【技术实现步骤摘要】
本申请涉及计算机，尤其涉及一种模型训练方法、装置及存储介质。
技术介绍
1、目标检测(object detection)算法是计算机视觉领域的重要研究方向，可以实现对图像或者视频中目标对象的检测和识别。目标检测被广泛地应用在多种设备中，例如，车辆的行车记录仪、智能手机、智能监控等设备。为了适应可以执行的识别任务的不同场景需求，目标检测算法在暗光环境下的检测性能得到关注和发展。
2、在上述设备的计算资源和存储资源较少的情况下，若使用目标检测算法，则需要对目标检测算法涉及的参数进行压缩，然而，现有的参数压缩技术使目标检测算法涉及的参数的精度显著下降，导致执行暗光环境下目标识别任务时的识别准确率显著下降。
技术实现思路
1、本申请提供一种模型训练方法、装置及存储介质，能够尽可能地提高图像检测模型的识别准确率。
2、为达到上述目的，本申请采用如下技术方案：
3、第一方面，本申请提供一种模型训练方法，该方法包括：获取暗光环境下对象的样本图像；基于第一卷积网络，提取样本图像中对象的初始特征信息；第一卷积网络为激活值二值化后的卷积网络；在初始特征信息与对象的实际特征信息的相似度小于第一预设阈值的情况下，对第一卷积网络的网络参数进行调整，得到第二卷积网络；基于第二卷积网络对样本图像进行训练，得到图像检测模型。
4、在一种可能的实现方式中，对第一卷积网络的网络参数进行调整，得到第二卷积网络，包括：基于相似度对应的损失函数，对第一卷积网络的权重值进行梯度
5、在一种可能的实现方式中，基于第二卷积网络对样本图像进行训练，得到图像检测模型，包括：对第二卷积网络中的每个卷积层的权重值进行二值化处理，得到处理后的第二卷积网络；基于处理后的第二卷积网络对样本图像进行训练，得到图像检测模型。
6、在一种可能的实现方式中，在对第二卷积网络中的每个卷积层的权重值进行二值化处理，得到处理后的第二卷积网络之后，该方法还包括：基于缩放因子，对每个卷积层的权重值进行调整，以使得第二卷积网络从样本图像中提取的特征信息与对象的实际特征信息的相似度大于第二预设阈值。
7、在一种可能的实现方式中，该方法还包括：获取待检测视频；待检测视频为对待检测对象进行拍摄的；将待检测视频分别输入图像检测模型，得到一个或多个检测结果；检测结果包括待检测对象对应的检测框；基于预设辅助筛选策略对一个或多个检测结果进行筛选，得到目标检测结果。
8、在一种可能的实现方式中，预设辅助筛选策略包括以下至少一项：连续帧辅助判断策略；连续帧判断策略是指将连续的n帧图像的检测结果作为目标检测结果；n帧图像的检测结果中的待检测对象的检测框之间的偏移值小于预设距离；n为正整数；非极大值抑制策略；非极大值抑制策略是指基于每帧图像中待检测对象的检测框的交并比以及置信度，确定目标检测结果；置信度过滤策略；置信度过滤策略是指过滤置信度小于预设阈值的检测结果。
9、第二方面，本申请提供一种模型训练装置，该装置包括：通信单元和处理单元；通信单元，用于获取暗光环境下对象的样本图像；处理单元，用于基于第一卷积网络，提取样本图像中对象的初始特征信息；其中，第一卷积网络为激活值二值化后的卷积网络；处理单元，还用于在初始特征信息与对象的实际特征信息的相似度小于第一预设阈值的情况下，对第一卷积网络的网络参数进行调整，得到第二卷积网络；处理单元，还用于基于第二卷积网络对样本图像进行训练，得到图像检测模型。
10、在一种可能的实现方式中，处理单元，具体用于基于相似度对应的损失函数，对第一卷积网络的权重值进行梯度计算，得到梯度值；处理单元，具体用于基于梯度值，对第一卷积网络的网络参数进行调整，得到第二卷积网络。
11、在一种可能的实现方式中，处理单元，具体用于对第二卷积网络中的每个卷积层的权重值进行二值化处理，得到处理后的第二卷积网络；处理单元，具体用于基于样本图像对处理后的第二卷积网络进行训练，得到图像检测模型。
12、在一种可能的实现方式中，在对第二卷积网络中的每个卷积层的权重值进行二值化处理，得到处理后的第二卷积网络之后，处理单元，还用于基于缩放因子，对每个卷积层的权重值进行调整，以使得第二卷积网络从样本图像中提取出的特征信息与对象的实际特征信息的相似度大于第二预设阈值。
13、在一种可能的实现方式中，通信单元，还用于获取待检测视频；待检测视频为对待检测对象进行拍摄的；处理单元，还用于将待检测视频分别输入图像检测模型，得到一个或多个检测结果；其中，检测结果包括待检测对象对应的检测框；处理单元，还用于基于预设辅助筛选策略对一个或多个检测结果进行筛选，得到目标检测结果。
14、在一种可能的实现方式中，预设辅助筛选策略包括以下至少一项：连续帧辅助判断策略；连续帧判断策略是指将连续的n帧图像的检测结果作为目标检测结果；n帧图像的检测结果中的待检测对象的检测框之间的偏移值小于预设距离；n为正整数；非极大值抑制策略；非极大值抑制策略是指基于每帧图像中待检测对象的检测框的交并比以及置信度，确定目标检测结果；置信度过滤策略；置信度过滤策略是指过滤置信度小于预设阈值的检测结果。
15、第三方面，本申请提供了一种模型训练装置，该装置包括：处理器和通信接口；通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如第一方面和第一方面的任一种可能的实现方式中所描述的模型训练方法。
16、第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端上运行时，使得终端执行如第一方面和第一方面的任一种可能的实现方式中所描述的模型训练方法。
17、第五方面，本申请提供一种包含指令的计算机程序产品，当计算机程序产品在模型训练装置上运行时，使得模型训练装置执行如第一方面和第一方面的任一种可能的实现方式中所描述的模型训练方法。
18、第六方面，本申请提供一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如第一方面和第一方面的任一种可能的实现方式中所描述的模型训练方法。
19、具体的，本申请中提供的芯片还包括存储器，用于存储计算机程序或指令。
20、本申请提供的模型训练方法中，计算设备在获取暗光环境下对象的样本图像后，可以将暗光环境下对象的样本图像输入到激活值二值化的第一卷积网络中。相应的，第一卷积网络输出对象的初始特征信息，以使计算设备基于第一卷积网络输出的对象的初始特征信息与对象的实际特征信息确定第一卷积网络输出的对象的初始特征信息和对象的实际特征信息的相似度。
21、在第一卷积网络输出的对象的初始特征信息和对象的实际特征信息的相似度小于第一预设阈值的情况下，计算设备调整第一卷积网络的参数。由于计算设备对第一卷积网络的卷积层的激活值进行了二值化处理，本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述第一卷积网络的网络参数进行调整，得到第二卷积网络，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述第二卷积网络对所述样本图像进行训练，得到图像检测模型，包括：
4.根据权利要求3所述的方法，其特征在于，在对所述第二卷积网络中的每个卷积层的权重值进行二值化处理，得到处理后的第二卷积网络之后，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述预设辅助筛选策略包括以下至少一项：
7.一种模型训练装置，其特征在于，所述模型训练装置包括：通信单元和处理单元；
8.根据权利要求7所述的装置，其特征在于，
9.根据权利要求7或8所述的装置，其特征在于，
10.根据权利要求9所述的装置，其特征在于，
11.根据权利要求7或8所述的装置，其特征在于，
12.根据权利要求11所述的装置，
13.一种模型训练装置，其特征在于，包括：存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储所述处理器可执行的指令；所述处理器执行所述指令时执行如权利要求1-6中任一项所述的模型训练方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机执行如权利要求1-6中任一项所述的模型训练方法。
15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的模型训练方法。
...【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述第一卷积网络的网络参数进行调整，得到第二卷积网络，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述第二卷积网络对所述样本图像进行训练，得到图像检测模型，包括：
4.根据权利要求3所述的方法，其特征在于，在对所述第二卷积网络中的每个卷积层的权重值进行二值化处理，得到处理后的第二卷积网络之后，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述预设辅助筛选策略包括以下至少一项：
7.一种模型训练装置，其特征在于，所述模型训练装置包括：通信单元和处理单元；
8.根据权利要求7所述的装置，其特征在于，
9.根据权利...
【专利技术属性】
技术研发人员：张昀玮，苏海军，竹梦圆，张倩，杨泽昆，李国庆，姜海龙，刘健苗，
申请(专利权)人：中国联合网络通信集团有限公司，
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。