[发明专利]目标检测模型的训练装置及方法、电子设备

说明书

本发明实施例提供一种目标检测模型的训练装置及方法、电子设备。所述装置包括：测试单元，其用于当目标检测模型的训练过程中的第N次训练结束时，将多个测试图像输入到所述目标检测模型中进行测试，得到各个测试图像的检测结果，N为正整数；确定单元，其用于根据各个测试图像的检测结果确定各个测试图像的收敛水平预测值；以及调整单元，其用于根据各个测试图像的检测结果的收敛水平预测值，调整第N+1次训练中使用的参数。

技术领域

本发明涉及信息技术领域。

背景技术

近年来，在深度学习的帮助下，计算机视觉领域的研究取得了很大的进步。深度学习是指在分层神经网络上运用各种机器学习算法解决图像、文本处理等各种问题的算法集合。深度学习的核心是特征学习，旨在通过分层神经网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。深度学习逐渐应用在各种人工智能领域。

目标检测是深度学习的重要应用之一。对于基于深度学习的目标检测模型，对该模型的训练决定了该模型的性能。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

但是，训练数据集的质量是对目标检测的严重限制，训练数据集一般从生活中的场景进行收集，其很难达到所有方面的平衡。例如，交通场景的数据集一般通过监控摄像头拍摄得到，该场景较为单一，基于该数据集很难得到鲁棒性很强的用于交通场景的目标检测模型。现有的训练方法很难发现训练数据集中存在什么样的不平衡，也无法消除这种不平衡对于训练效果的影响。

本发明实施例提供一种目标检测模型的训练装置及方法、电子设备，能够在训练过程中动态的控制模型的收敛方向，有效的消除训练数据的不平衡对训练效果的影响，从而能够训练得到性能良好的目标检测模型。

根据本发明实施例的第一方面，提供一种目标检测模型的训练装置，所述装置包括：当目标检测模型的训练过程中的第N次训练结束时，将多个测试图像输入到所述目标检测模型中进行测试，得到各个测试图像的检测结果，N为正整数；根据各个测试图像的检测结果确定各个测试图像的收敛水平预测值；以及根据各个测试图像的检测结果的收敛水平预测值，调整第N+1次训练中使用的参数。

根据本发明实施例的第二方面，提供一种电子设备，所述电子设备包括根据本发明实施例的第一方面所述的装置。

根据本发明实施例的第三方面，提供一种目标检测模型的训练方法，所述方法包括：当目标检测模型的训练过程中的第N次训练结束时，将多个测试图像输入到所述目标检测模型中进行测试，得到各个测试图像的检测结果，N为正整数；根据各个测试图像的检测结果确定各个测试图像的收敛水平预测值；以及根据各个测试图像的检测结果的收敛水平预测值，调整第N+1次训练中使用的参数。

本发明的有益效果在于：通过在目标检测模型的第N次训练结束时，根据测试图像的检测结果确定收敛水平预测值并根据该收敛水平预测值调整下一次训练中使用的参数，能够在训练过程中动态的控制模型的收敛方向，有效的消除训练数据的不平衡对训练效果的影响，从而能够训练得到性能良好的目标检测模型。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明