[发明专利]一种基于图像的目标检测方法、模型训练的方法及装置在审

专利信息
申请号: 201910218444.5 申请日: 2019-03-21
公开(公告)号: CN109919251A 公开(公告)日: 2019-06-21
发明(设计)人: 揭泽群 申请(专利权)人: 腾讯科技(深圳)有限公司
主分类号: G06K9/62 分类号: G06K9/62;G06K9/32
代理公司: 深圳市深佳知识产权代理事务所(普通合伙) 44285 代理人: 王仲凯
地址: 518057 广东省深圳*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 待检测图像 网络模型 图像 图像检测模型 检测结果 模型训练 目标定位 目标检测 申请 风格转换 模型预测 目标对象 目标类别 区域定位 图像定位 转换 测试集 风格
【权利要求书】:

1.一种模型训练的方法,其特征在于,包括:

获取待训练图像以及待测试图像,其中,所述待训练图像属于第一领域,所述待测试图像属于第二领域,所述第一领域与所述第二领域为不同的领域;

通过第一待训练网络模型获取所述待训练图像所对应的测试风格图像,通过所述第一待训练网络模型获取所述待测试图像所对应的训练风格图像,其中,所述测试风格图像属于所述第二领域,所述训练风格图像属于所述第一领域;

通过第二待训练网络模型获取候选区域所对应的预测概率值,其中,所述候选区域是从所述待测试图像或所述测试风格图像中提取的候选框;

通过所述第二待训练网络模型获取所述测试风格图像所对应的第一预测类别概率值、第一预测定位值、第二预测类别概率值以及第二预测定位值;

根据所述预测概率值、所述测试风格图像、所述训练风格图像、所述第一预测类别概率值、所述第一预测定位值、所述第二预测类别概率值以及所述第二预测定位值,采用目标损失函数对所述第一待训练网络模型以及所述第二待训练网络模型进行训练,得到所述跨领域图像检测模型。

2.根据权利要求1所述的方法,其特征在于,所述根据所述预测概率值、所述测试风格图像、所述训练风格图像、所述第一预测类别概率值、所述第一预测定位值、所述第二预测类别概率值以及所述第二预测定位值,采用目标损失函数对所述第一待训练网络模型以及所述第二待训练网络模型进行训练,包括:

根据所述测试风格图像以及所述训练风格图像确定第一损失函数;

根据所述预测概率值确定第二损失函数;

根据所述所述第一预测类别概率值、所述第一预测定位值、所述第二预测类别概率值以及所述第二预测定位值,确定第三损失函数;

根据所述第一损失函数、所述第二损失函数以及所述第三损失函数,生成所述目标损失函数;

采用所述目标损失函数对所述第一待训练网络模型以及所述第二待训练网络模型进行训练。

3.根据权利要求2所述的方法,其特征在于,所述根据所述测试风格图像以及所述训练风格图像确定第一损失函数,包括:

采用如下方式确定所述第一损失函数;

Lcyc(Gt-s,Gs-t)=Et~X(t)[||Gs-t(Gt-s(xt))-xt||]+Es~X(s)[||Gt-s(Gs-t(xs))-xs||];

其中,所述Lcyc(Gt-s,Gs-t)表示所述第一损失函数,所述xt表示所述待测试图像,所述xs表示所述待训练图像,所述Gs-t表示将所述待训练图像变换为所述测试风格图像的生成器,所述Gt-s表示将所述待测试图像变换为所述训练风格图像的生成器,所述Gt-s(xt)表示所述训练风格图像,所述Gs-t(xs)表示所述测试风格图像,所述Es~X(s)表示对待训练图像集合中的每个待训练图像进行期望值计算,所述Et~X(t)表示对待测试图像集合中的每个待测试图像进行期望值计算。

4.根据权利要求1至3中任一项所述的方法,其特征在于,所述通过第一待训练网络模型获取所述待训练图像所对应的测试风格图像,通过所述第一待训练网络模型获取所述待测试图像所对应的训练风格图像之后,所述方法还包括:

通过第一判别器对所述测试风格图像进行真实性检测,其中,所述第一判别器为采用第一对抗损失函数进行训练后得到的;

通过第二判别器对所述训练风格图像进行真实性检测,其中,所述第二判别器为采用第二对抗损失函数进行训练后得到的。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于腾讯科技(深圳)有限公司,未经腾讯科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910218444.5/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top