【技术实现步骤摘要】
本公开涉及人工智能，尤其涉及一种目标检测模型的训练方法、装置、电子设备及存储介质。
技术介绍
1、在目标检测任务中，数据集中不同类别的目标数量可能差异很大。当使用这样的数据集训练目标检测模型时，会导致模型对于数量较少的类别的预测效果较差。即使模型实际上检测到了这些数量较少的类别的目标，但由于置信度较低，也可能被视为误检而被过滤掉。
2、为解决该问题，目前的方法是同时训练分类头和检测头，使模型更全面地学习目标检测任务所需的信息。分类头负责确定检测到的目标属于哪个类别，检测头负责确定目标的位置。但该种方法，调整分类头和检测头的训练权重时通常更加侧重于检测头的训练。这可能会导致在类别不均衡的情况下，模型过度依赖检测头，而忽略正确分类目标的重要性，从而导致过度检测和漏检问题仍然存在。
技术实现思路
1、本公开提供了一种目标检测模型的训练方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。
2、根据本公开的第一方面，提供了一种目标检测模型的训练方法，所述方法包括：对初始目标检测模型进行拆分，得到初始定位模型和初始分类模型；分别对所述初始定位模型和所述初始分类模型进行训练，得到目标定位模型和目标分类模型；针对所述目标定位模型和所述目标分类模型的共享参数，确定所述目标定位模型对应的参数第一权重以及所述目标分类模型对应的参数第二权重；基于所述参数第一权重和所述参数第二权重，对所述目标定位模型和所述目标分类模型进行融合，得到融合目标检测模型。
4、在一可实施方式中，对初始目标检测模型进行拆分，得到初始分类模型，包括：将初始目标检测模型中的检测头进行切除，得到初始分类模型。
5、在一可实施方式中，对所述初始定位模型进行训练，得到目标定位模型，包括：将所述初始定位模型中分类头的权重调整至预设值，得到回归强调模型；通过训练数据集对回归强调模型进行训练，得到目标定位模型。
6、在一可实施方式中，对所述初始分类模型进行训练，得到目标分类模型，包括：对训练数据集进行均衡处理，得到均衡化数据集；通过所述均衡化数据集对初始分类模型进行训练，得到目标分类模型。
7、在一可实施方式中，所述对训练数据集进行均衡处理，得到均衡化数据集，包括：通过类别均衡筛选器对训练数据集进行均衡处理，得到均衡化数据集。
8、在一可实施方式中，所述针对所述目标定位模型和所述目标分类模型的共享参数，确定所述目标定位模型对应的参数第一权重以及所述目标分类模型对应的参数第二权重，包括：针对所述目标定位模型和所述目标分类模型的共享参数；确定所述目标定位模型对应的第一估计准确度以及所述目标分类模型对应的第二估计准确度；根据所述第一估计准确度和所述第二估计准确度，确定参数第一权重和参数第二权重。
9、在一可实施方式中，所述确定所述目标定位模型对应的第一估计准确度以及所述目标分类模型对应的第二估计准确度，包括：通过费歇尔信息矩阵确定所述目标定位模型对应的第一估计准确度以及所述目标分类模型对应的第二估计准确度。
10、在一可实施方式中，所述基于所述参数第一权重和所述参数第二权重，对所述目标定位模型和所述目标分类模型进行融合，得到融合目标检测模型，包括：基于所述参数第一权重和所述参数第二权重，对所述目标定位模型和所述目标分类模型的共享参数进行加权处理；将经过加权处理后的目标定位模型和目标分类模型进行相加，得到融合目标检测模型。
11、在一可实施方式中，所述方法还包括：获取待检测图像；将所述待检测图像输入至融合目标检测模型中，得到所述融合目标检测模型输出的目标检测结果；所述目标检测结果包括所述待检测图像中目标对象的位置和类别。
12、根据本公开的第二方面，提供了一种目标检测模型的训练装置，所述装置包括：拆分模块，用于对初始目标检测模型进行拆分，得到初始定位模型和初始分类模型；训练模块，用于分别对所述初始定位模型和所述初始分类模型进行训练，得到目标定位模型和目标分类模型；权重确定模块，用于针对所述目标定位模型和所述目标分类模型的共享参数，确定所述目标定位模型对应的参数第一权重以及所述目标分类模型对应的参数第二权重；融合模块，用于基于所述参数第一权重和所述参数第二权重，对所述目标定位模型和所述目标分类模型进行融合，得到融合目标检测模型。
13、在一可实施方式中，所述拆分模块，还用于将初始目标检测模型的类别数量设置为1，得到初始定位模型。
14、在一可实施方式中，所述拆分模块，还用于将初始目标检测模型中的检测头进行切除，得到初始分类模型。
15、在一可实施方式中，所述训练模块，还用于将所述初始定位模型中分类头的权重调整至预设值，得到回归强调模型；通过训练数据集对回归强调模型进行训练，得到目标定位模型。
16、在一可实施方式中，所述训练模块，还用于对训练数据集进行均衡处理，得到均衡化数据集；通过所述均衡化数据集对初始分类模型进行训练，得到目标分类模型。
17、在一可实施方式中，所述训练模块，还用于通过类别均衡筛选器对训练数据集进行均衡处理，得到均衡化数据集。
18、在一可实施方式中，所述权重确定模块，还用于针对所述目标定位模型和所述目标分类模型的共享参数；确定所述目标定位模型对应的第一估计准确度以及所述目标分类模型对应的第二估计准确度；根据所述第一估计准确度和所述第二估计准确度，确定参数第一权重和参数第二权重。
19、在一可实施方式中，所述权重确定模块，还用于通过费歇尔信息矩阵确定所述目标定位模型对应的第一估计准确度以及所述目标分类模型对应的第二估计准确度。
20、在一可实施方式中，所述融合模块，还用于基于所述参数第一权重和所述参数第二权重，对所述目标定位模型和所述目标分类模型的共享参数进行加权处理；将经过加权处理后的目标定位模型和目标分类模型进行相加，得到融合目标检测模型。
21、在一可实施方式中，所述装置还包括：检测模块，用于获取待检测图像；将所述待检测图像输入至融合目标检测模型中，得到所述融合目标检测模型输出的目标检测结果；所述目标检测结果包括所述待检测图像中目标对象的位置和类别。
22、根据本公开的第三方面，提供了一种电子设备，包括：
23、至少一个处理器；以及
24、与所述至少一个处理器通信连接的存储器；其中，
25、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本公开所述的方法。
26、根据本公开的第四方面，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，所述计算机指令用于使所述计算机执行本公开所述的方法。
27、本公开的一种目标检测模型的训练本文档来自技高网...
【技术保护点】
1.一种目标检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对初始目标检测模型进行拆分，得到初始定位模型，包括：
3.根据权利要求1所述的方法，其特征在于，对初始目标检测模型进行拆分，得到初始分类模型，包括：
4.根据权利要求1所述的方法，其特征在于，对所述初始定位模型进行训练，得到目标定位模型，包括：
5.根据权利要求1所述的方法，其特征在于，对所述初始分类模型进行训练，得到目标分类模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述对训练数据集进行均衡处理，得到均衡化数据集，包括：
7.根据权利要求1所述的方法，其特征在于，所述针对所述目标定位模型和所述目标分类模型的共享参数，确定所述目标定位模型对应的参数第一权重以及所述目标分类模型对应的参数第二权重，包括：
8.一种目标检测模型的训练装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于
...【技术特征摘要】
1.一种目标检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对初始目标检测模型进行拆分，得到初始定位模型，包括：
3.根据权利要求1所述的方法，其特征在于，对初始目标检测模型进行拆分，得到初始分类模型，包括：
4.根据权利要求1所述的方法，其特征在于，对所述初始定位模型进行训练，得到目标定位模型，包括：
5.根据权利要求1所述的方法，其特征在于，对所述初始分类模型进行训练，得到目标分类模型，包括：
6.根据权利要求5所述的方法...
【专利技术属性】
技术研发人员：刘丹枫，何泳澔，付发，张武杰，
申请(专利权)人：中科慧远视觉技术北京有限公司，
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。