[发明专利]目标检测方法、电子设备和存储介质

权利要求书

1.一种目标检测方法，其特征在于，包括：

获取待检测的目标图像；

预训练细粒度目标检测模型，其中，预训练所述细粒度目标检测模型的过程包括基于间隔损失函数对预设目标检测模型进行再训练，所述间隔损失函数由基于预设细粒度类别间的学习间隔和预设目标检测模型的损失函数确定；

将所述目标图像输入预训练的所述细粒度目标检测模型进行目标识别，得到所述目标图像中目标对象的细粒度类别及位置。

2.根据权利要求1所述的目标检测方法，其特征在于，在预训练细粒度目标检测模型之前，还包括：

基于所述预设细粒度类别间的学习间隔和所述预设目标检测模型的损失函数，确定所述细粒度目标检测模型的间隔损失函数。

3.根据权利要求2所述的目标检测方法，其特征在于，所述基于预设细粒度类别间的学习间隔和预设目标检测模型的损失函数，确定所述细粒度目标检测模型的间隔损失函数，包括：

将预设数量的训练样本输入所述预设目标检测模型进行目标识别，得到所述训练样本中目标对象属于各预设细粒度类别的第一预测概率向量；

基于预设的所述细粒度类别间的学习间隔更新所述第一预测概率向量，得到第二预测概率向量；

对所述第二预测概率向量进行归一化处理，得到所述训练样本中目标对象属于各预设细粒度类别的概率值；

根据所述训练样本中目标对象属于各预设细粒度类别的概率值和预设目标检测模型的损失函数，确定所述细粒度目标检测模型的所述间隔损失函数。

4.根据权利要求2或3所述的目标检测方法，其特征在于，所述基于间隔损失函数对预设目标检测模型进行再训练，包括：

基于所述间隔损失函数调用预设的模型优化规则，更新所述目标检测模型的模型参数，得到所述细粒度目标检测模型。

5.根据权利要求3所述的目标检测方法，其特征在于，所述基于预设的所述细粒度类别间的学习间隔更新所述第一预测概率向量，得到第二预测概率向量，包括：

通过目标预测概率值减去所述细粒度类别间的学习间隔，得到所述第二预测概率向量；

其中，所述目标预测概率值为训练样本中目标对象属于各预设细粒度类别的第一预测概率值，所述目标预测概率值构成所述第一预测概率向量。

6.根据权利要求3或5所述的目标检测方法，其特征在于，对所述第二预测概率向量进行归一化处理，得到各个所述训练样本中目标对象属于各预设细粒度类别的概率值，包括：

将所述第二预测概率向量输入预设的归一化函数进行归一化处理，得到目标映射值；所述目标映射值为所述第二预测概率向量中各个向量值分别对应的映射值；

基于所述目标映射值确定各个所述训练样本中目标对象属于各预设细粒度类别的概率值。

7.根据权利要求6所述的目标检测方法，其特征在于，所述预设目标检测模型由基于细粒度目标检测数据集对深度检测神经网络进行训练得到，所述预设目标检测模型的输入为所述细粒度目标检测数据集中的样本图片，输出为预测的目标对象位置框和目标预测概率值；

其中，所述目标预测概率值为目标对象属于各预设细粒度类别的第一预测概率值；所述细粒度目标检测数据集包括标注了目标对象信息的样本图片。

8.根据权利要求6或7所述的目标检测方法，其特征在于，所述预设目标检测模型的损失函数包括预设类别损失函数，所述预训练的细粒度目标检测模型的损失函数包括预设间隔损失函数。

9.一种电子设备，其特征在于，包括存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如权利要求1-8中任一项所述的目标检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-8中任一项所述的目标检测方法。