[发明专利]实例检测网络的优化方法、装置、介质及电子设备

说明书

本申请提供一种实例检测网络的优化方法、实例检测网络的优化装置、计算机可读存储介质及电子设备；涉及人工智能技术领域；包括：通过实例检测网络提取目标图像(如，地图)中的语义特征向量和实例特征向量，并通过上述向量识别目标图像中的实例目标；计算各实例目标占全部实例目标的像素面积比和实例目标对应的类间向量距离；根据像素面积比和至少两个实例目标计算类内损失函数，根据类间向量距离和至少两个实例目标计算类间损失函数，以及根据至少两个实例目标计算语义损失函数；根据语义损失函数、类内损失函数和类间损失函数训练实例检测网络。实施本申请实施例，可以通过对于损失函数的优化提升对于地图中实例目标(如，建筑物)的检测精度。

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种实例检测网络的优化方法、实例检测网络的优化装置、计算机可读存储介质及电子设备。

背景技术

在图像识别领域中，神经网络通常需要学习图像特征从而实现对于图像中实例目标的检测，实例目标可以为人脸、动物、物品、景色、建筑物等。

对于实例目标的检测通常需要先对实例目标进行位置粗检测，以确定出候选矩形框的特征，作为精细检测的输入，进而可以通过精细检测确定出实例目标的具体位置，并分类确定实例目标类别，根据实例目标类别和具体位置检测图像中实例目标。

但是，上述方式中的候选框通常用于粗略的框选实例目标，当实例目标(如，卫星俯拍图像中的建筑物)在不同的图像中对应于不同的稠密程度且尺寸大小不一致时，通过上述方式就难以将较为稠密但是尺寸较小的实例目标进行逐个框选，也难以将尺寸较大的实例目标进行准确框选，这样容易导致实例目标检测精度不高的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本申请的目的在于提供一种实例检测网络的优化方法、实例检测网络的优化装置、计算机可读存储介质及电子设备，可以通过实例像素面积优化类内损失函数，以及通过实例的类间向量距离优化类间损失函数，提升对于实例目标的检测精度。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请的一方面，提供一种实例检测网络的优化方法，包括：

通过实例检测网络提取目标图像中的语义特征向量和实例特征向量，并通过语义特征向量和实例特征向量识别目标图像中至少两个实例目标；

计算至少两个实例目标中各实例目标占全部实例目标的像素面积比以及至少两个实例目标对应的类间向量距离；

根据像素面积比和至少两个实例目标计算类内损失函数，根据类间向量距离和至少两个实例目标计算类间损失函数，以及根据至少两个实例目标计算语义损失函数；

根据语义损失函数、类内损失函数和类间损失函数训练实例检测网络。

根据本申请的一方面，提供一种实例检测网络的优化装置，包括：特征提取单元、参数计算单元、损失函数计算单元以及参数调整单元，其中：

特征提取单元，用于通过实例检测网络提取目标图像中的语义特征向量和实例特征向量，并通过语义特征向量和实例特征向量识别目标图像中至少两个实例目标；

参数计算单元，用于计算至少两个实例目标中各实例目标占全部实例目标的像素面积比以及至少两个实例目标对应的类间向量距离；

损失函数计算单元，用于根据像素面积比和至少两个实例目标计算类内损失函数，根据类间向量距离和至少两个实例目标计算类间损失函数，以及根据至少两个实例目标计算语义损失函数；

参数调整单元，用于根据语义损失函数、类内损失函数和类间损失函数训练实例检测网络。