[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

说明书

本申请实施例公开了一种目标检测方法、模型训练方法、装置、设备及存储介质，其中，所述模型训练方法包括：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。

技术领域

本申请涉及但不限于计算机视觉技术领域，尤其涉及一种目标检测方法、模型训练方法、装置、设备及存储介质。

背景技术

目标检测是计算机视觉中的一项基础任务，是很多计算机视觉任务的前提。现有的目标检测算法在均衡的检测数据集上有不错的性能。但是在实际的下游视觉相关任务中，检测数据往往都存在长尾分布现象：相比较于具有大量样本的头部类别(如行人，机动车)，大部分的尾部类别仅有少量的样本，因此尾部类别目标检测更容易出现检测精度不理想的问题。

发明内容

有鉴于此，本申请实施例至少提供一种目标检测方法、模型训练方法、装置、设备及存储介质。

本申请实施例的技术方案是这样实现的：

一方面，本申请实施例提供一种模型训练方法，所述方法包括：

获取第一样本集和第二样本集；其中，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。

上述实施例中，首先基于尾部类别数据训练目标检测模型以输出准确的尾部类别，再利用目标检测模型预测第二样本集中网络数据的候选框，进一步基于候选框生成第三样本集，从而通过对网络数据生成准确的候选框以扩充训练集规模，减少真实场景中长尾目标数据样本不足的问题。同时图多源数据集联合训练的方式，使得长尾目标检测模型在缺失真实业务场景样本的情况下依旧能适应实战环境并提升检测精度及性能。

在一些实施例中，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。

上述实施例中，分别将第一样本集输入到长尾目标检测模型的第一分支网络和第二分支网络得到对应的回归损失和第一分类损失，将第三样本集输入到长尾目标检测模型的第二分支网络得到第二分类损失，从而通过第一分支网络和第二分支网络将目标检测的定位任务和分类任务解耦，这样仅仅使用获取的第三样本集即扩充的训练数据，来增强长尾目标检测模型的分类部分，因此能够高效利用大量扩充数据提升模型检测精度。

在一些实施例中，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。