CN110135456A - 一种目标检测模型的训练方法及装置 - Google Patents
一种目标检测模型的训练方法及装置 Download PDFInfo
- Publication number
- CN110135456A CN110135456A CN201910275732.4A CN201910275732A CN110135456A CN 110135456 A CN110135456 A CN 110135456A CN 201910275732 A CN201910275732 A CN 201910275732A CN 110135456 A CN110135456 A CN 110135456A
- Authority
- CN
- China
- Prior art keywords
- target
- detection model
- area
- trained
- sample image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种目标检测模型的训练方法及装置,涉及图像处理技术领域。该方法包括:通过待训练的目标检测模型确定第一样本图像中包含检测对象的检测区域,根据第一样本图像中预先标记的包含检测对象的目标区域,确定检测区域与目标区域之间的重叠度,并将重叠度小于预设第一阈值的检测区域标记为背景区域,根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。采用本申请可以降低目标检测模型的误检率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种目标检测模型的训练方法及装置。
背景技术
目标检测是检测图像中检测对象的位置的一种技术,在人脸识别、车辆识别以及动态追踪等方面都有广泛的应用前景。目标检测是通过目标检测模型检测图像中检测对象(例如车辆)的位置信息,例如,输出包围检测对象的边界框位置信息。现有技术中,误检(即将图像中背景区域检测成目标区域)是影响目标检测模型应用的一个重要问题。
为了降低目标检测模型的误检率,现有技术中在根据样本图像中标记的检测对象的目标区域对目标检测模型训练的情况下,还会在样本图像中除检测对象的目标区域以外的区域中,随机标记背景区域,然后,根据样本图像中的标记的背景区域,对目标检测模型进行训练。
然而,现有技术中样本图像中标记的背景区域是随机标记的,根据样本图像中随机标记的背景区域,对目标检测模型进行训练,训练后的目标检测模型的误检率较高。
发明内容
本申请实施例的目的在于提供一种目标检测模型的训练方法及装置,可以降低目标检测模型的误检率。具体技术方案如下:
第一方面,提供了一种目标检测模型的训练方法,所述方法包括:
通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域;
根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度;
将重叠度小于预设第一阈值的检测区域,标记为背景区域;
根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。
可选的,所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域之前,所述方法还包括:
根据标记有包含检测对象的目标区域的初始样本图像,对初始的目标检测模型进行训练,直至训练后的目标检测模型的损失函数收敛;
将训练后的目标检测模型作为待训练的目标检测模型。
可选的,所述根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度,包括:
根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域的交集面积,及所述检测区域与所述目标区域的并集面积;
确定所述交集面积与所述并集面积的比值,得到所述检测区域与所述目标区域之间的重叠度。
可选的,所述根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,包括:
根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数;
如果所述第一样本图像中标记的背景区域的个数小于所述背景区域的需求个数,则确定所述背景区域的需求个数与所述第一样本图像中标记的背景区域的个数的第一差值;
从所述第一样本图像的标记的目标区域以外的区域中,确定所述第一差值数目个区域,并将确定的区域标记为背景区域;
根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
可选的,所述根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数之后,所述方法还包括:
如果所述第一样本图像中标记的背景区域的个数大于所述背景区域的需求个数,则确定所述第一样本图像中标记的背景区域的个数与所述背景区域的需求个数的第二差值;
从所述第一样本图像中,取消所述第二差值数目个背景区域的标记;
根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
可选的,所述根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件,包括:
根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练;
确定训练得到的目标检测模型的召回率和误检率;
如果所述训练得到的目标检测模型的召回率小于预设第二阈值或所述训练得到的目标检测模型的误检率小于预设第三阈值,则将所述训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。
第二方面,提供了一种目标检测模型的训练装置,所述装置包括:
检测模块,用于通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域;
确定模块,用于根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度;
标记模块,用于将重叠度小于预设第一阈值的检测区域,标记为背景区域;
训练模块,用于根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。
可选的,所述装置还包括预训练模块,所述预训练模块具体用于:
根据标记有包含检测对象的目标区域的初始样本图像,对初始的目标检测模型进行训练,直至训练后的目标检测模型的损失函数收敛;
将训练后的目标检测模型作为待训练的目标检测模型。
可选的,所述确定模块,包括:
第一确定单元,用于根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域的交集面积,及所述检测区域与所述目标区域的并集面积;
第二确定单元,用于确定所述交集面积与所述并集面积的比值,得到所述检测区域与所述目标区域之间的重叠度。
可选的,所述训练模块,包括:
第二确定单元,用于根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数;
第三确定单元,用于如果所述第一样本图像中标记的背景区域的个数小于所述背景区域的需求个数,则确定所述背景区域的需求个数与所述第一样本图像中标记的背景区域的个数的第一差值;
第一标记单元,用于从所述第一样本图像的标记的目标区域以外的区域中,确定所述第一差值数目个区域,并将确定的区域标记为背景区域;
第一训练单元,用于根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
可选的,所述第三确定单元,还用于如果所述第一样本图像中标记的背景区域的个数大于所述背景区域的需求个数,则确定所述第一样本图像中标记的背景区域的个数与所述背景区域的需求个数的第二差值;
第一标记单元,还用于从所述第一样本图像中,取消所述第二差值数目个背景区域的标记;
第一训练单元,还用于根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
可选的,所述训练模块,包括:
第二训练单元,用于根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练;
第四确定单元,用于确定训练得到的目标检测模型的召回率和误检率;
返回单元,用于如果所述训练得到的目标检测模型的召回率小于预设第二阈值或所述训练得到的目标检测模型的误检率小于预设第三阈值,则将所述训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。
第三方面,提供了一种电子设备,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现第一方面所述的方法步骤。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行第一方面所述的方法。
本申请实施例提供的一种目标检测模型的训练方法及装置,可以通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域,然后,根据第一样本图像中预先标记的包含检测对象的目标区域,确定检测区域与目标区域之间的重叠度,并将重叠度小于预设第一阈值的检测区域,标记为背景区域,然后,根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。本申请将与标记的目标区域重叠度小于预设第一区域的检测区域判定为误检区域,并将该检测区域标记为背景区域,再根据第一样本图像中标记的背景区域和目标区域对目标检测模型训练,可以对误检区域进行针对性的训练,降低了目标检测模型的误检率。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种目标检测模型的训练方法流程图;
图2为本申请实施例提供的一种根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练的方法流程图;
图3为本申请实施例提供的一种目标检测模型的训练装置结构示意图;
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种目标检测模型的训练方法,应用于计算机、手机等电子设备,电子设备可以通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域。然后,电子设备根据第一样本图像中预先标记的包含检测对象的目标区域,确定检测区域与目标区域之间的重叠度,并将重叠度小于预设第一阈值的检测区域,标记为背景区域。然后,电子设备根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。本申请将与标记的目标区域重叠度小于预设第一区域的检测区域判定为误检区域,并将该检测区域标记为背景区域,再根据第一样本图像中标记的背景区域和目标区域对目标检测模型训练,可以对误检区域进行针对性的训练,降低了目标检测模型的误检率。
下面将结合具体实施方式,对本申请实施例提供的目标检测模型的训练方法进行详细的说明,如图1所示,具体步骤如下:
步骤101,通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域。
其中,第一样本图像中标记有检测对象的目标区域,检测对象可以为车辆、行人、建筑物等。目标分类模型包括分类目标函数,分类目标函数用于对检测图像中预先设置的锚点框分类,以确定包含检测对象的检测区域。
本申请实施例中,电子设备可以将初始的目标检测模型作为待训练的目标检测模型,也可以对初始的目标检测模型进行预训练,然后将经过预训练的目标检测模型作为待训练的目标检测模型。然后,电子设备可以通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域。其中,第一样本图像的个数可以为多个。例如,电子设备通过待训练的检测模型对每一张第一样本图像检测后,输出如下形式的检测区域信息:(xn1,yn1,xn2,yn2,clsam)。其中,xn1表示检测区域的左上角x轴坐标,yn1表示检测区域的左上角y轴坐标,xn2表示检测区域的右下角x轴坐标,yn2表示检测区域的右下角y轴坐标,clsam表示前景目标类别(即检测对象类别)。
可选的,通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域之前,本申请实施例还提供了一种确定待训练的目标检测模型的方法示例,具体过程包括:根据标记有包含检测对象的目标区域的初始样本图像,对初始的目标检测模型进行训练,直至训练后的目标检测模型的损失函数收敛。将训练后的目标检测模型作为待训练的目标检测模型。
本申请实施例中,电子设备可以根据标记有包含检测对象的目标区域的初始样本图像,对初始的目标检测模型进行训练,直至训练后的目标检测模型的分类损失函数和回归损失函数收敛。然后,电子设备将训练后的目标检测模型作为待训练的目标检测模型。
步骤102,根据第一样本图像中预先标记的包含检测对象的目标区域,确定检测区域与目标区域之间的重叠度。
本申请实施例中,电子设备可以确定同一检测对象的检测区域与目标区域之间的重叠度。具体的确定方式可以为:确定检测区域与目标区域的交集面积,确定检测区域与目标区域的并集面积,确定交集面积与并集面积的比值,得到检测区域与目标区域之间的重叠度。例如,检测区域和目标区域的交集面积为area_overlap,检测区域和目标区域的并集面积为area_union,则检测区域和目标区域之间的重叠度为area_overlap/area_union。
在确定出多个检测区域的情况下,针对每个检测区域,电子设备可以确定与该检测区域包含的检测对象的类别相同,且重叠度最高的目标区域,得到与该检测区域包含的检测对象相同的目标区域。然后,电子设备可以确定该检测区域和与该检测区域包含的检测对象相同的目标区域的重叠度。
步骤103,将重叠度小于预设第一阈值的检测区域,标记为背景区域。
本申请实施例中,电子设备可以将重叠度小于预设第一阈值的检测区域,判定为错误的检测区域(即误检区域),并将该检测区域标记为背景区域。电子设备可以将重叠度大于预设第一阈值的检测区域,判定为正确的检测区域。
步骤104,根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。
本申请实施例中,电子设备可以根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练,其中,背景区域仅进入目标检测模型的分类目标函数进行训练。然后,电子设备将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,直至训练的次数达到预设次数为止。然后,电子设备可以判断训练得到的目标检测模型是否满足预设准确度条件,如果训练得到的目标检测模型不满足预设准确度条件,则将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中检测对象的检测区域的步骤。如果训练得到的目标检测模型不满足预设准确度条件,则电子设备停止训练,并将训练得到的目标检测模型,作为最终的目标检测模型。例如,电子设备利用训练得到的目标检测模型检测预先存储的第二样本图像,确定目标检测模型的召回率和误检率,如果训练得到的目标检测模型的召回率小于预设第二阈值或训练得到的目标检测模型的误检率小于预设第三阈值,则将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。其中,召回率为目标检测模型在第二样本图像中检测到正确检测区域的检测对象的个数与第二样本图像中检测对象的总数目的比率,误检率为目标检测模型在第二样本图像中检测到错误的检测区域的个数与目标检测模型在第二样本图像中检测到的检测区域的总数的比率。
本申请将与标记的目标区域重叠度小于预设第一区域的检测区域判定为误检区域,并将该检测区域标记为背景区域,再根据第一样本图像中标记的背景区域和目标区域对目标检测模型训练,可以对误检区域进行针对性的训练,降低了目标检测模型的误检率。
可选的,步骤104的具体过程可以包括:根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练。确定训练得到的目标检测模型的召回率和误检率。如果训练得到的目标检测模型的召回率小于预设第二阈值或训练得到的目标检测模型的误检率小于预设第三阈值,则将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。
本申请实施例中,电子设备可以根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练,然后,电子设备利用训练得到的目标检测模型检测预先存储的第二样本图像,确定目标检测模型的召回率和误检率,如果训练得到的目标检测模型的召回率小于预设第二阈值或训练得到的目标检测模型的误检率小于预设第三阈值,则将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。如果训练得到的目标检测模型的召回率大于预设第二阈值且训练得到的目标检测模型的误检率小于预设第三阈值,则电子设备停止训练,并将训练得到的目标检测模型,作为最终的目标检测模型。
可选的,如图2所示,本申请实施例还提供了一种根据第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练的方法示例,具体步骤如下:
步骤201,根据第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数。
其中,预设比率可以为目标区域的需求个数与背景区域的需求个数的比率。
本申请实施例中,电子设备可以根据第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数,例如,第一样本图像中标记的目标区域的个数为a,预设比率为r,则背景区域的需求个数为a/r。
步骤202,如果第一样本图像中标记的背景区域的个数小于背景区域的需求个数,则确定背景区域的需求个数与第一样本图像中标记的背景区域的个数的第一差值。
本申请实施例中,如果第一样本图像中标记的背景区域的个数小于背景区域的需求个数,则电子设备确定背景区域的需求个数与第一样本图像中标记的背景区域的个数的第一差值。例如,背景区域的需求个数为C1,标记的背景区域的个数C2,第一差值为C1-C2。
步骤203,从第一样本图像的标记的目标区域以外的区域中,确定第一差值数目个区域,并将确定的区域标记为背景区域。
本申请实施例中,电子设备可以从第一样本图像的标记的目标区域以外的区域中,确定第一差值数目个区域,并将确定的区域标记为背景区域。
步骤204,根据当前的第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练。
本申请实施例中,电子设备可以根据当前的第一样本图像中标记的背景区域和标记的目标区域,对待训练的目标检测模型进行训练。
可选的,在根据第一样本图像中标记的检测对象的目标区域的个数和预设比率,确定背景区域的需求个数之后,如果第一样本图像中标记的背景区域的个数大于背景区域的需求个数,电子设备可以确定第一样本图像中标记的背景区域的个数与背景区域的需求个数的第二差值,然后,从第一样本图像中,取消第二差值数目个背景区域的标记,根据当前的第一样本图像中标记的背景区域和标记的检测对象的目标区域,对待训练的目标检测模型进行训练。
本申请将第一样本图像中标记的背景区域的个数和目标区域的个数保持预设的比率,然后,根据第一样本图像中标记的背景区域和目标区域,对目标检测模型进行训练,可以降低目标检测模型的误检率。
基于相同的技术构思,如图3所示,本申请实施例还提供了一种目标检测模型的训练装置,所述装置包括:
检测模块301,用于通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域;
确定模块302,用于根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度;
标记模块303,用于将重叠度小于预设第一阈值的检测区域,标记为背景区域;
训练模块304,用于根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。
可选的,所述装置还包括预训练模块,所述预训练模块具体用于:
根据标记有包含检测对象的目标区域的初始样本图像,对初始的目标检测模型进行训练,直至训练后的目标检测模型的损失函数收敛;
将训练后的目标检测模型作为待训练的目标检测模型。
可选的,所述确定模块302,包括:
第一确定单元,用于根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域的交集面积,及所述检测区域与所述目标区域的并集面积;
第二确定单元,用于确定所述交集面积与所述并集面积的比值,得到所述检测区域与所述目标区域之间的重叠度。
可选的,所述训练模块304,包括:
第二确定单元,用于根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数;
第三确定单元,用于如果所述第一样本图像中标记的背景区域的个数小于所述背景区域的需求个数,则确定所述背景区域的需求个数与所述第一样本图像中标记的背景区域的个数的第一差值;
第一标记单元,用于从所述第一样本图像的标记的目标区域以外的区域中,确定所述第一差值数目个区域,并将确定的区域标记为背景区域;
第一训练单元,用于根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
可选的,所述第三确定单元,还用于如果所述第一样本图像中标记的背景区域的个数大于所述背景区域的需求个数,则确定所述第一样本图像中标记的背景区域的个数与所述背景区域的需求个数的第二差值;
第一标记单元,还用于从所述第一样本图像中,取消所述第二差值数目个背景区域的标记;
第一训练单元,还用于根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
可选的,所述训练模块304,包括:
第二训练单元,用于根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练;
第四确定单元,用于确定训练得到的目标检测模型的召回率和误检率;
返回单元,用于如果所述训练得到的目标检测模型的召回率小于预设第二阈值或所述训练得到的目标检测模型的误检率小于预设第三阈值,则将所述训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。
本申请实施例还提供了一种电子设备,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域;
根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度;
将重叠度小于预设第一阈值的检测区域,标记为背景区域;
根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。
可选的,所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域之前,所述方法还包括:
根据标记有包含检测对象的目标区域的初始样本图像,对初始的目标检测模型进行训练,直至训练后的目标检测模型的损失函数收敛;
将训练后的目标检测模型作为待训练的目标检测模型。
可选的,所述根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度,包括:
根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域的交集面积,及所述检测区域与所述目标区域的并集面积;
确定所述交集面积与所述并集面积的比值,得到所述检测区域与所述目标区域之间的重叠度。
可选的,所述根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,包括:
根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数;
如果所述第一样本图像中标记的背景区域的个数小于所述背景区域的需求个数,则确定所述背景区域的需求个数与所述第一样本图像中标记的背景区域的个数的第一差值;
从所述第一样本图像的标记的目标区域以外的区域中,确定所述第一差值数目个区域,并将确定的区域标记为背景区域;
根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
可选的,所述根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数之后,所述方法还包括:
如果所述第一样本图像中标记的背景区域的个数大于所述背景区域的需求个数,则确定所述第一样本图像中标记的背景区域的个数与所述背景区域的需求个数的第二差值;
从所述第一样本图像中,取消所述第二差值数目个背景区域的标记;
根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
可选的,所述根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件,包括:
根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练;
确定训练得到的目标检测模型的召回率和误检率;
如果所述训练得到的目标检测模型的召回率小于预设第二阈值或所述训练得到的目标检测模型的误检率小于预设第三阈值,则将所述训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一目标检测模型的训练方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一目标检测模型的训练方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质、计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (14)
1.一种目标检测模型的训练方法,其特征在于,所述方法包括:
通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域;
根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度;
将重叠度小于预设第一阈值的检测区域,标记为背景区域;
根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。
2.根据权利要求1所述的方法,其特征在于,所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域之前,所述方法还包括:
根据标记有包含检测对象的目标区域的初始样本图像,对初始的目标检测模型进行训练,直至训练后的目标检测模型的损失函数收敛;
将训练后的目标检测模型作为待训练的目标检测模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度,包括:
根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域的交集面积,及所述检测区域与所述目标区域的并集面积;
确定所述交集面积与所述并集面积的比值,得到所述检测区域与所述目标区域之间的重叠度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,包括:
根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数;
如果所述第一样本图像中标记的背景区域的个数小于所述背景区域的需求个数,则确定所述背景区域的需求个数与所述第一样本图像中标记的背景区域的个数的第一差值;
从所述第一样本图像的标记的目标区域以外的区域中,确定所述第一差值数目个区域,并将确定的区域标记为背景区域;
根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数之后,所述方法还包括:
如果所述第一样本图像中标记的背景区域的个数大于所述背景区域的需求个数,则确定所述第一样本图像中标记的背景区域的个数与所述背景区域的需求个数的第二差值;
从所述第一样本图像中,取消所述第二差值数目个背景区域的标记;
根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件,包括:
根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练;
确定训练得到的目标检测模型的召回率和误检率;
如果所述训练得到的目标检测模型的召回率小于预设第二阈值或所述训练得到的目标检测模型的误检率小于预设第三阈值,则将所述训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。
7.一种目标检测模型的训练装置,其特征在于,所述装置包括:
检测模块,用于通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域;
确定模块,用于根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域之间的重叠度;
标记模块,用于将重叠度小于预设第一阈值的检测区域,标记为背景区域;
训练模块,用于根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练,将训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤,以使训练得到的目标检测模型满足预设准确度条件。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括预训练模块,所述预训练模块具体用于:
根据标记有包含检测对象的目标区域的初始样本图像,对初始的目标检测模型进行训练,直至训练后的目标检测模型的损失函数收敛;
将训练后的目标检测模型作为待训练的目标检测模型。
9.根据权利要求7所述的装置,其特征在于,所述确定模块,包括:
第一确定单元,用于根据所述第一样本图像中预先标记的包含所述检测对象的目标区域,确定所述检测区域与所述目标区域的交集面积,及所述检测区域与所述目标区域的并集面积;
第二确定单元,用于确定所述交集面积与所述并集面积的比值,得到所述检测区域与所述目标区域之间的重叠度。
10.根据权利要求7所述的装置,其特征在于,所述训练模块,包括:
第二确定单元,用于根据所述第一样本图像中标记的目标区域的个数和预设比率,确定背景区域的需求个数;
第三确定单元,用于如果所述第一样本图像中标记的背景区域的个数小于所述背景区域的需求个数,则确定所述背景区域的需求个数与所述第一样本图像中标记的背景区域的个数的第一差值;
第一标记单元,用于从所述第一样本图像的标记的目标区域以外的区域中,确定所述第一差值数目个区域,并将确定的区域标记为背景区域;
第一训练单元,用于根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
11.根据权利要求10所述的装置,其特征在于,所述第三确定单元,还用于如果所述第一样本图像中标记的背景区域的个数大于所述背景区域的需求个数,则确定所述第一样本图像中标记的背景区域的个数与所述背景区域的需求个数的第二差值;
第一标记单元,还用于从所述第一样本图像中,取消所述第二差值数目个背景区域的标记;
第一训练单元,还用于根据当前的第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练。
12.根据权利要求7所述的装置,其特征在于,所述训练模块,包括:
第二训练单元,用于根据所述第一样本图像中标记的背景区域和标记的目标区域,对所述待训练的目标检测模型进行训练;
第四确定单元,用于确定训练得到的目标检测模型的召回率和误检率;
返回单元,用于如果所述训练得到的目标检测模型的召回率小于预设第二阈值或所述训练得到的目标检测模型的误检率小于预设第三阈值,则将所述训练得到的目标检测模型作为当前的待训练的目标检测模型,并返回所述通过待训练的目标检测模型,确定第一样本图像中包含检测对象的检测区域的步骤。
13.一种电子设备,其特征在于,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910275732.4A CN110135456A (zh) | 2019-04-08 | 2019-04-08 | 一种目标检测模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910275732.4A CN110135456A (zh) | 2019-04-08 | 2019-04-08 | 一种目标检测模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135456A true CN110135456A (zh) | 2019-08-16 |
Family
ID=67569570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910275732.4A Pending CN110135456A (zh) | 2019-04-08 | 2019-04-08 | 一种目标检测模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135456A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728229A (zh) * | 2019-10-09 | 2020-01-24 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置、设备和存储介质 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101200252A (zh) * | 2007-12-10 | 2008-06-18 | 中国科学院计算技术研究所 | 一种目标场所优化调度方法及系统 |
CN101551852A (zh) * | 2008-04-01 | 2009-10-07 | 索尼(中国)有限公司 | 训练系统、训练方法和检测方法 |
CN104156734A (zh) * | 2014-08-19 | 2014-11-19 | 中国地质大学(武汉) | 一种基于随机蕨分类器的全自主在线学习方法 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
CN106326893A (zh) * | 2016-08-25 | 2017-01-11 | 安徽水滴科技有限责任公司 | 一种基于区域辨别的车辆颜色识别方法 |
CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
CN106530305A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 语义分割模型训练和图像分割方法及装置、计算设备 |
CN106529565A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 目标识别模型训练和目标识别方法及装置、计算设备 |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
CN107169421A (zh) * | 2017-04-20 | 2017-09-15 | 华南理工大学 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
CN107341517A (zh) * | 2017-07-07 | 2017-11-10 | 哈尔滨工业大学 | 一种基于深度学习层级间特征融合的多尺度小物体检测方法 |
CN107368845A (zh) * | 2017-06-15 | 2017-11-21 | 华南理工大学 | 一种基于优化候选区域的Faster R‑CNN目标检测方法 |
US20180032840A1 (en) * | 2016-07-27 | 2018-02-01 | Beijing Kuangshi Technology Co., Ltd. | Method and apparatus for neural network training and construction and method and apparatus for object detection |
US20180181881A1 (en) * | 2016-12-22 | 2018-06-28 | Samsung Electronics Co., Ltd. | System and method for training deep learning classification networks |
CN108416287A (zh) * | 2018-03-04 | 2018-08-17 | 南京理工大学 | 一种基于遗漏负样本挖掘的行人检测方法 |
CN108805259A (zh) * | 2018-05-23 | 2018-11-13 | 北京达佳互联信息技术有限公司 | 神经网络模型训练方法、装置、存储介质及终端设备 |
CN108898065A (zh) * | 2018-05-31 | 2018-11-27 | 北京航空航天大学 | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 |
CN108921111A (zh) * | 2018-07-06 | 2018-11-30 | 南京旷云科技有限公司 | 对象检测后处理方法及对应装置 |
CN109190442A (zh) * | 2018-06-26 | 2019-01-11 | 杭州雄迈集成电路技术有限公司 | 一种基于深度级联卷积神经网络的快速人脸检测方法 |
CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
CN109271970A (zh) * | 2018-10-30 | 2019-01-25 | 北京旷视科技有限公司 | 人脸检测模型训练方法及装置 |
CN109410190A (zh) * | 2018-10-15 | 2019-03-01 | 广东电网有限责任公司 | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 |
CN109409517A (zh) * | 2018-09-30 | 2019-03-01 | 北京字节跳动网络技术有限公司 | 物体检测网络的训练方法和装置 |
CN109558902A (zh) * | 2018-11-20 | 2019-04-02 | 成都通甲优博科技有限责任公司 | 一种快速目标检测方法 |
-
2019
- 2019-04-08 CN CN201910275732.4A patent/CN110135456A/zh active Pending
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101200252A (zh) * | 2007-12-10 | 2008-06-18 | 中国科学院计算技术研究所 | 一种目标场所优化调度方法及系统 |
CN101551852A (zh) * | 2008-04-01 | 2009-10-07 | 索尼(中国)有限公司 | 训练系统、训练方法和检测方法 |
CN104156734A (zh) * | 2014-08-19 | 2014-11-19 | 中国地质大学(武汉) | 一种基于随机蕨分类器的全自主在线学习方法 |
CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
US20180032840A1 (en) * | 2016-07-27 | 2018-02-01 | Beijing Kuangshi Technology Co., Ltd. | Method and apparatus for neural network training and construction and method and apparatus for object detection |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
CN106326893A (zh) * | 2016-08-25 | 2017-01-11 | 安徽水滴科技有限责任公司 | 一种基于区域辨别的车辆颜色识别方法 |
CN106530305A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 语义分割模型训练和图像分割方法及装置、计算设备 |
CN106529565A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 目标识别模型训练和目标识别方法及装置、计算设备 |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
US20180181881A1 (en) * | 2016-12-22 | 2018-06-28 | Samsung Electronics Co., Ltd. | System and method for training deep learning classification networks |
CN107169421A (zh) * | 2017-04-20 | 2017-09-15 | 华南理工大学 | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 |
CN107368845A (zh) * | 2017-06-15 | 2017-11-21 | 华南理工大学 | 一种基于优化候选区域的Faster R‑CNN目标检测方法 |
CN107341517A (zh) * | 2017-07-07 | 2017-11-10 | 哈尔滨工业大学 | 一种基于深度学习层级间特征融合的多尺度小物体检测方法 |
CN108416287A (zh) * | 2018-03-04 | 2018-08-17 | 南京理工大学 | 一种基于遗漏负样本挖掘的行人检测方法 |
CN108805259A (zh) * | 2018-05-23 | 2018-11-13 | 北京达佳互联信息技术有限公司 | 神经网络模型训练方法、装置、存储介质及终端设备 |
CN108898065A (zh) * | 2018-05-31 | 2018-11-27 | 北京航空航天大学 | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 |
CN109190442A (zh) * | 2018-06-26 | 2019-01-11 | 杭州雄迈集成电路技术有限公司 | 一种基于深度级联卷积神经网络的快速人脸检测方法 |
CN108921111A (zh) * | 2018-07-06 | 2018-11-30 | 南京旷云科技有限公司 | 对象检测后处理方法及对应装置 |
CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
CN109409517A (zh) * | 2018-09-30 | 2019-03-01 | 北京字节跳动网络技术有限公司 | 物体检测网络的训练方法和装置 |
CN109410190A (zh) * | 2018-10-15 | 2019-03-01 | 广东电网有限责任公司 | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 |
CN109271970A (zh) * | 2018-10-30 | 2019-01-25 | 北京旷视科技有限公司 | 人脸检测模型训练方法及装置 |
CN109558902A (zh) * | 2018-11-20 | 2019-04-02 | 成都通甲优博科技有限责任公司 | 一种快速目标检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728229A (zh) * | 2019-10-09 | 2020-01-24 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置、设备和存储介质 |
CN110728229B (zh) * | 2019-10-09 | 2023-07-18 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110113226A (zh) | 一种检测设备异常的方法及装置 | |
EP4040401A1 (en) | Image processing method and apparatus, device and storage medium | |
CN103176735A (zh) | 便携式终端中控制柔性显示器的方法和装置 | |
TWI608744B (zh) | 估算裝置及其無線網路之通訊品質估算方法及電表安裝方法 | |
US8296707B2 (en) | Implementing spare latch placement quality determination | |
CN109697414A (zh) | 一种文本定位方法及装置 | |
CN108733371A (zh) | 一种界面生成方法、装置及设备 | |
CN107506162A (zh) | 坐标映射方法、计算机可读存储介质和投影仪 | |
CN105786281A (zh) | 一种电容屏抗电磁干扰的方法和装置 | |
CN102495926B (zh) | 三维原始模型的检验方法及装置 | |
CN105628211A (zh) | 一种温度测量方法,终端和服务器 | |
CN106598379A (zh) | 管理应用程序的方法及装置 | |
CN110135456A (zh) | 一种目标检测模型的训练方法及装置 | |
CN111126268A (zh) | 关键点检测模型训练方法、装置、电子设备及存储介质 | |
CN112215271B (zh) | 一种基于多头注意力机制的抗遮挡目标检测方法及设备 | |
CN113741446A (zh) | 一种机器人自主探索的方法、终端设备及存储介质 | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和系统 | |
CN107133328A (zh) | 管线埋深精度检测方法及装置 | |
CN110321540A (zh) | 一种生成表单的方法、装置、电子设备及介质 | |
CN115101135A (zh) | 岩石物理参数敏感度分析方法及装置 | |
US20080127004A1 (en) | Method for computing the critical area of compound fault mechanisms | |
CN112630736B (zh) | 路侧雷达的参数确定方法、装置、设备及存储介质 | |
CN107894857A (zh) | 触控处理装置、电子系统与其触控处理方法 | |
CN107708203A (zh) | 一种基于地理指纹的定位方法与装置 | |
JP7054878B2 (ja) | 管理装置、管理システム、および位置補正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |