[发明专利]目标检测方法、模型训练方法、装置、设备及存储介质

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

获取第一样本集和第二样本集；所述第一样本集中样本数据包括采集的尾部类别数据，所述第二样本集中样本数据为获取的原始数据；

通过已训练的目标检测模型，确定所述第二样本集中样本数据的候选框；所述目标检测模型是利用所述第一样本集中样本数据训练得到的；

利用所述候选框，基于所述第二样本集中样本数据生成第三样本集；

利用所述第一样本集和所述第三样本集训练长尾目标检测模型的网络参数。

2.如权利要求1所述的方法，其特征在于，所述长尾目标检测模型至少包括用于执行定位任务的第一分支网络和用于执行分类任务的第二分支网络；

所述利用所述第一样本集和所述第三样本集训练长尾目标检测模型的网络参数，包括：

分别确定所述第一样本集通过所述第一分支网络的回归损失和通过所述第二分支网络的第一分类损失；

确定所述第三样本集通过所述第二分支网络的第二分类损失；

基于所述回归损失、所述第一分类损失和所述第二分类损失，对所述长尾目标检测模型的网络参数进行调整；

响应于所述回归损失、所述第一分类损失和所述第二分类损失均收敛的情况下，得到已训练的所述长尾目标检测模型。

3.如权利要求2所述的方法，其特征在于，所述长尾目标检测模型还包括骨干网络、区域候选网络和感兴趣区域池化网络；

所述分别确定所述第一样本集通过所述第一分支网络的回归损失和通过所述第二分支网络的第一分类损失，包括：

通过所述骨干网络对所述第一样本集中样本数据进行特征提取，得到的所述第一样本集中样本数据对应的第一特征图；

通过所述区域候选网络和所述感兴趣区域池化网络，确定所述第一样本集中各目标对象在所述第一特征图中的感兴趣特征；

基于所述第一样本集中样本数据所标注的目标框，确定所述第一特征图中的感兴趣区域通过所述第一分支网络的回归损失；

基于所述第一样本集中样本数据所标注的类别标签，确定所述第一特征图通过所述第二分支网络的第一分类损失。

4.如权利要求3所述的方法，其特征在于，所述确定所述第三样本集通过所述第二分支网络的第二分类损失，包括：

通过所述骨干网络对所述第三样本集中样本数据进行特征提取，得到的所述第三样本集中样本数据对应的第二特征图；

基于所述第三样本集中样本数据所标注的类别标签，确定所述第二特征图通过所述第二分支网络的第二分类损失。

5.如权利要求1至4任一项所述的方法，其特征在于，所述利用所述候选框，基于所述第二样本集中样本数据生成第三样本集，包括：

确定所述第二样本集中样本数据的目标框；

确定所述第二样本集中样本数据中所述候选框与所述目标框之间的交并比；

基于预设的两个重合阈值和所述交并比，从所述第二样本集中选取满足重合条件的候选框区域作为所述第三样本集。

6.如权利要求5所述的方法，其特征在于，所述预设的两个重合阈值包括第一阈值和第二阈值，所述第二阈值小于所述第一阈值；

所述基于预设的两个重合阈值和所述交并比，从所述第二样本集中选取满足重合条件的候选框区域作为所述第三样本集，包括：

响应于第一候选框与所述目标框之间的所述交并比大于所述第一阈值，从所述第二样本集中截取所述第一候选框对应的区域作为所述第三样本集的正样本；

响应于第二候选框与所述目标框之间的所述交并比小于所述第二阈值，从所述第二样本集中截取所述第二候选框对应的区域作为所述第三样本集的负样本。

7.如权利要求1至6任一项所述的方法，其特征在于，所述通过已训练的目标检测模型，确定所述第二样本集中样本数据的候选框，包括：

将所述第二样本集输入到所述已训练的目标检测模型中；所述目标检测模型至少包括区域候选网络；所述区域候选网络用于生成样本数据的候选框；

通过所述目标检测模型的区域候选网络提取所述第二样本集中样本数据的候选框。