[发明专利]目标检测模型的训练方法及装置、电子设备、存储介质

权利要求书

1.一种目标检测模型的训练方法，其特征在于，所述训练方法包括：

确定原始行为识别数据集；

对所述原始行为识别数据集进行数据增强处理；

对数据增强后的所述原始行为识别数据集进行裁剪处理，得到目标数据集；

构建基于自监督学习的目标检测模型；

利用所述目标数据集对所述目标检测模型进行训练，得到训练好的所述目标检测模型。

2.根据权利要求1所述的训练方法，其特征在于，所述对所述原始行为识别数据集进行数据增强处理，包括：

对所述原始行为识别数据集分别进行归一化处理、多尺度缩放处理、旋转增强处理。

3.根据权利要求2所述的训练方法，其特征在于，所述对所述原始行为识别数据集分别进行归一化处理、多尺度缩放处理、旋转增强处理，包括：

根据下式(1)对所述原始行为识别数据集进行归一化处理：

其中，i表示所述原始行为识别数据集中的图像数据，i^*表示i对应的归一化后的图像数据，max(i)表示i中的最大值，min(i)表示i中的最小值。

4.根据权利要求3所述的训练方法，其特征在于，所述对所述原始行为识别数据集分别进行归一化处理、多尺度缩放处理、旋转增强处理，包括：

根据下式(2)对归一化后的所述原始行为识别数据集进行多尺度缩放处理：

其中，f_x和f_y分别表示x轴和y轴的焦距，x和y分别表示归一化后的所述原始行为识别数据集中图像的宽和高，x′和y′分别表示多尺度缩放后的所述原始行为识别数据集中图像的宽和高。

5.根据权利要求4所述的训练方法，其特征在于，所述对所述原始行为识别数据集分别进行归一化处理、多尺度缩放处理、旋转增强处理，包括：

根据下式(3)对多尺度缩放处理后的所述原始行为识别数据集进行旋转增强处理：

其中，α表示旋转的角度，w′和h′分别表示旋转增强后的所述原始行为识别数据集中图像的宽和高。

6.根据权利要求1至5任一项所述的训练方法，其特征在于，所述对数据增强后的所述原始行为识别数据集进行裁剪处理，得到目标数据集，包括：

根据数据增强后的所述原始行为识别数据集对应的标注文件，提取目标框信息；

根据预设的数据增强流程，对所述目标框信息进行相应转换；

根据转换后的目标框信息，对数据增强后的所述原始行为识别数据集进行裁剪，得到所述目标数据集。

7.根据权利要求1至5任一项所述的训练方法，其特征在于，所述构建基于自监督学习的目标检测模型，包括：

构建基于MOCOV3的自监督学习框架，并采用ResNet-50模型作为所述自监督学习框架对应的骨干模型，得到第一模型；

根据下式(4)将所述第一模型包括的所述自监督学习框架中的动量编码器方式更改为指数加权移动平均算法，得到第二模型，其中，θ_m表示所述自监督学习框架中的key编码器的参数，θ表示所述自监督学习框架中的query编码器的参数，β∈[0,1]表示动量系数：

θ_m＝β×θ_m+(1-β)×θ   (4)

根据下式(5)将所述第二模型的编码器输出转换为预测输出，得到所述目标检测自监督模型：

prediction＝p(f_θ(i))  (5)

其中，prediction表示分类结果，p表示预测器，f_θ表示以θ为参数的query编码器，i表示所述原始行为识别数据集中的图像数据；

采用YOLOX网络作为目标检测框架，并采用CSPDarknet模型作为所述目标检测框架对应的骨干模型，利用所述目标检测自监督模型进行迁移学习，构建形成所述目标检测模型。