CN110826634A - 目标检测模型的训练方法、装置、电子设备及存储介质 - Google Patents

目标检测模型的训练方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110826634A
CN110826634A CN201911096274.4A CN201911096274A CN110826634A CN 110826634 A CN110826634 A CN 110826634A CN 201911096274 A CN201911096274 A CN 201911096274A CN 110826634 A CN110826634 A CN 110826634A
Authority
CN
China
Prior art keywords
sample
loss
negative sample
target
positive
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.)
Granted
Application number
CN201911096274.4A
Other languages
English (en)
Other versions
CN110826634B (zh
Inventor
王康康
何斌
汤旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201911096274.4A priority Critical patent/CN110826634B/zh
Publication of CN110826634A publication Critical patent/CN110826634A/zh
Application granted granted Critical
Publication of CN110826634B publication Critical patent/CN110826634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了目标检测模型的训练方法、装置、电子设备及存储介质，涉及图像处理技术。实现方案为：在前向传播阶段将各个正样本、各个普通负样本、各个指定负样本输入至待训练的检测模型中；根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数；在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。本申请可以在训练目标检测模型时可以使得负样本得到充分地训练，从而可以有效地消除误检，提高目标检测的准确性。

Description

目标检测模型的训练方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，进一步涉及图像处理技术，尤其是一种目标检测模型的训练方法、装置、电子设备及存储介质。
背景技术
目前，为了保证目标检测的准确性，可以通过目标检测模型获取检测结果，该检测结果包括拍摄图片或者视频帧中包括的各个目标。使用卷积神经网络实现的图像目标检测是当前目标检测的主流方法，特别是其依赖数据驱动的特点，能够使得在有大量目标数据的情况下，大大提升检测指标。在卷积神经网络实现目标检测的过程中，需要使用样本数据来训练目标检测模型，样本数据主要为图片，其中包含目标的位置被一个矩形框包围，该矩形框便是该目标的标签。
使用传统方法在训练目标检测模型时，将有标注框的位置视为正样本，以标注框的位置和尺寸为起点进行随机缩放和随机抠图，同时还可以使用随机变换等其他数据扩充方式获取到更多的正样本，从而实现对目标检测模型的训练。对于负样本来说，则没有专门的标注框，一般都认为抠图得到的训练图片中，非正样本区域的其他区域为负样本。此时，如果采用该负样本直接对目标检测模型进行训练将会导致：假如某个负样本周围不存在正样本，则该负样本永远不会被训练到；即便某个负样本周围存在正样本，但是由于数据扩充是以正样本为中心进行设计的，并不适用于该负样本。这些原因都导致负样本训练不够充分，很多误检无法消除。
为了使负样本得到充分训练，目前普遍采用如下四种的方法解决：1)针对原始图片不做任何改动，只使用在正样本周围存在的负样本；2)修改目标检测模型，使其能够支持输入无正样本的图像；3)从某个训练图像中抠图得到正样本，之后将其贴图到无正样本的图像中；4)将测试过程中得到的负样本抠图，之后将其贴图到含有正样本的图像中。上述四种方案均有其各自的缺点：针对方案1)，无法训练到不在正样本周围的负样本；针对方案2)，无法针对性的控制无正样本图像的数据扩充，从而导致训练不够高效；针对方案3)，会使得图像分布和正样本特征偏移真实状态，留下大量人工痕迹；针对方案4)，会使得图像负样本包含大量人工痕迹，与实际负样本差异较大。
发明内容
有鉴于此，本申请实施例提供一种目标检测模型的训练方法、装置、电子设备及存储介质，在训练目标检测模型时可以使得负样本得到充分地训练，从而可以有效地消除误检，提高目标检测的准确性。
第一方面，本申请实施例提供了一种目标检测模型的训练方法，所述方法包括：
在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；
根据所述待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通负样本的样本信息和各个指定负样本的样本信息，计算出所述待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个指定负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；
在反向传播阶段基于所述待训练的检测模型对应的损失函数对所述待训练的目标检测模型进行训练。
上述实施例具有如下优点或有益效果：本申请可以根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数。因为本申请采用了将各个正样本、各个普通负样本、各个指定负样本输入至待训练的检测模型的技术手段，并且采用了根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数的技术手段，不仅考虑了普通负样本，还增加考虑了指定负样本，克服了现有技术中在训练目标检测模型时负样本未得到充分训练的技术问题，采用本申请提出的技术方案，在训练目标检测模型时可以使得负样本得到充分地训练，从而可以有效地消除误检，提高目标检测的准确性。
在上述实施例中，所述根据所述待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通负样本的样本信息和各个指定负样本的样本信息，计算出所述待训练的目标检测模型对应的损失函数，包括：
根据所述待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个普通负样本的输出结果以及各个普通负样本的样本信息，计算出各个普通负样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失；
根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失；根据各个普通负样本的样本信息计算出各个普通负样本中的检测目标的得分损失；根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失；
根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失和各个指定负样本中的检测目标的坐标损失，以及各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失和各个指定负样本中的检测目标的得分损失，计算出所述待训练的目标检测模型对应的损失函数。
上述实施例具有如下优点或有益效果：本申请可以根据各个正样本、各个普通负样本和各个指定负样本中的检测目标的坐标损失，以及各个正样本、各个普通负样本和各个指定负样本中的检测目标的得分损失，计算出所述待训练的目标检测模型对应的损失函数。不仅考虑了普通负样本，还增加考虑了指定负样本，克服了现有技术中在训练目标检测模型时负样本未得到充分训练的技术问题。
在上述实施例中，所述根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失，包括：
根据所述待训练的目标检测模型基于各个正样本的输出结果以及用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始坐标损失；将各个正样本中的检测目标的原始坐标损失乘以各个正样本的坐标损失屏蔽标志位，得到各个正样本中的检测目标的坐标损失；其中，各个正样本的坐标损失屏蔽标志位为1。
上述实施例具有如下优点或有益效果：本申请将各个正样本的坐标损失屏蔽标志位设置为1，在对各个正样本中的检测目标的坐标损失进行计算时，将各个正样本中的检测目标的原始坐标损失乘以各个正样本的坐标损失屏蔽标志位1，得到各个正样本中的检测目标的坐标损失。也就是说，各个正样本中的检测目标的坐标损失不会被屏蔽掉。
在上述实施例中，所述根据所述待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失，包括：
通过所述待训练的目标检测模型基于各个指定负样本的输出结果以及用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始坐标损失；将各个指定负样本中的检测目标的原始坐标损失乘以各个指定负样本的坐标损失屏蔽标志位，得到各个指定负样本中的检测目标的坐标损失；其中，各个负样本的坐标损失屏蔽标志位为0。
上述实施例具有如下优点或有益效果：本申请将各个指定负样本的坐标损失屏蔽标志位设置为0，在对各个指定负样本中的检测目标的坐标损失进行计算时，将各个指定负样本中的检测目标的原始坐标损失乘以各个指定负样本的坐标损失屏蔽标志位0，得到各个指定负样本中的检测目标的坐标损失。也就是说，各个指定负样本中的检测目标的坐标损失会被屏蔽掉。
在上述实施例中，所述根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失，包括：
根据用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始得分损失；将各个正样本中的检测目标的原始得分损失直接作为各个正样本中的检测目标的得分损失。
上述实施例具有如下优点或有益效果：本申请在对各个正样本中的检测目标的得分损失进行计算时，将各个正样本中的检测目标的原始得分损失直接作为各个正样本中的检测目标的得分损失。
在上述实施例中，所述根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失，包括：
根据用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始得分损失；将各个指定负样本中的检测目标的原始得分损失直接作为各个指定负样本中的检测目标的得分损失。
上述实施例具有如下优点或有益效果：本申请在对指定负正样本中的检测目标的得分损失进行计算时，将各个指定负样本中的检测目标的原始得分损失直接作为各个指定负样本中的检测目标的得分损失。
第二方面，本申请还提供了一种目标检测模型的训练装置，所述装置包括：所述装置包括：输入模块、计算模块和训练模块；其中，
所述输入模块，用于在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；
所述计算模块，用于根据所述待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通样本的样本信息以及各个指定负样本的样本信息，计算出所述待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个指定负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；
所述训练模块，用于在反向传播阶段基于所述待训练的检测模型对应的损失函数对所述待训练的目标检测模型进行训练。
在上述实施例中，所述计算模块包括：损失计算子模块和函数计算子模块；其中，
所述损失计算子模块，用于根据所述待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个普通负样本的输出结果以及各个普通负样本的样本信息，计算出各个普通负样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失；根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失；根据各个普通负样本的样本信息计算出各个普通负样本中的检测目标的得分损失；根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失；
所述函数计算子模块，用于根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失和各个指定负样本中的检测目标的坐标损失，以及各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失和各个指定负样本中的检测目标的得分损失，计算出所述待训练的目标检测模型对应的损失函数。
在上述实施例中，所述损失计算子模块，具体用于根据所述待训练的目标检测模型基于各个正样本的输出结果以及用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始坐标损失；将各个正样本中的检测目标的原始坐标损失乘以各个正样本的坐标损失屏蔽标志位，得到各个正样本中的检测目标的坐标损失；其中，各个正样本的坐标损失屏蔽标志位为1。
在上述实施例中，所述损失计算子模块，具体用于通过所述待训练的目标检测模型基于各个指定负样本的输出结果以及用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始坐标损失；将各个指定负样本中的检测目标的原始坐标损失乘以各个指定负样本的坐标损失屏蔽标志位，得到各个指定负样本中的检测目标的坐标损失；其中，各个负样本的坐标损失屏蔽标志位为0。
在上述实施例中，所述损失计算子模块，具体用于根据用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始得分损失；将各个正样本中的检测目标的原始得分损失直接作为各个正样本中的检测目标的得分损失。
在上述实施例中，所述损失计算子模块，具体用于根据用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始得分损失；将各个指定负样本中的检测目标的原始得分损失直接作为各个指定负样本中的检测目标的得分损失。
第三方面，本申请实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的目标检测模型的训练方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的目标检测模型的训练方法。
上述申请中的一个实施例具有如下优点或有益效果：本申请提出的目标检测模型的训练方法、装置、电子设备及存储介质，先在在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；然后根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本的样本信息、各个普通负样本的样本信息、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；再在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。也就是说，本申请可以根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数。因为本申请采用了将各个正样本、各个普通负样本、各个指定负样本输入至待训练的检测模型的技术手段，并且采用了根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数的技术手段，不仅考虑了普通负样本，还增加考虑了指定负样本，克服了现有技术中在训练目标检测模型时负样本未得到充分训练的技术问题，采用本申请提出的技术方案，在训练目标检测模型时可以使得负样本得到充分地训练，从而可以有效地消除误检，提高目标检测的准确性；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例一提供的目标检测模型的训练方法的流程示意图；
图2是本申请实施例二提供的目标检测模型的训练方法的流程示意图；
图3是本申请实施例三提供的目标检测模型的训练装置的结构示意图；
图4是本申请实施例三提供的计算模块的结构示意图；
图5是用来实现本申请实施例的目标检测模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例一提供的目标检测模型的训练方法的流程示意图，该方法可以由目标检测模型的训练装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，目标检测模型的训练方法可以包括以下步骤：
S101、在前向传播阶段将预先获取的各个正样本、各个普通负样本、各个指定负样本输入至待训练的检测模型中。
在本申请的具体实施例中，电子设备可以先获取各个正样本、各个普通负样本、各个指定负样本；然后在前向传播阶段将获取到的各个正样本、各个普通负样本、各个指定负样本输入至待训练的检测模型中。例如，假设样本集合包括：样本1、样本2、样本3和样本4；其中，样本1和样本3为正样本；样本2为指定负样本；样本4为普通负样本。在本步骤中，电子设备可以将样本1、样本2、样本3和样本4分别输入至待训练的检测模型中。在模型的输入位置上，需要添加一个坐标损失屏蔽标志位指明当前框是正样本框还是指定负样本框；其中，正样本框的坐标损失屏蔽标志位可以位1；指定负样本框的坐标损失屏蔽标志位可以为0；普通负样本可以按照现有方法进行处理，无需特殊处理。
传统方法只有正样本的位置坐标框，本申请还包含了指定负样本的位置坐标框，指定负样本的位置坐标框的来源是，首先使用普通方法将模型训练完成；之后在所有测试图像上进行检测，得到的误检框便是指定负样本的位置坐标框。和现有技术相比，本申请的创新点首先在于：指定负样本具有位置坐标框；而现有技术中的普通负样本是不具有位置坐标框的；因此，本申请中各个指定负样本的样本信息包括用于表示各个指定负样本的位置坐标框的信息；而现有技术中的普通负样本的样本信息是不包括用于示各个普通负样本的位置坐标框的信息。具体地，本申请中用于表示各个指定负样本的位置坐标框的信息包括：各个指定负样本的中心点的横坐标、各个指定负样本的中心点的纵坐标、各个指定负样本的宽度以及各个指定负样本的高度。其次，本申请可以通过设置坐标损失屏蔽标志位来屏蔽掉指定负样本的坐标损失。具体地，本申请可以将各个正样本的坐标损失标志位设置为1；将各个指定负样本的坐标损失标志位设置为0；这里由于指定负样本的坐标损失标志位为0，所以指定负样本的原始坐标损失乘以0，即是屏蔽掉指定负样本的坐标损失。
目前的DNN的结构，包括：输入层、数个中间层和输出层。各层的节点数一般是几百到几万不等，层以层之间是全连接的网络。DNN的训练计算是一层算完再期待下一层，层与层之间不能并行，所以该算法不适合大规模集群并行加速。一般一次DNN训练可以用以下几个阶段表示：前向传播阶段、反向传播阶段，最后是根据前向传播阶段和反向传播阶段计算的结果更新每层的权重。前向传播阶段是从输入层向后一直算到输出层，计算是串行的，例如第一次算完才能开始第二层的计算。反向传播阶段是从输出层向前一直算到第一层，计算也是串行的，例如最后一层算完才能开始算倒数第一层。更新权值计算依赖前向传播阶段和反向传播阶段计算的结果，更新权值的计算没有层与层的依赖关系。每次输入只是一小段的训练数据，称为一个batch，一个batch完成一次训练，也就是说得到一个新的权值后，会用这个权值及新输入的下一个batch进行训练，得到更新的一个权值，直到所有的输入计算完毕。这个过程称为一轮，一般一个完整的训练需要10～20轮。batch不能太大，否则会影响训练精度，这也影响了训练的多机并行化。DNN由信息的正向传播和误差的反向传播两个过程组成。输入层负责接收来自外界的输入信息，并传递给中间层；隐层是内部信息处理层，负责信息变换，根据信息变化能力的需求，隐层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层的信息经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。DNN训练过程是周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
S102、根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通负样本的样本信息和各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个指定负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位。
在本申请的具体实施例中，电子设备可以根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通负样本的样本信息和各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个指定负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位。具体地，电子设备可以先根据待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失；根据待训练的目标检测模型基于各个普通负样本的输出结果以及各个普通负样本的样本信息，计算出各个普通负样本中的检测目标的坐标损失；根据待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失；然后根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失；根据各个普通负样本的样本信息计算出各个普通负样本中的检测目标的得分损失；根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失；再根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失和各个指定负样本中的检测目标的坐标损失，以及各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失和各个指定负样本中的检测目标的得分损失，计算出待训练的目标检测模型对应的损失函数。
较佳地，在本申请的具体实施例中，用于表示各个正样本的位置坐标框的信息包括：各个正样本的中心点的横坐标、各个正样本的中心点的纵坐标、各个正样本的宽度以及各个正样本的高度；用于表示各个指定负样本的位置坐标框的信息包括：各个指定负样本的中心点的横坐标、各个指定负样本的中心点的纵坐标、各个指定负样本的宽度以及各个指定负样本的高度。例如，用于表示样本1的位置坐标框的信息包括：样本1的中心点的横坐标center x1、样本1的中心点的纵坐标center y1、样本1的宽度width1、样本1的高度height1；用于表示样本2的位置坐标框的信息包括：样本2的中心点的横坐标center x2、样本2的中心点的纵坐标center y2、样本2的宽度width2、样本2的高度height2；以此类推。
S103、在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。
在本申请的具体实施例中，电子设备可以在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。具体地，反向传播阶段是从输出层向前一直算到第一层，计算也是串行的，例如最后一层算完才能开始算倒数第一层。更新权值计算依赖前向计算和误差计算的结果，更新权值的计算没有层与层的依赖关系。每次输入只是一小段的训练数据，称为一个batch，一个batch完成一次训练，也就是说得到一个新的权值后，会用这个权值及新输入的下一个batch进行训练，得到更新的一个权值，直到所有的输入计算完毕。
本申请实施例提出的目标检测模型的训练方法，先在在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；然后根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本的样本信息、各个普通负样本的样本信息、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；再在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。也就是说，本申请可以根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数。因为本申请采用了将各个正样本、各个普通负样本、各个指定负样本输入至待训练的检测模型的技术手段，并且采用了根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数的技术手段，不仅考虑了普通负样本，还增加考虑了指定负样本，克服了现有技术中在训练目标检测模型时负样本未得到充分训练的技术问题，采用本申请提出的技术方案，在训练目标检测模型时可以使得负样本得到充分地训练，从而可以有效地消除误检，提高目标检测的准确性；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例二提供的目标检测模型的训练方法的流程示意图。如图2所示，目标检测模型的训练方法可以包括以下步骤：
S201、在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中。
在本申请的具体实施例中，电子设备可以在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中。例如，假设样本集合包括：样本1、样本2、样本3和样本4；其中，样本1和样本3为正样本；样本2为指定负样本；样本4为普通负样本。在本步骤中，电子设备可以将样本1、样本2、样本3和样本4分别输入至待训练的检测模型中。采用本申请提供的技术方案，可以在模型的输入位置上，需要添加一个坐标损失屏蔽标志位指明当前的位置坐标框是正样本的位置坐标框还是指定负样本的位置坐标框框；其中，正样本框的坐标损失屏蔽标志位可以为1；指定负样本的坐标损失屏蔽标志位可以为0。本申请由于不仅考虑了普通负样本，还增加考虑了指定负样本，因此可以在训练目标检测模型时可以使得负样本得到充分地训练，从而可以有效地消除误检，提高目标检测的准确性。
S202、根据待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失；根据待训练的目标检测模型基于各个普通负样本的输出结果以及各个普通负样本的样本信息，计算出各个普通负样本中的检测目标的坐标损失；根据待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失。
在本申请的具体实施例中，电子设备可以根据待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失；根据待训练的目标检测模型基于各个普通负样本的输出结果以及各个普通负样本的样本信息，计算出各个普通负样本中的检测目标的坐标损失；根据待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失。具体地，电子设备在计算各个正样本中的检测目标的坐标损失时，可以根据待训练的目标检测模型基于各个正样本的输出结果以及用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始坐标损失；将各个正样本中的检测目标的原始坐标损失乘以各个正样本的坐标损失屏蔽标志位，得到各个正样本中的检测目标的坐标损失；其中，各个正样本的坐标损失屏蔽标志位为1。此外，电子设备计算各个指定负样本中的检测目标的坐标损失时，可以通过待训练的目标检测模型基于各个指定负样本的输出结果以及用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始坐标损失；将各个指定负样本中的检测目标的原始坐标损失乘以各个指定负样本的坐标损失屏蔽标志位，得到各个指定负样本中的检测目标的坐标损失；其中，各个负样本的坐标损失屏蔽标志位为0。还有，电子设备在计算各个普通负样本中的检测目标的坐标损失时，可以采用现有方法进行处理，无需特殊处理。
举例说明，假设样本1为正样本，样本1的原始坐标损失为：img1 loc loss；样本1的坐标损失屏蔽标志位attribute1＝1；则样本1的坐标损失loc loss＝(img1 loc loss)×attribute1＝(img1 loc loss)×1；假设样本2为指定负样本，样本2的原始坐标损失为：img2 loc loss；样本2的坐标损失屏蔽标志位attribute2＝0；则样本2的坐标损失locloss＝(img2 loc loss)×attribute2＝(img1 loc loss)×0；假设样本3为正样本，样本3的原始坐标损失为：img3 loc loss；样本3的坐标损失屏蔽标志位attribute3＝1；则样本3的坐标损失loc loss＝(img3 loc loss)×attribute3＝(img1 loc loss)×1。
S203、根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失；根据各个普通负样本的样本信息计算出各个普通负样本中的检测目标的得分损失；根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失。
在本申请的具体实施例中，电子设备可以根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失；根据各个普通负样本的样本信息计算出各个普通负样本中的检测目标的得分损失；根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失。具体地，电子设备在计算各个正样本中的检测目标的得分损失时，可以根据用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始得分损失；将各个正样本中的检测目标的原始得分损失直接作为各个正样本中的检测目标的得分损失。此外，电子设备在计算各个指定负样本中的检测目标的得分损失时，可以根据用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始得分损失；将各个指定负样本中的检测目标的原始得分损失直接作为各个指定负样本中的检测目标的得分损失。还有，电子设备在计算各个普通负样本中的检测目标的得分损失时，可以采用现有方法进行处理，无需特殊处理。
举例说明，假设样本1的原始得分损失为：img1 score loss；则样本1的得分损失score loss＝img1 score loss；假设样本2的原始得分损失为：img2score loss；则样本2的得分损失score loss＝img2 score loss；假设样本3的原始得分损失为：img3 socreloss；则样本3的得分损失score loss＝img3score loss。需要说明的是，各个负样本的类别与背景类相同，均为0。
S204、根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失和各个指定负样本中的检测目标的坐标损失，以及各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失和各个指定负样本中的检测目标的得分损失，计算出待训练的目标检测模型对应的损失函数。
在本申请的具体实施例中，电子设备可以根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失和各个指定负样本中的检测目标的坐标损失，以及各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失和各个指定负样本中的检测目标的得分损失，计算出待训练的目标检测模型对应的损失函数。具体地，目标检测模型对应的损失函数分为两组：坐标损失和得分损失；因此，电子设备在计算出各个正样本中的检测目标的坐标损失、各个普通负样本的坐标损失、各个指定负样本中的检测目标的坐标损失、各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失、各个指定负样本中的检测目标的得分损失之后，可以根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失、各个指定负样本中的检测目标的坐标损失、各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的坐标损失、各个指定负样本中的检测目标的得分损失，计算出待训练的目标检测模型对应的损失函数。
S205、在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。
在本申请的具体实施例中，电子设备可以在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。具体地，反向传播阶段是从输出层向前一直算到第一层，计算也是串行的，例如最后一层算完才能开始算倒数第一层。更新权值计算依赖前向计算和误差计算的结果，更新权值的计算没有层与层的依赖关系。每次输入只是一小段的训练数据，称为一个batch，一个batch完成一次训练，也就是说得到一个新的权值后，会用这个权值及新输入的下一个batch进行训练，得到更新的一个权值，直到所有的输入计算完毕。
采用本申请提出的技术方案，1)能够对误检负样本产生足够的重视，更有利于消除同类误检。2)本申请使用了与该模型更匹配的误检，更有利于消除当前模型的误检；3)相对于抠图法，避免了抠图过程中的一系列超参数，简化调参从而有利于指标提升；4)尤其适用于不包含正样本的图像和图像区域，假如这些图片和区域有误检，仅需使用误检框便可以消除误检，操作简单可靠；5)经过实际测试，本方法能够有效消除指定误检。另外，本申请的负样本标注框方法可以直接使用已有的正样本数据扩充方案，无需新增任何步骤。
本申请实施例提出的目标检测模型的训练方法，先在在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；然后根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本的样本信息、各个普通负样本的样本信息、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；再在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。也就是说，本申请可以根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数。因为本申请采用了将各个正样本、各个普通负样本、各个指定负样本输入至待训练的检测模型的技术手段，并且采用了根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数的技术手段，不仅考虑了普通负样本，还增加考虑了指定负样本，克服了现有技术中在训练目标检测模型时负样本未得到充分训练的技术问题，采用本申请提出的技术方案，在训练目标检测模型时可以使得负样本得到充分地训练，从而可以有效地消除误检，提高目标检测的准确性；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3是本申请实施例五提供的目标检测模型的训练装置的结构示意图。如图3所示，所述装置300包括：输入模块301、计算模块302和训练模块303；其中，
所述输入模块301，用于在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；
所述计算模块302，用于根据所述待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通样本的样本信息以及各个指定负样本的样本信息，计算出所述待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个指定负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；
所述训练模块303，用于在反向传播阶段基于所述待训练的检测模型对应的损失函数对所述待训练的目标检测模型进行训练。
图4是本申请实施例三提供的计算模块的结构示意图。如图4所示，所述计算模块302包括：损失计算子模块3021和函数计算子模块3022；其中，
所述损失计算子模块3021，用于根据所述待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个普通负样本的输出结果以及各个普通负样本的样本信息，计算出各个普通负样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失；根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失；根据各个普通负样本的样本信息计算出各个普通负样本中的检测目标的得分损失；根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失；
所述函数计算子模块3021，用于根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失和各个指定负样本中的检测目标的坐标损失，以及各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失和各个指定负样本中的检测目标的得分损失，计算出所述待训练的目标检测模型对应的损失函数。
进一步的，所述损失计算子模块3021，具体用于根据所述待训练的目标检测模型基于各个正样本的输出结果以及用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始坐标损失；将各个正样本中的检测目标的原始坐标损失乘以各个正样本的坐标损失屏蔽标志位，得到各个正样本中的检测目标的坐标损失；其中，各个正样本的坐标损失屏蔽标志位为1。
进一步的，所述损失计算子模块3021，具体用于通过所述待训练的目标检测模型基于各个指定负样本的输出结果以及用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始坐标损失；将各个指定负样本中的检测目标的原始坐标损失乘以各个指定负样本的坐标损失屏蔽标志位，得到各个指定负样本中的检测目标的坐标损失；其中，各个负样本的坐标损失屏蔽标志位为0。
进一步的，所述损失计算子模块3021，具体用于根据用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始得分损失；将各个正样本中的检测目标的原始得分损失直接作为各个正样本中的检测目标的得分损失。
进一步的，所述损失计算子模块3021，具体用于根据用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始得分损失；将各个指定负样本中的检测目标的原始得分损失直接作为各个指定负样本中的检测目标的得分损失。
上述目标检测模型的训练装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的目标检测模型的训练方法。
实施例四
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的目标检测模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的目标检测模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的目标检测模型的训练方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的目标检测模型的训练方法对应的程序指令/模块(例如，附图3所示的输入模块301、计算模块302和训练模块303)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的目标检测模型的训练方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据目标检测模型的训练方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至目标检测模型的训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
目标检测模型的训练方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与目标检测模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，先在在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；然后根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本的样本信息、各个普通负样本的样本信息、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；再在反向传播阶段基于待训练的检测模型对应的损失函数对待训练的目标检测模型进行训练。也就是说，本申请可以根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数。因为本申请采用了将各个正样本、各个普通负样本、各个指定负样本输入至待训练的检测模型的技术手段，并且采用了根据待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及各个正样本、各个普通负样本、各个指定负样本的样本信息，计算出待训练的目标检测模型对应的损失函数的技术手段，不仅考虑了普通负样本，还增加考虑了指定负样本，克服了现有技术中在训练目标检测模型时负样本未得到充分训练的技术问题，采用本申请提出的技术方案，在训练目标检测模型时可以使得负样本得到充分地训练，从而可以有效地消除误检，提高目标检测的准确性；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

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：
在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；
根据所述待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通负样本的样本信息和各个指定负样本的样本信息，计算出所述待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个指定负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；
在反向传播阶段基于所述待训练的检测模型对应的损失函数对所述待训练的目标检测模型进行训练。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通负样本的样本信息和各个指定负样本的样本信息，计算出所述待训练的目标检测模型对应的损失函数，包括：
根据所述待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个普通负样本的输出结果以及各个普通负样本的样本信息，计算出各个普通负样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失；
根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失；根据各个普通负样本的样本信息计算出各个普通负样本中的检测目标的得分损失；根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失；
根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失和各个指定负样本中的检测目标的坐标损失，以及各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失和各个指定负样本中的检测目标的得分损失，计算出所述待训练的目标检测模型对应的损失函数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失，包括：
根据所述待训练的目标检测模型基于各个正样本的输出结果以及用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始坐标损失；将各个正样本中的检测目标的原始坐标损失乘以各个正样本的坐标损失屏蔽标志位，得到各个正样本中的检测目标的坐标损失；其中，各个正样本的坐标损失屏蔽标志位为1。
4.根据权利要求2所述的方法，其特征在于，所述根据所述待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失，包括：
通过所述待训练的目标检测模型基于各个指定负样本的输出结果以及用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始坐标损失；将各个指定负样本中的检测目标的原始坐标损失乘以各个指定负样本的坐标损失屏蔽标志位，得到各个指定负样本中的检测目标的坐标损失；其中，各个负样本的坐标损失屏蔽标志位为0。
5.根据权利要求2所述的方法，其特征在于，所述根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失，包括：
根据用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始得分损失；将各个正样本中的检测目标的原始得分损失直接作为各个正样本中的检测目标的得分损失。
6.根据权利要求2所述的方法，其特征在于，所述根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失，包括：
根据用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始得分损失；将各个指定负样本中的检测目标的原始得分损失直接作为各个指定负样本中的检测目标的得分损失。
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：输入模块、计算模块和训练模块；其中，
所述输入模块，用于在前向传播阶段将预先获取的各个正样本、各个普通负样本和各个指定负样本输入至待训练的检测模型中；
所述计算模块，用于根据所述待训练的检测模型基于各个正样本、各个普通负样本、各个指定负样本的输出结果，以及预先确定的各个正样本的样本信息、各个普通样本的样本信息以及各个指定负样本的样本信息，计算出所述待训练的目标检测模型对应的损失函数；其中，各个正样本的样本信息至少包括：用于表示各个正样本的位置坐标框的信息、各个正样本的类别和各个正样本的坐标损失屏蔽标志位；各个指定负样本的样本信息至少包括：用于表示各个指定负样本的位置坐标框的信息、各个指定负样本的类别和各个指定负样本的坐标损失屏蔽标志位；
所述训练模块，用于在反向传播阶段基于所述待训练的检测模型对应的损失函数对所述待训练的目标检测模型进行训练。
8.根据权利要求7所述的装置，其特征在于，所述计算模块包括：损失计算子模块和函数计算子模块；其中，
所述损失计算子模块，用于根据所述待训练的目标检测模型基于各个正样本的输出结果以及各个正样本的样本信息，计算出各个正样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个普通负样本的输出结果以及各个普通负样本的样本信息，计算出各个普通负样本中的检测目标的坐标损失；根据所述待训练的目标检测模型基于各个指定负样本的输出结果以及各个指定负样本的样本信息，计算出各个指定负样本中的检测目标的坐标损失；根据各个正样本的样本信息计算出各个正样本中的检测目标的得分损失；根据各个普通负样本的样本信息计算出各个普通负样本中的检测目标的得分损失；根据各个指定负样本的样本信息计算出各个指定负样本中的检测目标的得分损失；
所述函数计算子模块，用于根据各个正样本中的检测目标的坐标损失、各个普通负样本中的检测目标的坐标损失和各个指定负样本中的检测目标的坐标损失，以及各个正样本中的检测目标的得分损失、各个普通负样本中的检测目标的得分损失和各个指定负样本中的检测目标的得分损失，计算出所述待训练的目标检测模型对应的损失函数。
9.根据权利要求8所述的装置，其特征在于：
所述损失计算子模块，具体用于根据所述待训练的目标检测模型基于各个正样本的输出结果以及用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始坐标损失；将各个正样本中的检测目标的原始坐标损失乘以各个正样本的坐标损失屏蔽标志位，得到各个正样本中的检测目标的坐标损失；其中，各个正样本的坐标损失屏蔽标志位为1。
10.根据权利要求8所述的装置，其特征在于：
所述损失计算子模块，具体用于通过所述待训练的目标检测模型基于各个指定负样本的输出结果以及用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始坐标损失；将各个指定负样本中的检测目标的原始坐标损失乘以各个指定负样本的坐标损失屏蔽标志位，得到各个指定负样本中的检测目标的坐标损失；其中，各个负样本的坐标损失屏蔽标志位为0。
11.根据权利要求8所述的装置，其特征在于：
所述损失计算子模块，具体用于根据用于表示各个正样本的位置坐标框的信息和各个正样本的类别，计算出各个正样本中的检测目标的原始得分损失；将各个正样本中的检测目标的原始得分损失直接作为各个正样本中的检测目标的得分损失。
12.根据权利要求8所述的装置，其特征在于：
所述损失计算子模块，具体用于根据用于表示各个指定负样本的位置坐标框的信息和各个指定负样本的类别，计算出各个指定负样本中的检测目标的原始得分损失；将各个指定负样本中的检测目标的原始得分损失直接作为各个指定负样本中的检测目标的得分损失。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
CN201911096274.4A 2019-11-11 2019-11-11 图像目标检测模型的训练方法、装置、电子设备及存储介质 Active CN110826634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911096274.4A CN110826634B (zh) 2019-11-11 2019-11-11 图像目标检测模型的训练方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911096274.4A CN110826634B (zh) 2019-11-11 2019-11-11 图像目标检测模型的训练方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110826634A true CN110826634A (zh) 2020-02-21
CN110826634B CN110826634B (zh) 2022-12-30

Family

ID=69553948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911096274.4A Active CN110826634B (zh) 2019-11-11 2019-11-11 图像目标检测模型的训练方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110826634B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444731A (zh) * 2020-06-15 2020-07-24 深圳市友杰智新科技有限公司 模型训练方法、装置和计算机设备
CN111710346A (zh) * 2020-06-18 2020-09-25 腾讯科技（深圳）有限公司 音频处理方法、装置、计算机设备以及存储介质
CN111832614A (zh) * 2020-06-04 2020-10-27 北京百度网讯科技有限公司 目标检测模型的训练方法、装置、电子设备及存储介质
CN112148895A (zh) * 2020-09-25 2020-12-29 北京百度网讯科技有限公司 检索模型的训练方法、装置、设备和计算机存储介质
CN112799511A (zh) * 2021-01-28 2021-05-14 Oppo广东移动通信有限公司 图形码生成模型的训练方法、装置、电子设备及存储介质
CN113159216A (zh) * 2021-05-10 2021-07-23 上海电力大学 一种用于表面缺陷检测的正样本扩充方法
CN113743439A (zh) * 2020-11-13 2021-12-03 北京沃东天骏信息技术有限公司 目标检测方法、装置及存储介质
CN114330573A (zh) * 2021-12-30 2022-04-12 济南博观智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN116167922A (zh) * 2023-04-24 2023-05-26 广州趣丸网络科技有限公司 一种抠图方法、装置、存储介质及计算机设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220618A (zh) * 2017-05-25 2017-09-29 中国科学院自动化研究所 人脸检测方法及装置、计算机可读存储介质、设备
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置
CN107741231A (zh) * 2017-10-11 2018-02-27 福州大学 一种基于机器视觉的多运动目标快速测距方法
CN108305248A (zh) * 2018-01-17 2018-07-20 慧影医疗科技（北京）有限公司 一种骨折识别模型的构建方法及应用
CN109165658A (zh) * 2018-08-28 2019-01-08 哈尔滨工业大学（威海） 一种基于Faster-RCNN的强负样本水下目标检测方法
CN109800778A (zh) * 2018-12-03 2019-05-24 浙江工业大学 一种基于难分样本挖掘的Faster RCNN目标检测方法
CN110059558A (zh) * 2019-03-15 2019-07-26 江苏大学 一种基于改进ssd网络的果园障碍物实时检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置
CN107220618A (zh) * 2017-05-25 2017-09-29 中国科学院自动化研究所 人脸检测方法及装置、计算机可读存储介质、设备
CN107741231A (zh) * 2017-10-11 2018-02-27 福州大学 一种基于机器视觉的多运动目标快速测距方法
CN108305248A (zh) * 2018-01-17 2018-07-20 慧影医疗科技（北京）有限公司 一种骨折识别模型的构建方法及应用
CN109165658A (zh) * 2018-08-28 2019-01-08 哈尔滨工业大学（威海） 一种基于Faster-RCNN的强负样本水下目标检测方法
CN109800778A (zh) * 2018-12-03 2019-05-24 浙江工业大学 一种基于难分样本挖掘的Faster RCNN目标检测方法
CN110059558A (zh) * 2019-03-15 2019-07-26 江苏大学 一种基于改进ssd网络的果园障碍物实时检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832614A (zh) * 2020-06-04 2020-10-27 北京百度网讯科技有限公司 目标检测模型的训练方法、装置、电子设备及存储介质
CN111444731A (zh) * 2020-06-15 2020-07-24 深圳市友杰智新科技有限公司 模型训练方法、装置和计算机设备
CN111444731B (zh) * 2020-06-15 2020-11-03 深圳市友杰智新科技有限公司 模型训练方法、装置和计算机设备
CN111710346A (zh) * 2020-06-18 2020-09-25 腾讯科技（深圳）有限公司 音频处理方法、装置、计算机设备以及存储介质
CN111710346B (zh) * 2020-06-18 2021-07-27 腾讯科技（深圳）有限公司 音频处理方法、装置、计算机设备以及存储介质
CN112148895A (zh) * 2020-09-25 2020-12-29 北京百度网讯科技有限公司 检索模型的训练方法、装置、设备和计算机存储介质
CN112148895B (zh) * 2020-09-25 2024-01-23 北京百度网讯科技有限公司 检索模型的训练方法、装置、设备和计算机存储介质
CN113743439A (zh) * 2020-11-13 2021-12-03 北京沃东天骏信息技术有限公司 目标检测方法、装置及存储介质
CN112799511A (zh) * 2021-01-28 2021-05-14 Oppo广东移动通信有限公司 图形码生成模型的训练方法、装置、电子设备及存储介质
CN113159216A (zh) * 2021-05-10 2021-07-23 上海电力大学 一种用于表面缺陷检测的正样本扩充方法
CN114330573A (zh) * 2021-12-30 2022-04-12 济南博观智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN116167922A (zh) * 2023-04-24 2023-05-26 广州趣丸网络科技有限公司 一种抠图方法、装置、存储介质及计算机设备

Also Published As

Publication number Publication date
CN110826634B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN110826634B (zh) 图像目标检测模型的训练方法、装置、电子设备及存储介质
KR102484617B1 (ko) 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램
CN111639710B (zh) 图像识别模型训练方法、装置、设备以及存储介质
CN111242306B (zh) 量子主成分分析的方法、装置、电子设备以及计算机可读存储介质
JP7262571B2 (ja) 知識グラフのベクトル表現生成方法、装置及び電子機器
JP7258066B2 (ja) 測位方法、測位装置及び電子機器
CN111144577A (zh) 异构图之中节点表示的生成方法、装置和电子设备
CN111753961A (zh) 模型训练方法和装置、预测方法和装置
CN111461290A (zh) 模型参数更新方法及装置
CN110543558B (zh) 问题匹配方法、装置、设备和介质
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
CN110580520A (zh) 基于超网络的模型结构采样、装置以及电子设备
CN110852379B (zh) 用于目标物体识别的训练样本生成方法及装置
CN111275190A (zh) 神经网络模型的压缩方法及装置、图像处理方法及处理器
CN111680600A (zh) 人脸识别模型处理方法、装置、设备和存储介质
CN110705696A (zh) 神经网络的量化与定点化融合方法及装置
CN112015774A (zh) 一种图表推荐方法、装置、电子设备及存储介质
CN112184851A (zh) 图像编辑方法、网络训练方法、相关装置及电子设备
CN112215243A (zh) 图像特征提取方法、装置、设备及存储介质
CN110909136A (zh) 满意度预估模型的训练方法、装置、电子设备及存储介质
KR102607536B1 (ko) 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체
CN112508027B (zh) 用于实例分割的头部模型、实例分割模型、图像分割方法及装置
CN111079813B (zh) 基于模型并行的分类模型计算方法和装置
CN112528931A (zh) 用于生成位置预测信息的方法、装置以及自动驾驶车辆
CN111680599A (zh) 人脸识别模型处理方法、装置、设备和存储介质

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
GR01 Patent grant
GR01 Patent grant