[发明专利]物体检测方法、装置、设备和存储介质

权利要求书

1.一种物体检测方法，其特征在于，所述方法包括：

获取待检测图像；

将所述待检测图像输入至物体检测模型中，确定所述待检测图像中的物体属性信息；

其中，所述物体检测模型是通过采用根据样本图像集信息所确定的超参数，对初始网络模型进行训练得到的；

所述超参数包括样本标注框在初始网络模型中特征图上的尺度权重；

其中，根据样本图像集信息，确定样本标注框在初始网络模型中特征图上的尺度权重包括：

在对所述初始网络模型训练之前，根据样本标注框的尺度，以及初始网络模型中特征图的基础尺度，确定样本标注框在特征图上的尺度权重；所述特征图的基础尺度是所述初始网络模型的固有参数。

2.根据权利要求1所述的方法，其特征在于：根据样本标注框的尺度，以及初始网络模型中特征图的基础尺度，确定样本标注框在特征图上的尺度权重，包括：

通过如下公式，确定样本标注框在特征图上的尺度权重：

其中，scale_weight_qr是指第q个样本标注框在第r个特征图上的尺度权重，s_q是第q个样本标注框的尺度，bs_r是指第r个特征图的基础尺度，max()是取最大值函数，||||是取范数。

3.根据权利要求1所述的方法，其特征在于，还包括：

根据样本标注框在特征图上的尺度权重，对所述样本标注框在特征图上的损失函数进行加权求和，得到初始网络模型的损失函数。

4.根据权利要求1所述的方法，其特征在于，所述超参数还包括初始网络模型中锚框的尺寸信息、初始网络模型的最大检测框数量值和初始网络模型的交并比阈值中的至少一项。

5.根据权利要求4所述的方法，其特征在于，根据样本图像集信息，确定初始网络模型中锚框的尺寸信息包括：

对样本图像集中包括的样本标注框的宽高比进行聚类，得到至少两个宽高比簇，并将所述至少两个宽高比簇的宽高比均值作为初始网络模型中锚框的宽高比值；

对样本图像集中包括的样本标注框的尺度进行聚类，得到至少两个尺度簇，并将所述至少两个尺度簇的尺度均值作为初始网络模型中锚框的尺度值。

6.根据权利要求4所述的方法，其特征在于，根据样本图像集信息，确定初始网络模型的最大检测框数量值包括：

根据样本图像集中样本图像的标注框数量，确定样本图像集的最大标注框数量；

若所述样本图像集的最大标注框数量大于初始网络模型的初始检测框数量阈值，则将所述样本图像集的最大标注框数量作为初始网络模型的最大检测框数量值。

7.根据权利要求4所述的方法，其特征在于，根据样本图像集信息，确定初始网络模型的交并比阈值，包括：

根据样本图像中标注框之间的交并比值，确定样本图像集的最大交并比值；

将所述样本图像集的最大交并比值与第一数值之和，作为第二数值；

若所述第二数值小于初始网络模型的初始交并比阈值，则将所述第二数值作为初始网络模型的交并比阈值。

8.一种物体检测装置，其特征在于，所述装置包括：

图像获取模块，用于获取待检测图像；

信息确定模块，用于将所述待检测图像输入至物体检测模型中，确定所述待检测图像中的物体属性信息；

其中，所述物体检测模型是通过采用根据样本图像集信息所确定的超参数，对初始网络模型进行训练得到的；

所述超参数包括样本标注框在初始网络模型中特征图上的尺度权重；

其中，所述装置还包括：尺度权重确定模块，用于在对所述初始网络模型训练之前，根据样本标注框的尺度，以及初始网络模型中特征图的基础尺度，确定样本标注框在特征图上的尺度权重；所述特征图的基础尺度是所述初始网络模型的固有参数。