[发明专利]一种用于细粒度分类的目标检测方法及设备

权利要求书

1.一种用于细粒度分类的目标检测方法，其特征在于，该方法包括：

获取目标的目标图像；

通过预先构建的目标检测网络模型对所述目标图像进行目标检测，获得所述目标图像中目标的分类及位置，所述预先构建的目标检测网络模型中包括用于调整模型参数的分类损失函数，其中，构建目标检测网络模型过程中根据所述分类损失函数调整模型参数，使所述目标检测网络模型区分目标所属分类及同一类目标所属子分类；所述分类损失函数朝着目标参数调整方向调整所述模型参数，所述目标参数调整方向包括增大不同细分类别的目标图像的局部特征间的区分度，以及减小同一细分类别的目标图像的局部特征间的区分度。

2.如权利要求1所述的方法，其特征在于，所述目标检测网络模型包括用于获得所述目标图像中目标的分类的目标分类检测支路，以及用于获得所述目标图像中目标的位置的目标位置检测支路，所述分类损失函数为所述目标分类检测支路的损失函数。

3.如权利要求1所述的方法，其特征在于，所述分类损失函数包括如下任意一个：

度量学习损失函数N-pairloss；

损失函数AMSoftmax；

损失函数tripletloss；

损失函数Contrastive Loss；

损失函数II loss。

4.如权利要求1所述的方法，其特征在于，所述预先构建的目标检测网络模型通过如下任一预设目标检测算法对所述目标图像进行目标检测：

单发多盒探测器SSD算法；

YOLO算法。

5.如权利要求2所述的方法，其特征在于，还包括：

在构建目标检测网络模型时，将用于训练的多个同一种类和/或不同同类目标的目标图像输入所述目标检测网络模型，获取所述目标检测网络模型的目标分类检测支路输出的每个目标对应的特征向量；利用所述分类损失函数，计算不同种类目标的特征向量间的偏离程度，和/或，计算同一种类目标的特征向量间的偏离程度；

根据所述不同种类目标的特征向量间的偏离程度，和/或，同一种类目标的特征向量间的偏离程度，调整所述目标检测网络模型的模型参数至所述偏离程度达到预设要求。

6.如权利要求5所述的方法，其特征在于，利用所述分类损失函数，计算不同种类目标的特征向量间的偏离程度，包括：

将同一种类目标的特征向量集中到同一个特征向量集合，并确定该特征向量集合的中心特征向量；

计算不同的特征向量集合的中心特征向量间的距离的方差。

7.如权利要求5所述的方法，其特征在于，利用所述分类损失函数，计算同一种类目标的特征向量间的偏离程度，包括：

将同一种类目标的特征向量集中到同一个特征向量集合，并确定该特征向量集合的中心特征向量；

计算每个特征向量集合中不同的特征向量到该特征向量集合的中心特征向量的距离的方差。

8.如权利要求5所述的方法，其特征在于，所述偏离程度达到预设要求，包括：

同一种类目标的特征向量间的偏离程度小于预设最小偏离阈值；和/或

不同种类目标的特征向量间的偏离程度大于预设最大偏离阈值。

9.如权利要求6或7所述的方法，其特征在于，所述偏离程度达到预设要求，包括：

每个特征向量集合中不同的特征向量到该特征向量集合的中心特征向量的距离的方差小于预设最小距离方差；

不同的特征向量集合的中心特征向量间的距离的方差大于预设最大距离方差。

10.如权利要求1所述的方法，其特征在于，该方法应用于人脸识别、人/物再识别、商品细分类或车辆识别。

11.一种用于细粒度分类的目标检测的设备，其特征在于，该设备包括处理器和存储器，其中，所述存储器存储可执行程序代码，当所述程序代码被执行时，使得所述处理器执行上述权利要求1-10任一所述的方法。

12.一种计算机可存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～10任一所述方法的步骤。