[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

说明书

本公开实施例涉及目标识别技术领域，提供了一种目标检测模型的训练方法及装置、电子设备、存储介质，训练方法包括：确定原始行为识别数据集；对原始行为识别数据集进行数据增强处理；对数据增强后的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；利用目标数据集对目标检测模型进行训练，得到训练好的目标检测模型。本公开实施例的基于自监督学习的目标检测模型，能够从大规模未标记数据中学习图像特征，而无需使用任何人工标注数据，并能达到甚至超越监督学习方法达到的精度，有效解决现有的目标检测算法对小目标物体检测不准确且分类错误的问题。

技术领域

本公开涉及目标识别技术领域，特别涉及一种目标检测模型的训练方法及装置、电子设备、存储介质。

背景技术

视觉表示的自监督学习是计算机视觉中的一个重要问题，旨在利用辅助任务从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征，使其有助于许多下游任务，如图像分类、目标检测和语义分割。以往的自监督学习方法侧重于设计不同的前置任务，具体可分为基于上下文自监督学习方法、基于时序自监督学习方法和基于对比自监督学习方法。其中，最有前途的方向之一是基于对比自监督学习方法，它将一幅图像转换为多个视图，使同一图像的视图之间的距离最小化，并使特征图中不同图像的视图之间的距离最大化。

现有的目标检测算法有单阶段和双阶段两种。其中，双阶段检测指的是检测算法需要分两步完成。第一步需要获取候选区域，在获取候选区域时通常采用选择性搜索，其算法原理为：首先将每个像素作为一组，然后，计算每一组的纹理，并将两个最接近的组结合起来。在这一步骤中，为了避免单个区域吞噬其他区域，首先对较小的组进行分组，之后继续合并区域，直到所有区域都结合在一起。第二步使用支持向量机(Support VectorMachine，SVM)对区域进行分类，使用线性回归损失来校正边界框，以实现目标分类并得到检测框。与双阶段检测相对的是单阶段检测，其检测算法仅需一步完成，不需要单独寻找候选区域，直接通过神经网络产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此，与双阶段检测相比，单阶段检测有着更快的检测速度。其中，单阶段检测采用的神经网络包含三个部分：卷积层，用于提取图片特征；目标检测层，根据提取的图片特征使用区域生成网络头(RPNhead)生成检测框，非极大值抑制(Non MaximumSuppression，NMS)层，用于去除冗余的检测框。

然而，现有的监督式学习过于依赖大规模标注数据集，数据集的收集和人工标注会耗费大量的人力成本，缺乏适用于目标检测的自监督辅助任务。同时，现有的目标检测算法无法准确检测小目标物体，且容易出现分类错误的问题。

发明内容

本公开旨在至少解决现有技术中存在的问题之一，提供一种目标检测模型的训练方法及装置、电子设备、存储介质。

本公开的一个方面，提供了一种目标检测模型的训练方法，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。

可选的，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。

可选的，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：