[发明专利]模型训练方法、图像检测方法及检测装置

说明书

本发明提供了一种模型训练方法，构建乘积型Focal loss函数，使用所述乘积型Focal loss函数对神经网络模型进行模型训练并输出训练好的神经网络模型；所述乘积型Focal loss函数的构建方法包括以下步骤：设定权重值，以解决现有的损失函数均含有log运算单元，计算复杂度较高，拖慢了模型收敛速度的问题；设定样本比例平衡因子α，通过W和α构建所述乘积型Focal loss函数，降低了计算的复杂度，提高了运算速度，而且解决了分类错误的目标个体对损失函数的贡献乘幂级数增大的同时，也考虑到了分类正确的目标个体对损失函数贡献呈现幂级数降低，使得所述乘积型Focal loss函数反应的是特征图整体的判别情况。本发明提供了一种图像检测方法和检测装置。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种模型训练方法、图像检测方法及检测装置。

背景技术

人形检测是指在图像中检测是否有人形，对人形图像进行特征提取，通过提取的特征来对人形进行检测。人形检测是计算机视觉中的重要研究课题，被广泛应用于智能视频监控、车辆辅助驾驶、智能交通、智能机器人等领域。主流的人形检测方法分为基于人工图像特征的统计学习方法和基于人工神经网络的深度学习方法。深度学习方法包括损失函数，损失函数作为衡量模型预测值与真实值间不一致性的一种手段，对于模型训练过程中的自动参数调节至关重要。在神经网络训练过程，数据量往往比较庞大，对算力要求较高，而现有损失函数中往往采用交叉熵损失函数和Focal loss函数，但其均含有log运算单元，计算复杂度较高，拖慢了模型收敛速度。

公开号为CN111860631A的中国专利申请公开了一种采用错因强化方式优化损失函数的方法，其通过在原来的交叉熵损失函数的基础上加入惩罚项，调节相关性对交叉熵损失函数影响的强弱，提高了模型对物品识别的精度，能够提高深度学习网络模型的识别准确程度。但是该优化后的损失函数依然含有log运算单元，计算复杂度较高，运行速度较慢。

公开号为CN112419269A的中国专利申请公开了一种提高道面病害分割效果的改进型Focal Loss函数的构建方法及应用，包括：设定Focal Loss函数的权值w；预设阈值β，并将权值w转换成分段函数w'；利用分段函数w'对Focal Loss函数进行优化，得到改进型Focal Loss函数。通过上述方案，该发明具有分类准确、抑制错误标注带来的干扰等优点，在图像处理技术领域具有很高的实用价值和推广价值。但是该专利中的改进型Focal Loss函数依然含有log运算单元，计算复杂度较高，拖慢了模型收敛速度。

因此，有必要提供一种新型的模型训练方法、图像检测方法及检测装置以解决现有技术中存在的上述问题。

发明内容

本发明的目的在于提供一种模型训练方法、图像检测方法及检测装置，以解决现有的损失函数含有log运算单元，计算复杂度较高，拖慢了模型收敛速度的问题。

为实现上述目的，本发明的所述模型训练方法，构建乘积型Focal loss函数，使用所述乘积型Focal loss函数对神经网络模型进行模型训练并输出训练好的神经网络模型，以应用于基于人形图像数据集进行的图像检测方法；

所述乘积型Focal loss函数的构建方法包括以下步骤：

设定权重值，所述权重值的表达式为：

其中，W为所述权重值，m为调整参数，P_i 是网络模型输出的特征图中第i个像素点的预测概率值，γ为样本损失调整因子，y_i是真实样本的有效值，当y_i=1，得到的权重值为正样本的权重值，当y_i=0，得到的权重值为负样本的权重值；

设定样本比例平衡因子α；

通过W和α构建所述乘积型Focal loss函数。