[发明专利]目标检测模型的训练方法、装置及终端设备

权利要求书

1.一种目标检测模型的训练方法，其特征在于，应用于预设的目标检测模型，所述目标检测模型中包括位置回归网络和热图分类网络；

所述目标检测模型的训练方法包括：

获取样本图像的第一特征信息；

将所述第一特征信息输入到所述位置回归网络进行位置回归处理，输出所述样本图像中目标物体的位置信息；

将所述样本图像输入到所述热图分类网络中进行热图分类处理，输出所述样本图像的热图数据；

根据所述位置信息、所述热图数据和预设的第一损失函数计算第一损失值；

根据所述第一损失值更新所述目标检测模型的模型参数。

2.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述获取样本图像的第一特征信息，包括：

将所述样本图像输入到预设的特征提取模型中，输出所述样本图像的第二特征信息；

将所述第二特征信息输入到预设的特征融合模型中，输出特征融合信息；

将所述特征融合信息确定为所述样本图像的所述第一特征信息。

3.如权利要求2所述的目标检测模型的训练方法，其特征在于，所述特征提取模型包括N个提取子网络，所述N为正整数；

每个所述提取子网络包括第一卷积层和第二卷积层，所述第一卷积层用于对输入数据进行降采样特征提取处理、输出第一特征图，所述第二卷积层用于转换所述第一特征图的通道数量、输出转换后的所述第一特征图；

其中，当所述N大于1时，所述N个提取子网络串联连接，所述第一特征信息包括第N个所述提取子网络输出的所述转换后的所述第一特征图。

4.如权利要求2所述的目标检测模型的训练方法，其特征在于，所述特征融合模型中包括M个融合子网络，所述M为正整数；

每个所述融合子网络中包括第三卷积层、第四卷积层、第五卷积层、上采样层和连接层；

所述第三卷积层的输出端分别连接所述第四卷积层和所述第五卷积层，所述第四卷积层的输出端连接所述上采样层，所述第五卷积层的输出端和所述上采样层的输出端分别连接所述连接层的输入端，所述连接层的输出端为所述融合子网络的输出端；

所述第三卷积层用于对输入数据进行特征提取处理得到第二特征图，所述第四卷积层用于对所述第二特征图进行特征提取处理得到第三特征图，所述第三特征图的尺度小于所述第二特征图的尺度，所述第五卷积层用于转换所述第二特征图的通道数量、以使转换后的所述第二特征图的通道数量等于所述第三特征图的通道数量，所述上采样层用于对所述第三特征图进行上采样处理、以使上采样处理后的所述第三特征图的尺度与所述第二特征图的尺度相同，所述连接层用于将所述转换后的所述第二特征图和所述上采样处理后的所述第三特征图融合为第四特征图；

其中，当M大于1时，第m个所述融合子网络中的所述第三卷积层为第m-1个所述融合子网络中的所述第四卷积层，所述特征融合信息中包括每个所述融合子网络输出的所述第四特征图，1m≤M。

5.如权利要求1所述的目标检测模型的训练方法，其特征在于，所述位置回归网络包括检测框回归子网络和关键点回归子网络；

所述目标物体的位置信息包括所述目标物体的检测框的检测框位置信息和所述目标物体上的关键点的关键点位置信息；

所述将所述第一特征信息输入到所述位置回归网络进行位置回归处理，输出所述样本图像中目标物体的位置信息，包括：

将所述第一特征信息输入到所述检测框回归子网络中，输出所述检测框位置信息；

将所述第一特征信息输入到关键点回归子网络中，输出所述关键点位置信息。

6.如权利要求5所述的目标检测模型的训练方法，其特征在于，所述第一损失函数包括第二损失函数、第三损失函数和第四损失函数；

所述根据所述位置信息、所述热图数据和预设的第一损失函数计算第一损失值，包括：

根据所述检测框位置信息和所述第二损失函数计算第二损失值；

根据所述检测框位置信息、所述关键点位置信息和所述第三损失函数计算第三损失值；

根据所述热图数据和所述第四损失函数计算第四损失值；

根据所述第二损失值、所述第三损失值和所述第四损失值计算所述第一损失值。