装置
、
电子设备及介质
。

技术介绍

[0002]计算机视觉领域中的目标检测任务，是一个应用范围较广的任务
。
目标检测任务通常采用目标检测模型来实现，例如采用目标检测模型识别图像中的指定目标所处的位置
。
目标检测任务中，通常利用检出率（
Recall
）和准确率（
Precision
）来衡量目标检测模型的检测性能
。
其中，检出率又称召回率，检出率为存在指定目标的各图像中，被目标检测模型识别出存在指定目标的图像所占比例
。
准确率为被目标检测模型识别出存在指定目标的图像中，实际包括指定目标的图像所占比例
。
[0003]在大规模目标检测场景下，准确率尤为重要
。
例如，在视频审核场景中，假设存在上万路目标检测业务线，每条目标检测业务线均采用目标检测模型审核视频中是否存在包括指定目标的视频帧
。
假设每条业务线每天产生一个误报，各条业务线每天共产生上万个误报，如果需要在被目标检测模型识别出包括指定目标的视频中，人工审核是否存在误报的视频，那么人工审核的工作量是巨大的
。
其中误报是指视频被目标检测模型识别为包括指定目标，但该视频中实际不包括指定目标的情况
。
[0004]因此为了提高准确率，降低误报率，常规的方式是直接将误报的视频包括的各视频帧均作为负样本图像，并将人工从视频中提取的包括指定目标的视频帧作为正样本图像，之后利用正负样本图像训练目标检测模型
。
但这种情况下，训练样本中的负样本图像数量是正样本图像的数十倍，使得训练样本中的负样本图像和正样本图像的比例极不均衡
。
而在负样本过多的情况下，对目标检测模型进行训练时，会使得目标检测模型过多地关注负样本图像，而忽视对正样本图像的学习，从而导致目标检测模型的检测准确度较低
。

技术实现思路

[0005]本申请实施例的目的在于提供一种目标检测模型训练方法
、
装置
、
电子设备及介质，以提高目标检测模型的检测准确度
。
具体技术方案如下：本申请实施例的第一方面，提供了一种目标检测模型训练方法，所述方法包括：获取正样本图像集和负样本图像集；利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测，得到各负样本图像的目标检测结果以及目标检测结果的置信度；基于各负样本图像的目标检测结果的置信度，筛选出指定数量的负样本图像；基于所述正样本图像集包括的各正样本图像以及筛选出的负样本图像，训练所述目标检测网络，并返回所述利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测的步骤，直至在所述目标检测网络训练完成时，将训练完成的目标检测网络作为目标检测模型
。
[0006]可选的，所述基于所述正样本图像集包括的各正样本图像以及筛选出的负样本图像，训练所述目标检测网络，包括：基于所述正样本图像集包括的各正样本图像以及筛选出的负样本图像，构建多组训练样本图像；按照各组训练样本图像的排列顺序，获取一组训练样本图像，并利用所述目标检测模型分别对该组训练样本图像包括的每张训练样本图像进行目标检测，得到该组训练样本图像包括的每张训练样本图像的目标检测结果和目标检测结果的置信度；利用该组训练样本图像包括的每张训练样本图像的目标检测结果和目标检测结果的置信度，计算损失值；基于所述损失值，确定所述目标检测网络是否收敛；若是，则确定所述目标检测网络训练完成；若否，则基于所述损失值调整所述目标检测网络的网络参数，并返回所述按照各组训练样本图像的排列顺序，获取一组训练样本图像的步骤，直至各组训练样本均被获取
。
[0007]可选的，所述目标检测结果包括：图像中的指定目标所处的检测框和图像中的指定目标所属的检测类型；所述利用该组训练样本图像包括的每张训练样本图像的目标检测结果和目标检测结果的置信度，计算损失值，包括：针对该组训练样本图像包括的每张训练样本图像，确定该训练样本图像中的检测框与该训练样本图像中的指定目标实际所处的标签框之间的位置误差，并根据该组训练样本图像包括的各训练样本图像的位置误差，确定回归损失；针对该组训练样本图像包括的每张训练样本图像，确定该训练样本图像中的指定目标所属的检测类型与该训练样本图像中的指定目标实际所属的标签类型之间的类型误差，并根据该组训练样本图像包括的各训练样本图像的类型误差，确定分类损失；针对该组训练样本图像包括的每张训练样本图像，根据该训练样本图像中的指定目标实际所属的标签类型，确定该训练样本图像的置信度误差，并根据该组训练样本图像包括的各训练样本图像的置信度误差，确定置信度损失；基于所述回归损失
、
所述分类损失和所述置信度损失，确定所述损失值
。
[0008]可选的，所述损失值为：
;
其中，为所述损失值，为所述回归损失，为所述分类损失的预设权重，为所述分类损失，为所述置信度损失的预设权重，为所述置信度损失
。
[0009]可选的，所述基于所述正样本图像集包括的各正样本图像以及筛选出的负样本图像，构建多组训练样本图像，包括：从所述正样本图像集中获取第一预设数量张正样本图像，并从筛选出的负样本图像中获取第二预设数量张负样本图像；对所述第一预设数量张正样本图像和第二预设数量张负样本图像进行拼接处理或者叠加处理，将处理后得到的图像作为一张训练样本图像，返回所述从所述正样本图像
集中获取第一预设数量张正样本图像的步骤，直至训练样本图像的数量达到预设样本数量；将所述预设样本数量的训练样本图像分为多组
。
[0010]可选的，在所述利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测之前，所述方法还包括：设置所述目标检测网络的模式为测试模式；在所述利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测之后，所述方法还包括：设置所述目标检测网络的模式为训练模式
。
[0011]可选的，所述基于各负样本图像的目标检测结果的置信度，筛选出指定数量的负样本图像，包括：按照各负样本图像的目标检测结果的置信度从高到低的顺序，筛选出指定数量的负样本图像
。
[0012]本申请实施例的第二方面，提供了一种目标检测模型训练装置，所述装置包括：获取模块，用于获取正样本图像集和负样本图像集；检测模块，用于利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测，得到各负样本图像的目标检测结果以及目标检测结果的置信度；筛选模块，用于基于各负样本图像的目标检测结果的置信度，筛选出指定数量的负样本图像；训练模块，用于基于所述正样本图像集包括的各正样本图像以及筛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种目标检测模型训练方法，其特征在于，所述方法包括：获取正样本图像集和负样本图像集；利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测，得到各负样本图像的目标检测结果以及目标检测结果的置信度；基于各负样本图像的目标检测结果的置信度，筛选出指定数量的负样本图像；基于所述正样本图像集包括的各正样本图像以及筛选出的负样本图像，训练所述目标检测网络，并返回所述利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测的步骤，直至在所述目标检测网络训练完成时，将训练完成的目标检测网络作为目标检测模型
。2.
根据权利要求1所述的方法，其特征在于，所述基于所述正样本图像集包括的各正样本图像以及筛选出的负样本图像，训练所述目标检测网络，包括：基于所述正样本图像集包括的各正样本图像以及筛选出的负样本图像，构建多组训练样本图像；按照各组训练样本图像的排列顺序，获取一组训练样本图像，并利用所述目标检测模型分别对该组训练样本图像包括的每张训练样本图像进行目标检测，得到该组训练样本图像包括的每张训练样本图像的目标检测结果和目标检测结果的置信度；利用该组训练样本图像包括的每张训练样本图像的目标检测结果和目标检测结果的置信度，计算损失值；基于所述损失值，确定所述目标检测网络是否收敛；若是，则确定所述目标检测网络训练完成；若否，则基于所述损失值调整所述目标检测网络的网络参数，并返回所述按照各组训练样本图像的排列顺序，获取一组训练样本图像的步骤，直至各组训练样本均被获取
。3.
根据权利要求2所述的方法，其特征在于，所述目标检测结果包括：图像中的指定目标所处的检测框和图像中的指定目标所属的检测类型；所述利用该组训练样本图像包括的每张训练样本图像的目标检测结果和目标检测结果的置信度，计算损失值，包括：针对该组训练样本图像包括的每张训练样本图像，确定该训练样本图像中的检测框与该训练样本图像中的指定目标实际所处的标签框之间的位置误差，并根据该组训练样本图像包括的各训练样本图像的位置误差，确定回归损失；针对该组训练样本图像包括的每张训练样本图像，确定该训练样本图像中的指定目标所属的检测类型与该训练样本图像中的指定目标实际所属的标签类型之间的类型误差，并根据该组训练样本图像包括的各训练样本图像的类型误差，确定分类损失；针对该组训练样本图像包括的每张训练样本图像，根据该训练样本图像中的指定目标实际所属的标签类型，确定该训练样本图像的置信度误差，并根据该组训练样本图像包括的各训练样本图像的置信度误差，确定置信度损失；基于所述回归损失
、
所述分类损失和所述置信度损失，确定所述损失值
。4.
根据权利要求3所述的方法，其特征在于，所述损失值为：
;
其中，为所述损失值，为所述回归损失，为所述分类损失的预设权重，
为所述分类损失，为所述置信度损失的预设权重，为所述置信度损失
。5.
根据权利要求2所述的方法，其特征在于，所述基于所述正样本图像集包括的各正样本图像以及筛选出的负样本图像，构建多组训练样本图像，包括：从所述正样本图像集中获取第一预设数量张正样本图像，并从筛选出的负样本图像中获取第二预设数量张负样本图像；对所述第一预设数量张正样本图像和第二预设数量张负样本图像进行拼接处理或者叠加处理，将处理后得到的图像作为一张训练样本图像，返回所述从所述正样本图像集中获取第一预设数量张正样本图像的步骤，直至训练样本图像的数量达到预设样本数量；将所述预设样本数量的训练样本图像分为多组
。6.
根据权利要求1‑5任一项所述的方法，其特征在于，在所述利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测之前，所述方法还包括：设置所述目标检测网络的模式为测试模式；在所述利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测之后，所述方法还包括：设置所述目标检测网络的模式为训练模式
。7.
根据权利要求1‑5任一项所述的方法，其特征在于，所述基于各负样本图像的目标检测结果的置信度，筛选出指定数量的负样本图像，包括：按照各负样本图像的目标检测结果的置信度从高到低的顺序，筛选出指定数量的负样本图像
。8.
一种目标检测模型训练装置，其特征在于，所述装置包括：获取模块，用于获取正样本图像集和负样本图像集；检测模块，用于利用目标检测网络分别对所述负样本图像集包括的每张负样本图像进行目标检测，得到各负样...

【专利技术属性】
技术研发人员：沈西，谭期友，黄世华，于永军，童小树，
申请(专利权)人：英特灵达信息技术深圳有限公司，
类型：发明
国别省市：