[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

说明书

本发明公开一种基于深度学习的目标检测模型训练方法，包括：对包含有目标标注的训练图像进行测试，获得每一训练图像包含的目标；比对目标与目标标注，获得每一训练图像包含的未标注目标和已标注目标；依据已标注目标的损失和未标注目标的分类损失获得总损失值；依据总损失值调整目标检测模型的网络参数。本发明找出训练图像中的未标注目标，然后计算未标注目标的分类损失，并忽略未标注目标的其他损失，训练后的目标检测模型具有更好的性能，提高了目标检测的准确率和召回率。另外，本发明还公开一种电子设备及计算机可读存储介质。

技术领域

本发明涉及深度学习目标检测技术领域，尤其涉及一种基于深度学习的目标检测模型训练方法、电子设备及计算机可读存储介质。

背景技术

随着深度学习技术的快速发展，基于深度学习的一体化目标检测方法也已经取代传统的特征提取+特征分类目标检测方法，其在多个领域中都得到了广泛应用。由于基于深度学习的目标检测算法具有高召回率、低误检率的特点，且其在专门的硬件平台上经网络结构优化之后，可以进行实时处理。在汽车碰撞预警系统中，也应用基于深度学习的目标检测方法来检测目标车辆，以判断目标车辆与当前车辆发生碰撞的可能性，进而作出相应的反应措施，以降低因汽车碰撞事故而造成的损失。

但是，基于深度学习的目标检测需要大量的标注数据，例如需要几万张、甚至几十万张、几百万张的标注图像，如果将图像中的所有目标都标注出来，标注工作将变得非常繁重。例如，在车辆前向碰撞预警系统中，由于位于当前车辆前方的很多目标之间会相互遮挡，因此在图像中只能看到被遮挡目标的一小部分；此时，若将图像中的所有目标都进行标注，标注工作量将非常大。又因为当前车辆只会与最其最接近的前车碰撞，若选择不标注自车前方较远的车辆，也是合理的方案。但，此种做法会导致网络输出的目标置信度变低。此外，由于目标标注规范的升级，原本不需要标注的目标在将来也可能变得需要标注，若重新进行标注将需消耗大量的人力和时间。

此外，在目标集中还可能会存在一些相似的类别。同时，还会存在一些类别标注错误的情况。而在利用分类损失函数进行分类损失计算时，分类损失函数又只最大化一个类别，而最小化其它不同类别，如果将相似的类别简单地作为不同的类别进行处理，相似的类别的置信度会被抑制，导致置信度变低。

发明内容

本发明的目的在于提供一种基于深度学习的目标检测模型训练方法、电子设备及计算机可读存储介质，以提高目标检测模型的性能。

为实现上述目的，本发明提供了一种基于深度学习的目标检测模型训练方法，包括：数据集预处理阶段，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。训练阶段，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。

与现有技术相比，本发明找出训练图像中的未标注目标，然后计算未标注目标的分类损失，并忽略未标注目标的其他损失(定位损失、目标度损失等)，然后将未标注目标的分类损失作为总损失的一部分进行训练。训练后的目标检测模型具有更好的性能，提高了目标检测的准确率和召回率。

较佳地，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。

更佳地，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。

具体地，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。

具体地，所述基于深度学习的目标检测模型训练方法还包括：预先在所述目标检测模型中添加一所述二分类分支。