[发明专利]基于深度学习的目标检测模型训练方法、设备及存储介质

权利要求书

1.一种基于深度学习的目标检测模型训练方法，其特征在于，包括：

对包含有目标标注的训练图像进行测试，获得每一所述训练图像包含的目标；

比对所述目标与所述目标标注，获得每一所述训练图像包含的未标注目标和已标注目标；

利用目标检测模型获得所述目标对应的各个特征点的预测类别、位置及目标度，所述目标度为一用于区分背景和目标的二分类分支的输出值；

依据所述已标注目标的损失和所述未标注目标的分类损失获得总损失值；

依据所述总损失值调整所述目标检测模型的网络参数。

2.如权利要求1所述的基于深度学习的目标检测模型训练方法，其特征在于，所述未标注目标的分类损失为由所述未标注目标对应的各个特征点的分类损失加权计算获得。

3.如权利要求2所述的基于深度学习的目标检测模型训练方法，其特征在于，所述未标注目标对应的各个特征点的分类损失权重为依据所述二分类分支输出的目标度获得。

4.如权利要求3所述的基于深度学习的目标检测模型训练方法，其特征在于，将所述未标注目标对应的各个特征点的真值设为背景，所述未标注目标对应的各个特征点的分类损失权重为(1-objectness)^p，其中，objectness为所述目标度，p为一大于0的实数。

5.如权利要求1所述的基于深度学习的目标检测模型训练方法，其特征在于，还包括：预先在所述目标检测模型中添加一所述二分类分支。

6.如权利要求1所述的基于深度学习的目标检测模型训练方法，其特征在于，所述特征点的实际类别包括正样本和负样本，所述已标注目标的损失包括正样本的分类损失、负样本的分类损失、正样本的定位损失、正样本的目标度损失及负样本的目标度损失。

7.如权利要求6所述的基于深度学习的目标检测模型训练方法，其特征在于，通过以下方法计算正样本的分类损失：设置各个类别的相似度矩阵，所述相似度矩阵中的主对角线的各个元素的取值为1，其它元素为依据类别相似度在[0,1]区间取值，类别相似度越大，取值越小；将所述相似度矩阵作为各个类别的分类损失权重进行加权计算获得正样本的分类损失。

8.如权利要求6所述的基于深度学习的目标检测模型训练方法，其特征在于，通过以下方法计算正样本的分类损失：计算每个特征点各个类别对应的softmax函数的最大值，将softmax函数的最大值作为该特征点各个类别的分类损失权重进行加权计算获得正样本的分类损失。

9.如权利要求6所述的基于深度学习的目标检测模型训练方法，其特征在于，通过以下方法计算正样本的分类损失：

设置各个类别的相似度矩阵和计算每个特征点各个类别对应的softmax函数的最大值，所述相似度矩阵中的主对角线的各个元素的取值为1，其它元素为依据类别相似度在[0,1]区间取值，类别相似度越大，取值越小；

依据公式计算正样本的分类损失，其中，l表示正样本的分类损失，w表示softmax函数的最大值，表示所述相似度矩阵，l_j表示各类别的损失，ct表示特征点的实际类别。

10.如权利要求1所述的基于深度学习的目标检测模型训练方法，其特征在于，通过以下方法划分正样本和负样本：

计算每个所述目标标注与所有特征点的预测框的交并比；

将各个所述交并比分别除以其中最大的一所述交并比，以获得归一化的交并比；

若所述归一化的交并比大于第一阈值，将该对应的特征点划分为正样本，否则，划分为负样本。