[发明专利]目标检测方法、电子设备和存储介质

说明书

本申请提供了一种目标检测方法、电子设备和存储介质，通过预训练的细粒度目标检测模型对目标图像进行识别，由于预训练的细粒度目标检测模型的训练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得到，而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，预设细粒度类别间的学习间隔使得预设目标检测模型的损失函数在模型再训练过程中不会追求对训练样本中各实例自身差异特征的学习，从而不会导致预设目标检测模型在再训练过程中的模型复杂度比实际模型复杂度高。因此，可以有效避免细粒度识别场景下的过拟合现象，能够提高目标检测的准确性。

技术领域

本申请涉及目标检测技术领域，尤其涉及一种目标检测方法、电子设备和存储介质。

背景技术

常见的目标检测分为粗粒度目标检测和细粒度目标检测。其中，粗粒度目标检测是指针对不同类别的目标检测，而细粒度目标检测是指对同一类别内不同实例的检测。例如，对猫、狗、鸟等不同类别动物的检测为粗粒度目标检测，而对同一动物类别内，如狗类别内的不同实例，如边境牧羊犬、贵宾犬、哈士奇等的检测为细粒度目标检测。目前，在细粒度目标检测中，由于训练样本中非背景特征之间的过拟合性，使得细粒度目标检测的准确率较低，存在检测效果较差的问题。

发明内容

本申请提供了一种目标检测方法、装置、设备和存储介质，旨在提高目标检测中对细粒度类别检测的准确率，使得目标检测能够达到更好的检测效果。

第一方面，本申请实施例提供了一种目标检测方法，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。

第二方面，本申请实施例提供了一种电子设备，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，实现如上述第一方面所述的目标检测方法。

第三方面，本申请实施例提供了一种计算机可读存储介质，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上述第一方面所述的目标检测方法。

本申请实施例提供了一种目标检测方法、电子设备和存储介质，通过预训练的细粒度目标检测模型对目标图像进行识别，由于预训练的细粒度目标检测模型的训练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得到，而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，其中，预设细粒度类别间的学习间隔使得预设目标检测模型的损失函数在模型再训练过程中不会追求对训练样本中各实例自身差异特征的学习，从而不会导致预设目标检测模型在再训练过程中的模型复杂度比实际模型复杂度高。因此，可以有效避免细粒度识别场景下的过拟合现象，能够提高目标检测中对细粒度类别检测的准确性，进而使得目标检测能够达到更好的检测效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请实施例的公开内容。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1A是目标检测模型将输入图像进行划分得到的网格示意图；

图1B是目标检测模型基于Focal loss预测目标对象位置信息框的过程示意图；

图2是本申请实施例提供的电子设备的示意图；