[发明专利]图像处理模型的训练方法、装置及存储介质

说明书

本发明提供了一种图像处理模型的训练方法、装置及存储介质，图像处理模型包括：骨干网络、区域候选网络及检测网络，方法包括：通过骨干网络，对包含目标对象的样本图像进行特征提取，得到样本图像的特征图；通过区域候选网络，对特征图进行区域选取，确定候选区域；通过检测网络，对候选区域进行目标对象检测，得到目标对象的类别参数及位置参数，所述类别参数包括对应所述目标对象的分类结果，位置参数包括：对应目标对象的包围框、分割掩码及关键点掩码；基于目标对象的类别参数及位置参数，确定图像处理模型的目标损失函数的值；基于目标损失函数的值，更新模型参数。通过本发明，能够准确的定位图像中的目标对象，提高目标检测的精度。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种图像处理模型的训练方法、装置及存储介质。

背景技术

机器学习(ML，machine Learning)是人工智能的一个分支，通常包括人工神经网络、置信网络、强化学习、迁移学习和归纳学习等技术，机器学习的目的是让机器根据先验的知识进行学习，从而具有分类和判断的逻辑能力。以神经网络为代表的机器学习模型不断发展，被逐渐应用到图像处理中的目标检测。

相关技术中，用于检测图像中目标对象的神经网络模型的训练，仅基于图像中目标对象对应的包围框信息，使得训练得到的图像处理模型进行目标检测时的准确性低。

发明内容

本发明实施例提供一种图像处理模型的训练方法、装置及存储介质，能够准确的定位图像中的目标对象，提高了目标检测的精度。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种图像处理模型的训练方法，所述图像处理模型包括：骨干网络、区域候选网络及检测网络，所述方法包括：

通过所述骨干网络，对包含目标对象的样本图像进行特征提取，得到所述样本图像的特征图；

通过所述区域候选网络，对所述特征图进行区域选取，确定候选区域；

通过所述检测网络，对所述候选区域进行目标对象检测，得到所述目标对象的位置参数及类别参数，所述类别参数包括对应所述目标对象的分类结果，所述位置参数包括：对应所述目标对象的包围框、分割掩码及关键点掩码；

基于所述目标对象的包围框、分割掩码、关键点掩码及分类结果，确定所述图像处理模型的目标损失函数的值；

基于确定的所述目标损失函数的值，更新所述图像处理模型的模型参数。

本发明实施例提供一种图像处理模型的训练装置，包括：

特征提取模块，用于通过所述骨干网络，对包含目标对象的样本图像进行特征提取，得到所述样本图像的特征图；

区域选取模块，用于通过所述区域候选网络，对所述特征图进行区域选取，确定候选区域；

对象检测模块，用于通过所述检测网络，对所述候选区域进行目标对象检测，得到所述目标对象的位置参数及类别参数，所述类别参数包括对应所述目标对象的分类结果，所述位置参数包括：对应所述目标对象的包围框、分割掩码及关键点掩码；

损失确定模块，用于基于所述目标对象的包围框、分割掩码、关键点掩码及分类结果，确定所述图像处理模型的目标损失函数的值；

参数更新模块，用于基于确定的所述目标损失函数的值，更新所述图像处理模型的模型参数。

上述方案中，所述区域选取模块，用于通过所述区域候选网络，生成对应所述特征图的多个初始包围框；

通过滑窗扫描所述多个初始包围框，确定所述多个初始包围框中对应前景的初始包围框；

对所述对应前景的初始包围框进行包围框回归，以确定候选区域。