[发明专利]一种神经网络模型的训练方法及训练装置

权利要求书

1.一种神经网络模型的训练方法，包括：

根据预设的n个放缩系数将训练数据集中的样本图像进行放缩，得到n个不同分辨率的图像；，且n为整数；

针对所述n个不同分辨率的图像中的每一图像，确定对应的m个训练区域；，且m为整数；

对所述m个训练区域中每一个训练区域所包含的物体进行标注，具体为，基于所述每一图像中的每个物体与所属训练区域的面积确定每个物体与所属训练区域的关系数值，基于每个物体对应的关系数值和预设阈值的大小关系，对所述每个物体进行标注；

基于标注后的训练数据集训练神经网络模型。

2.根据权利要求1所述的方法，其中，基于每个物体对应的关系数值和预设阈值的大小关系，对所述每个物体进行标注，包括：

若第一物体对应的关系数值符合第一预设条件并且所述第一物体的大小处于预设尺度范围内，维持所述第一物体在其所属训练区域中的原始标注；

若第二物体对应的关系数值符合第二预设条件，将所述第二物体标注为背景类别；

若第三物体对应的关系数值符合所述第一预设条件，且所述第三物体的大小超出预设尺度范围内时；或者第三物体对应的关系数值符合第三预设条件，将所述第三物体标注为忽略区域。

3.根据权利要求1所述的方法，其中，基于所述每一图像中的每个物体与所属训练区域的面积确定每个物体与所属训练区域的关系数值包括：

确定所述每一图像中每个物体与所属训练区域的重叠面积；

基于所述重叠面积与对应的物体面积的比值确定所述关系数值。

4.根据权利要求1所述的方法，其中，针对所述n个不同分辨率的图像中的每一图像，确定对应的m个训练区域，包括：

对所述n个不同预设分辨率的每一图像进行采样，得到t个候选图像区域；；

从所述t个候选图像区域中确定m个训练区域。

5.根据权利要求4所述的方法，其中，从所述t个候选图像区域中确定m个训练区域，包括：

在所述n个具有不同预设分辨率的每一图像中确定处于预设尺度范围内的物体，将确定的处于预设尺度范围内的物体称为物体集；

确定所述t个候选图像区域中的每个候选图像区域包含的来自所述物体集中的物体数量；

将所述物体数量大于预设阈值的候选图像区域确定为训练区域，得到m个训练区域。

6.一种图像中目标物的预测方法，包括：

将实际图像按照上述n个放缩系数进行放缩，得到n个具有不同预设分辨率的图像；；

将所述n个具有不同预设分辨率的每个图像逐一输入权利要求1至5中任一一项所述的神经网络模型的训练方法得到的神经网络模型进行预测，得到预测任务对应的中间预测结果；

将处于预设尺度范围内的中间预测结果根据放缩系数映射到实际图像，并融合映射后的中间预测结果，得到所述预测任务对应的最终预测结果。

7.一种神经网络模型的训练装置，包括：

放缩模块，用于根据预设的n个放缩系数将训练数据集中的目标图像进行放缩，得到n个具有不同预设分辨率的图像；；

确定模块，用于针对所述n个不同分辨率的图像中的每一图像，确定对应的m个训练区域；；

标注模块，用于对所述m个训练区域中每一个训练区域所包含的物体进行标注；

训练模块，基于标注后的训练数据集训练神经网络模型；

所述标注模块包括第一确定单元和标注单元；

第一确定单元，基于每一图像中的每个物体与所属训练区域的面积确定每个物体与所属训练区域的关系数值；

标注单元，基于每个物体对应的关系数值和预设阈值的大小关系，对所述每个物体进行标注。

8.一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述可执行指令在被所述处理器运行时使得所述处理器执行上述权利要求1~5中任一项所述的神经网络模型的训练方法，或者，执行上述权利要求6所述的一种图像中目标物的预测方法。

9.一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1~5中任一项所述的神经网络模型的训练方法，或者，执行上述权利要求6所述的一种图像中目标物的预测方法。