CN111310775B - 数据训练方法、装置、终端设备及计算机可读存储介质 - Google Patents

数据训练方法、装置、终端设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111310775B
CN111310775B CN201811512884.3A CN201811512884A CN111310775B CN 111310775 B CN111310775 B CN 111310775B CN 201811512884 A CN201811512884 A CN 201811512884A CN 111310775 B CN111310775 B CN 111310775B
Authority
CN
China
Prior art keywords
training
information
detected
target
data set
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.)
Active
Application number
CN201811512884.3A
Other languages
English (en)
Other versions
CN111310775A (zh
Inventor
凌健
钱令军
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.)
TCL Technology Group Co Ltd
Original Assignee
TCL Technology Group 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 TCL Technology Group Co Ltd filed Critical TCL Technology Group Co Ltd
Priority to CN201811512884.3A priority Critical patent/CN111310775B/zh
Publication of CN111310775A publication Critical patent/CN111310775A/zh
Application granted granted Critical
Publication of CN111310775B publication Critical patent/CN111310775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例适用于图像处理技术领域，公开了一种数据训练方法、装置、终端设备及计算机可读存储介质，其中，方法包括：获取训练数据集；获取训练数据集的标签信息，标签信息包括待检测目标的占比信息和待检测目标的位置信息，占比信息为待检测目标的面积和原图像的面积的比值；根据训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；根据占比信息、位置信息以及全局损失值，计算损失函数的数值；根据损失函数的数值，调整神经网络模型的网络参数，得到训练后神经网络模型。本申请实施例可以提高目标检测的针对性和训练效率。

Description

数据训练方法、装置、终端设备及计算机可读存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种数据训练方法、装置、终端设备及计算机可读存储介质。
背景技术
随着智能硬件与人工神经网络的发展，机器学习已广泛应用于生物、医疗、化学、经济等各个领域。
对于图像处理部分，主要包含两大类问题，分别为分类问题和检测问题。分类问题是对不同类别的图像目标进行类别处理，而检测问题对图像目标进行类别处理和图像像素位置处理。在神经网络训练中的损失函数是指在监督学习中，表征机器学习模型基于样本映射处错误的目标变量的代价。
但是，现有的机器学习或深度学习训练方法中，对损失函数的考虑较为单一，更多考虑到正则化部分，以防止过拟合问题。且对目标图像的所有像素一视同仁，即遍历图像所有像素以完成处理，这样极大地降低了训练效率。此外，利用现有的训练方法进行训练得到的训练模型进行目标检测时，针对性较差。
发明内容
有鉴于此，本申请实施例提供了一种数据训练方法、装置、终端设备及计算机可读存储介质，以解决现有技术中训练效率低下和目标检测针对性较差的问题。
本申请实施例的第一方面提供了一种数据训练方法，包括：
获取训练数据集；
获取所述训练数据集的标签信息，所述标签信息包括待检测目标的占比信息和所述待检测目标的位置信息，所述占比信息为所述待检测目标的面积和原图像的面积的比值；
根据所述训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；
根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值；
根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型。
结合第一方面，在一种可行的实现中，在所述根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型之后，还包括：
获取测试数据集；
根据所述测试数据集对所述训练后神经网络模型进行测试，得出测试结果；
判断所述测试结果是否满足图像目标检测需求；
当所述测试结果不满足所述图像目标检测需求时，调整网络训练参数和所述训练数据集；
根据所述网络训练参数和调整后的训练数据集，重新对所述神经网络模型进行训练。
结合第一方面，在一种可行的实现中，当所述测试结果满足所述图像目标检测需求时，所述数据训练方法还包括：
利用所述训练后神经网络模型，对待检测目标进行检测。
结合第一方面，在一种可行的实现中，所述根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值，包括：
通过损失函数公式Loss＝Lossbasic+λLosslocation+μLossprop，根据所述占比信息、所述位置信息以及所述全局损失值，计算所述损失函数的数值；
其中，Lossbasic为所述全局损失值，Losslocation为所述位置信息，Lossprop为所述占比信息，λ+μ＝1。
结合第一方面，在一种可行的实现中，所述获取所述训练数据集的标签信息，包括：
获取所述待检测目标在所述原图像的坐标信息；
根据所述坐标信息，计算所述待检测目标的面积；
根据所述坐标信息，计算所述待检测目标的中心点与所述原图像的中心点的距离；
计算所述待检测目标的面积与所述原图像的面积的比值。
本申请实施例的第二方面提供一种数据训练装置，包括：
训练数据集获取模块，用于获取模块，用于获取训练数据集；
标签信息获取模块，用于获取所述训练数据集的标签信息，所述标签信息包括待检测目标的占比信息和所述待检测目标的位置信息，所述占比信息为所述待检测目标的面积和原图像的面积的比值；
训练模块，用于根据所述训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；
计算模块，用于根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值；
第一调整模块，用于根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型。
结合第二方面，在一种可行的实现中，还包括：
测试数据集获取模块，用于获取测试数据集；
测试模块，用于根据所述测试数据集对所述训练后神经网络模型进行测试，得出测试结果；
判断模块，用于判断所述测试结果是否满足图像目标检测需求；
第二调整模块，用于当所述测试结果不满足所述图像目标检测需求时，调整网络训练参数和所述训练数据集；
重新训练模块，用于根据所述网络训练参数和调整后的训练数据集，重新对所述神经网络模型进行训练。
结合第二方面，在一种可行的实现中，当所述测试结果满足所述图像目标检测需求时，还包括：
检测模块，用于利用所述训练后神经网络模型，对待检测目标进行检测。
结合第二方面，在一种可行的实现中，所述计算模块包括：
计算单元，用于通过损失函数公式Loss＝Lossbasic+λLosslocation+μLossprop，根据所述占比信息、所述位置信息以及所述全局损失值，计算所述损失函数的数值；
其中，Lossbasic为所述全局损失值，Losslocation为所述位置信息，Lossprop为所述占比信息，λ+μ＝1。
结合第二方面，在一种可行的实现中，所述标签信息获取包括：
坐标信息获取单元，用于获取所述待检测目标在所述原图像的坐标信息；
面积计算单元，用于根据所述坐标信息，计算所述待检测目标的面积；
距离计算单元，用于根据所述坐标信息，计算所述待检测目标的中心点与所述原图像的中心点的距离；
比值计算单元，用于计算所述待检测目标的面积与所述原图像的面积的比值。
本申请实施例的第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述方法的步骤。
本申请实施例的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过在基础损失函数部分，引入待检测目标的位置信息和占比信息，限制了目标训练像素区域，不用遍历图像所有的像素，提高了目标训练的针对性，提高了训练效率。同时，也使得后续的目标检测的针对性更高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，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数据训练方法的流程示意框图；
图2为本申请实施例提供的检测图像示意图；
图3为本申请实施例提供的一种数据训练方法的另一种流程示意框图；
图4为本申请实施例提供的一种数据训练装置的结构示意框图；
图5为本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
实施例一
请参见图1，为本申请实施例提供的一种数据训练方法的流程示意框图，该方法可以包括以下步骤：
步骤S101、获取训练数据集。
步骤S102、获取训练数据集的标签信息，标签信息包括待检测目标的占比信息和待检测目标的位置信息，占比信息为待检测目标的面积和原图像的面积的比值。
需要说明的是，上述待检测目标是指需要检测的目标对象，其可以是人，也可以是物，该待检测目标处于图像中的某个区域。而训练数据集是指包括多张图像的数据集，且该数据集内的每张图像均包含有该待检测目标。训练数据集所包含的图像数量可以根据实际需要进行设定。
可以理解的是，上述占比信息是指待检测目标在图像内所占区域的面积大小和图像的面积大小间的比值，其是表征待检测目标所占的目标区域相对于原图的占比。例如，当待检测目标在图像内的所占的目标区域为长方形，则可以计算出该长方形的面积，再计算出该图像的整体面积，最后将长方形的面积比上整体面积，得到该待检测目标相对于原图像的占比信息。
上述位置信息是指待检测目标在图像内所处位置，其可以包括坐标信息和距离信息。其中，坐标信息是指在原图像建立一个坐标系后得出的该待检测目标所处区域的坐标。而距离信息是指该待检测目标的中心到图像中心的距离。一般来说，待检测目标在图像内的目标区域是规则图形，例如，长方形，此时，其坐标信息则可以包括各顶点坐标信息和中心坐标信息。
当然，上述标签信息除了包括占比信息和位置信息之外，还可以包括其它信息，在此不作限定。
在一实施例中，本步骤，即上述获取训练数据集的标签信息的具体过程可以包括：获取待检测目标在原图像的坐标信息；根据坐标信息，计算待检测目标的面积；根据坐标信息，计算待检测目标的中心点与原图像的中心点的距离；计算待检测目标的面积与原图像的面积的比值。
为了更好地介绍占比信息和位置信息的计算过程，下面将结合图2示出的检测图像示意图进行介绍说明。
如图2所示，其为训练数据集中一副图像，图像尺寸为w0*h0，图像中心点记为O0，该图像中心的坐标为待检测目标在图像中所占的目标区域为图中矩形区域，其大小为w1*h1，其坐标信息为xmin，ymin，xmax，ymax。该矩形区域的中心点记为O1，坐标为此时，中心点O1和O0间的直线距离为待检测目标所在的目标区域相对于原图的占比为/>
需要说明的是，上述图2所示仅仅是一个示例，并不造成对本申请实施例的限定。
步骤S103、根据训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练。
需要说明的是，上述初始网络参数是预先设置的，其可以根据实际应用场景进行设定，在此不作限定。上述神经网络模块是预先建立的，用于进行图像目标检测。
步骤S104、根据占比信息、位置信息以及全局损失值，计算损失函数的数值。
在一实施例中，具体可以通过通过损失函数公式Loss＝Lossbasic+λLosslocation+μLossprop，基于根据占比信息、位置信息以及全局损失值，计算损失函数的数值；其中，Lossbasic为全局损失值，Losslocation为位置信息，Lossprop为占比信息，λ+μ＝1。
其中，全局损失值为依据传统的机器学习方法所计算得出的全局损失值。μ可以随着目标区域的占比的增加而增大，λ可以随着待检测目标所处目标区域的中心和图像中心间的距离值的增大而规律减小。
可以看出，此处以图像中待检测目标的在图像中的位置特性和占比特征作为训练因素之一，使得在模型训练结果中体现出检测目标在原图中的位置信息和图像占比信息，限制目标检测像素区域，排除非感兴趣的干扰和训练耗时，极大地提高训练效率。
步骤S105、根据损失函数的数值，调整神经网络模型的网络参数，得到训练后神经网络模型。
具体地，根据计算出来的损失函数的数值，采用机器学习迭代回归调整网络参数，以得到最终输出的神经网络模型。
本实施例中，通过在基础损失函数部分，引入待检测目标的位置信息和占比信息，限制了目标训练像素区域，不用遍历图像所有的像素，提高了目标训练的针对性，提高了训练效率。同时，也使得后续的目标检测的针对性更高。
实施例二
请参见图3，为本申请实施例提供的一种数据训练方法的另一种流程示意框图，该方法可以包括以下步骤：
步骤S301、获取训练数据集。
步骤S302、计算训练数据集的标签信息，标签信息包括待检测目标的占比信息和待检测目标的位置信息，占比信息为待检测目标的面积和原图像的面积的比值。
步骤S303、根据训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练。
步骤S304、根据占比信息、位置信息以及全局损失值，计算损失函数的数值。
步骤S305、根据损失函数的数值，调整神经网络模型的网络参数，得到训练后神经网络模型。
需要说明的是，上述步骤S301～S305与上述实施例一种的步骤S101～S105相同，具体介绍请参见上文相应内容，在此不再赘述。
在训练好神经网络模型之后，可以先对该神经网络模型进行测试，判断其是否满足预先设定的目标检测需求，如果满足，则可以将其投入应用，如果不满足，则可以调整网络参数和训练数据集，重新训练神经网络模型，以使神经网络模型符合目标检测需求。
步骤S306、获取测试数据集。
步骤S307、根据测试数据集对训练后神经网络模型进行测试，得出测试结果。
步骤S308、判断测试结果是否满足图像目标检测需求。当测试结果不满足图像目标检测需求时，进入步骤S309；当测试结果满足图像目标检测需求时，进入步骤S311。
可以理解的是，上述图像目标检测需求可以根据实际应用场景、实际检测对象进行设定，在此不作限定。
步骤S309、调整网络训练参数和训练数据集。
步骤S310、根据网络训练参数和调整后的训练数据集，重新对神经网络模型进行训练。
步骤S311、利用训练后神经网络模型，对待检测目标进行检测。
可以理解的是，训练后的神经网络模型也可以直接用于图像目标检测，不用经过测试环节。
需要说明的是，训练的神经网络模型通过引入训练目标的位置信息和目标区域的图像相对于原图的占比信息，除了提高训练效率，还可以增强对待检测目标的特写特征表达，降低非特写区域的目标检测置信率，提高目标检测效率。
本实施例中，通过在基础损失函数部分，引入待检测目标的位置信息和占比信息，限制了目标训练像素区域，不用遍历图像所有的像素，提高了目标训练的针对性，提高了训练效率。还通过训练后的神经网络模型增强对待检测目标的特写特征表达，降低非特写区域的目标检测置信率，提高目标检测效率。同时，也使得后续的目标检测的针对性更高。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例三
请参见图4，为本申请实施例提供的一种数据训练装置的结构示意框图，该装置可以包括：
训练数据集获取模块41，用于获取模块，用于获取训练数据集；
标签信息获取模块42，用于计算训练数据集的标签信息，标签信息包括待检测目标的占比信息和待检测目标的位置信息，占比信息为待检测目标的面积和原图像的面积的比值；
训练模块43，用于根据训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；
计算模块44，用于根据占比信息、位置信息以及全局损失值，计算损失函数的数值；
第一调整模块45，用于根据损失函数的数值，调整神经网络模型的网络参数，得到训练后神经网络模型。
在一种可行的实现中，上述装置还可以包括：
测试数据集获取模块，用于获取测试数据集；
测试模块，用于根据测试数据集对训练后神经网络模型进行测试，得出测试结果；
判断模块，用于判断测试结果是否满足图像目标检测需求；
第二调整模块，用于当测试结果不满足图像目标检测需求时，调整网络训练参数和训练数据集；
重新训练模块，用于根据网络训练参数和调整后的训练数据集，重新对神经网络模型进行训练。
在一种可行的实现中，当测试结果满足图像目标检测需求时，上述装置还可以包括：
检测模块，用于利用训练后神经网络模型，对待检测目标进行检测。
在一种可行的实现中，上述计算模块可以包括：
计算单元，用于通过损失函数公式Loss＝Lossbasic+λLosslocation+μLossprop，根据占比信息、位置信息以及全局损失值，计算损失函数的数值；
其中，Lossbasic为全局损失值，Losslocation为位置信息，Lossprop为占比信息，λ+μ＝1。
在一种可行的实现中，上述标签信息获取模块包括：
坐标信息获取单元，用于获取待检测目标在原图像的坐标信息；
面积计算单元，用于根据坐标信息，计算待检测目标的面积；
距离计算单元，用于根据坐标信息，计算待检测目标的中心点与原图像的中心点的距离；
比值计算单元，用于计算待检测目标的面积与原图像的面积的比值。
本实施例通过在基础损失函数部分，引入待检测目标的位置信息和占比信息，限制了目标训练像素区域，不用遍历图像所有的像素，提高了目标训练的针对性，提高了训练效率。同时，也使得后续的目标检测的针对性更高。
实施例四
图5是本申请一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个数据训练方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块41至45的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块或单元，所述一个或者多个模块或单元被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块或单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如，所述计算机程序52可以被分割成训练数据集获取模块、标签信息获取模块、训练模块、计算模块以及第一调整模块，各模块具体功能如下：
训练数据集获取模块，用于获取模块，用于获取训练数据集；
标签信息获取模块，用于计算训练数据集的标签信息，标签信息包括待检测目标的占比信息和待检测目标的位置信息，占比信息为待检测目标的面积和原图像的面积的比值；
训练模块，用于根据训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；
计算模块，用于根据占比信息、位置信息以及全局损失值，计算损失函数的数值；
第一调整模块，用于根据损失函数的数值，调整神经网络模型的网络参数，得到训练后神经网络模型。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置、终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置、终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块或单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种数据训练方法，其特征在于，包括：
获取训练数据集；
获取所述训练数据集的标签信息，所述标签信息包括待检测目标的占比信息和所述待检测目标的位置信息，所述占比信息为所述待检测目标的面积和原图像的面积的比值；
根据所述训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；
根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值；
根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型；
其中，所述根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值，包括：
根据损失函数公式Loss＝Lossbasic+λLosslocation+μLossprop，对所述占比信息、所述位置信息以及所述全局损失值进行计算，得到所述损失函数的数值；其中，Lossbasic为所述全局损失值，Losslocation为所述位置信息，Lossprop为所述占比信息，λ+μ＝1；
所述获取所述训练数据集的标签信息，包括：
获取所述待检测目标在所述原图像的坐标信息；
根据所述坐标信息，计算所述待检测目标的面积；
根据所述坐标信息，计算所述待检测目标的中心点与所述原图像的中心点的距离；
计算所述待检测目标的面积与所述原图像的面积的比值。
2.根据权利要求1所述的数据训练方法，其特征在于，在所述根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型之后，还包括：
获取测试数据集；
根据所述测试数据集对所述训练后神经网络模型进行测试，得出测试结果；
判断所述测试结果是否满足图像目标检测需求；
当所述测试结果不满足所述图像目标检测需求时，调整网络训练参数和所述训练数据集；
根据所述网络训练参数和调整后的训练数据集，重新对所述神经网络模型进行训练。
3.根据权利要求2所述的数据训练方法，其特征在于，当所述测试结果满足所述图像目标检测需求时，所述数据训练方法还包括：
利用所述训练后神经网络模型，对待检测目标进行检测。
4.一种数据训练装置，其特征在于，包括：
训练数据集获取模块，用于获取模块，用于获取训练数据集；
标签信息获取模块，用于获取所述训练数据集的标签信息，所述标签信息包括待检测目标的占比信息和所述待检测目标的位置信息，所述占比信息为所述待检测目标的面积和原图像的面积的比值；
训练模块，用于根据所述训练数据集和初始网络参数，对用于图像目标检测的神经网络模型进行训练；
计算模块，用于根据所述占比信息、所述位置信息以及全局损失值，计算损失函数的数值；
第一调整模块，用于根据所述损失函数的数值，调整所述神经网络模型的网络参数，得到训练后神经网络模型；
其中，所述计算模块包括：
计算单元，用于根据损失函数公式Loss＝Lossbasic+λLosslocation+μLossprop，对所述占比信息、所述位置信息以及所述全局损失值进行计算，得到所述损失函数的数值；其中，Lossbasic为所述全局损失值，Losslocation为所述位置信息，Lossprop为所述占比信息，λ+μ＝1；
所述标签信息获取模块，包括：
坐标信息获取单元，用于获取所述待检测目标在所述原图像的坐标信息；
面积计算单元，用于根据所述坐标信息，计算所述待检测目标的面积；
距离计算单元，用于根据所述坐标信息，计算所述待检测目标的中心点与所述原图像的中心点的距离；
比值计算单元，用于计算所述待检测目标的面积与所述原图像的面积的比值。
5.根据权利要求4所述的数据训练装置，其特征在于，还包括：
测试数据集获取模块，用于获取测试数据集；
测试模块，用于根据所述测试数据集对所述训练后神经网络模型进行测试，得出测试结果；
判断模块，用于判断所述测试结果是否满足图像目标检测需求；
第二调整模块，用于当所述测试结果不满足所述图像目标检测需求时，调整网络训练参数和所述训练数据集；
重新训练模块，用于根据所述网络训练参数和调整后的训练数据集，重新对所述神经网络模型进行训练。
6.根据权利要求5所述的数据训练装置，其特征在于，当所述测试结果满足所述图像目标检测需求时，还包括：
检测模块，用于利用所述训练后神经网络模型，对待检测目标进行检测。
7.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
8.一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存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
CN201811512884.3A 2018-12-11 2018-12-11 数据训练方法、装置、终端设备及计算机可读存储介质 Active CN111310775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811512884.3A CN111310775B (zh) 2018-12-11 2018-12-11 数据训练方法、装置、终端设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811512884.3A CN111310775B (zh) 2018-12-11 2018-12-11 数据训练方法、装置、终端设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111310775A CN111310775A (zh) 2020-06-19
CN111310775B true CN111310775B (zh) 2023-08-25

Family

ID=71146706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811512884.3A Active CN111310775B (zh) 2018-12-11 2018-12-11 数据训练方法、装置、终端设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111310775B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111756602B (zh) * 2020-06-29 2022-09-27 上海商汤智能科技有限公司 神经网络模型训练中的通信超时检测方法和相关产品
CN112085063B (zh) * 2020-08-10 2023-10-13 深圳市优必选科技股份有限公司 一种目标识别方法、装置、终端设备及存储介质
CN112200004B (zh) * 2020-09-15 2024-01-16 深圳市优必选科技股份有限公司 图像检测模型的训练方法、装置及终端设备
CN112201116B (zh) * 2020-09-29 2022-08-05 深圳市优必选科技股份有限公司 一种逻辑板识别方法、装置及终端设备
CN114549951B (zh) * 2020-11-26 2024-04-23 未岚大陆(北京)科技有限公司 获得训练数据的方法、相关设备、系统及存储介质
CN112637210B (zh) * 2020-12-24 2022-03-22 四川虹微技术有限公司 数据检测方法、装置、电子设备及可读存储介质
CN112712005B (zh) * 2020-12-25 2023-12-15 深圳市优必选科技股份有限公司 识别模型的训练方法、目标识别方法及终端设备
CN112613577A (zh) * 2020-12-31 2021-04-06 上海商汤智能科技有限公司 神经网络的训练方法、装置、计算机设备及存储介质
CN112698339B (zh) * 2020-12-31 2023-07-18 中国人民解放军战略支援部队信息工程大学 目标检测方法、装置及系统
CN112818767B (zh) * 2021-01-18 2023-07-25 深圳市商汤科技有限公司 数据集生成、伪造检测方法、装置、电子设备及存储介质
CN112949519B (zh) * 2021-03-09 2023-05-30 上海芯物科技有限公司 目标检测方法、装置、设备及存储介质
CN113658101B (zh) * 2021-07-19 2023-06-30 南方科技大学 图像中地标点检测方法、装置、终端设备及存储介质
CN113919444B (zh) * 2021-11-10 2022-12-13 北京市商汤科技开发有限公司 目标检测网络的训练方法、目标检测方法及装置
CN114118413A (zh) * 2021-11-30 2022-03-01 上海商汤临港智能科技有限公司 网络训练及设备的控制方法、装置、设备及存储介质
CN114612651B (zh) * 2022-03-11 2023-07-21 北京百度网讯科技有限公司 Roi检测模型训练方法、检测方法、装置、设备和介质
CN115861162A (zh) * 2022-08-26 2023-03-28 宁德时代新能源科技股份有限公司 定位目标区域的方法、装置及计算机可读存储介质
CN115527189B (zh) * 2022-11-01 2023-03-21 杭州枕石智能科技有限公司 车位状态的检测方法、终端设备及计算机可读存储介质
CN117036355B (zh) * 2023-10-10 2023-12-15 湖南大学 编码器和模型的训练方法、故障检测方法及相关设备
CN117454121B (zh) * 2023-12-22 2024-04-05 华能济南黄台发电有限公司 一种基于电厂安全预警的数据分析处理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121986A (zh) * 2017-12-29 2018-06-05 深圳云天励飞技术有限公司 目标检测方法及装置、计算机装置和计算机可读存储介质
WO2018121690A1 (zh) * 2016-12-29 2018-07-05 北京市商汤科技开发有限公司 对象属性检测、神经网络训练、区域检测方法和装置
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN108921825A (zh) * 2018-06-12 2018-11-30 北京羽医甘蓝信息技术有限公司 基于深度学习的检测面部皮肤点状缺陷的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018121690A1 (zh) * 2016-12-29 2018-07-05 北京市商汤科技开发有限公司 对象属性检测、神经网络训练、区域检测方法和装置
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN108121986A (zh) * 2017-12-29 2018-06-05 深圳云天励飞技术有限公司 目标检测方法及装置、计算机装置和计算机可读存储介质
CN108921825A (zh) * 2018-06-12 2018-11-30 北京羽医甘蓝信息技术有限公司 基于深度学习的检测面部皮肤点状缺陷的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张超 ; 陈莹 ; .残差网络下基于困难样本挖掘的目标检测.激光与光电子学进展.2018,(第10期),全文. *

Also Published As

Publication number Publication date
CN111310775A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111310775B (zh) 数据训练方法、装置、终端设备及计算机可读存储介质
CN108898086B (zh) 视频图像处理方法及装置、计算机可读介质和电子设备
CN108122234B (zh) 卷积神经网络训练及视频处理方法、装置和电子设备
CN111815754B (zh) 一种三维信息确定方法、三维信息确定装置及终端设备
CN111860398B (zh) 遥感图像目标检测方法、系统及终端设备
CN110378297B (zh) 基于深度学习的遥感图像目标检测方法、装置、及存储介质
CN110991533B (zh) 图像识别方法、识别装置、终端设备及可读存储介质
CN110751037A (zh) 车身颜色识别的方法及终端设备
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN108846851B (zh) 运动目标跟踪方法及终端设备
CN112085056B (zh) 目标检测模型生成方法、装置、设备及存储介质
CN108764139B (zh) 一种人脸检测方法、移动终端及计算机可读存储介质
CN110675334A (zh) 一种图像增强方法及装置
CN113393487B (zh) 运动目标检测方法、装置、电子设备及介质
CN111882565B (zh) 一种图像二值化方法、装置、设备及存储介质
CN115082968B (zh) 基于红外光和可见光融合的行为识别方法及终端设备
CN114170303A (zh) 雷达和摄像头的联合标定方法、装置、系统、设备及介质
CN111161789B (zh) 一种模型预测的关键区域的分析方法及装置
CN113191189A (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN116486151A (zh) 图像分类模型训练方法、图像分类方法、设备及存储介质
CN111104965A (zh) 车辆目标识别的方法及装置
CN117333892A (zh) 题干和答案的识别方法、装置、可读存储介质及终端设备
CN115147469A (zh) 配准方法、装置、设备及存储介质
CN113837998A (zh) 一种基于深度学习的图片自动调整对齐的方法及装置
CN109286798B (zh) 一种投影屏幕的边框位置识别方法、系统及终端设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province

Applicant after: TCL Technology Group Co.,Ltd.

Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District

Applicant before: TCL Corp.

GR01 Patent grant
GR01 Patent grant