[发明专利]对象检测模型的优化方法、装置、设备及存储介质

说明书

本发明实施例公开了一种对象检测模型的优化方法、装置、设备及存储介质。该方法包括：获取数据样本；根据对象的图像数据，通过初始神经网络模型，生成包括对象待检测区域的候选区域集合；根据候选区域集合和图像数据，通过初始神经网络模型进行分割，得到对象的像素级轮廓检测区域；根据对象的像素级轮廓检测区域及对象的标识信息，调整初始神经网络模型的模型参数，得到优化后的模型。本发明实施例的对象检测模型的优化方法装置、设备及存储介质，通过神经网络模型生成候选区域集合，并对对象的图像数据进行全卷积神经分割实现对象像素级目标区域的检测，保证了对象和帽子的整体性，解决了因遮挡导致的对象之间重叠率过高，造成错误检测问题。

技术领域

本发明涉及图像识别领域，尤其涉及一种对象检测模型的优化方法、装置、设备及存储介质对象。

背景技术

在现有的对象安全帽检测方法中，往往使用特征提取、分类器训练和重叠率计算来判断对象是否佩戴安全帽。

但是在使用重叠率进行判断时，当对象与对象的身体相互遮挡，被遮挡对象无论是否佩戴安全帽都将会根据过高的重叠率错误判定为佩戴了安全帽。

所以，当对象与对象相互遮挡时，将会出现相邻对象安全帽错误匹配误识别的问题。

发明内容

本发明实施例提供一种对象检测模型的优化方法、装置、设备及存储介质对象，实现了像素级的区域检测，解决了因对象相互遮挡产生误判的问题，保证了帽子与对象的整体性，避免遮挡对象的干扰。

第一方面，提供了一种对象检测模型的优化方法，该方法包括：

获取数据样本，其中，数据样本包括对象的标识信息及对象的图像数据；

根据对象的图像数据，通过初始神经网络模型，生成包括至少一个对象待检测区域的候选区域集合；

根据候选区域集合和图像数据，通过初始神经网络模型的全卷积神经进行分割，得到包括至少一个对象的像素级轮廓检测区域；

根据对象的像素级轮廓检测区域及对象的标识信息，调整初始神经网络模型的模型参数，得到优化后的模型。

在第一方面的一些实现方式中，根据候选区域集合和图像数据，通过初始神经网络模型的全卷积神经进行分割，得到包括至少一个对象的像素级轮廓检测区域，包括：

根据候选区域集合和图像数据，通过双线性插值法，得到尺寸相同的特征图；

根据尺寸相同的特征图，通过初始神经网络模型的全卷积神经进行分割，得到包括至少一个对象的像素级轮廓检测区域。

在第一方面的一些实现方式中，根据对象的像素级轮廓检测区域及对象的标识信息，更新初始神经网络模型的模型参数，得到优化后的模型，包括：

根据对象的像素级轮廓检测区域及对象的标识信息计算损失函数，其中，对象的标识信息包括对象的轮廓信息；

根据损失函数，调整初始神经网络模型的模型参数；

当调整后的初始神经网络模型的损失函数低于第一预设阈值时，将更新后的初始神经网络模型确定为优化后的对象检测模型。

在第一方面的一些实现方式中，

根据候选区域集合和图像数据，通过初始神经网络模型生成第一特征图，并与初始神经网络模型中的至少一层网络线性叠加生成第二特征图；

通过初始神经网络模型对第二特征图进行分类，生成分类后的对象信息；

根据分类后的对象信息及对象的标识信息，更新初始神经网络模型的模型的参数，得到优化后的模型。