[发明专利]预测结果标识及其模型训练方法、装置及计算机存储介质

说明书

一种预测结果标识及其模型训练方法、装置及计算机存储介质，主要包括根据样本图片，确定样本图片中标注框的类别标签和位置标签，并获得样本图片中的各锚框的各锚框预测结果，根据各锚框的各类别预测信息和各位置预测信息，以及标注框的类别标签和位置标签，确定至少一个锚框预测结果以标识为第一样本，并根据各锚框的各位置预测信息以及标注框的位置标签，确定至少一个锚框预测结果以标识为第二样本。借此，本申请可获取更好的正负样本分配参考，并可模型的优化训练性能。

技术领域

本申请实施例涉及样本标识技术领域，更具体地，涉及一种预测结果标识及其模型训练方法、装置及计算机存储介质。

背景技术

在目前基于深度学习的目标检测中，正负样本分配一般是基于预先定义的锚点和真实目标框的交并比，设定一个正阈值和一个负阈值，当锚点和真实目标框的交并比大于正阈值时，样本为正样本，小于负阈值时，样本为负样本。

然而，这种正负样本分配方式存在两个缺点：其一，依赖于锚点的设计，且锚点的设计容易因手工生成而存在生硬的缺点，例如，容易导致大目标被匹配的正样本多、小目标被匹配的正样本少；其二，在分配正样本时，由于遮挡的存在，给某个真实目标框分配的锚点中心实际上可能落在另一个目标上。

鉴于这种基于交并比的正负样本分配方式所存在的缺陷，目前有一些研究提出了可学习的正负样本分配，亦即，让神经网络学习锚点的正样本和负样本权重。然而，这种正负样本分配方式仍存在以下缺点：其一，在训练过程中引入了大量低质量正负样本，不利于网络的优化；其二，降低了负样本的损失权重，有增加假阳性的风险。

发明内容

鉴于上述问题，本申请提供一种预测结果标识及其模型训练方法、装置及计算机存储介质，以克服上述问题或者至少部分地解决上述问题。

本申请第一方面提供一种预测结果标识方法，其包括：根据样本图片，确定所述样本图片中的至少一个标注框的类别标签和位置标签，并获得所述样本图片中的各锚框的各锚框预测结果，其中，所述锚框预测结果包括类别预测信息和位置预测信息；根据各所述锚框的各所述类别预测信息和各所述位置预测信息，以及所述标注框的类别标签和位置标签，确定至少一个所述锚框预测结果以标识为第一样本；以及根据各所述锚框的各所述位置预测信息以及所述标注框的所述位置标签，确定至少一个所述锚框预测结果以标识为第二样本。

本申请第二方面提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述第一方面所述的预测结果标识方法的各所述步骤的指令。

本申请第三方面提供一种模型训练方法，其包括：利用参考模型针对样本图片中的各锚框进行预测，获得各所述锚框的各参考预测结果；利用上述第一方面所述的预测结果标识方法针对各所述参考预测结果进行标识，以确定至少一个所述参考预测结果以标识为第一样本以及确定至少一个所述参考预测结果以标识为第二样本；以及构建与所述参考模型具有相同识别能力的待优化模型，并将所述样本图片作为输入，将标识为所述第一样本和所述第二样本的各所述参考预测结果作为输出，以训练所述待优化模型。

本申请第四方面提供一种模型训练方法，其包括：执行样本获取步骤，利用参考模型针对样本图片中的各锚框进行预测，获得各所述锚框的各预测结果；利用上述第一方面所述预测结果标识方法针对各所述预测结果进行标识，确定至少一个所述预测结果以标识为候选正样本以及确定至少一个所述预测结果以标识为负样本；以及提供打分器针对各所述候选正样本进行打分，并根据打分结果筛选各候选正样本以获得至少一个正样本，并利用所述正样本和所述负样本训练待优化模型。

本申请第五方面提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述第三方面或第四方面所述的模型训练方法的各所述步骤的指令。