CN111768005A - 轻量级检测模型的训练方法、装置、电子设备及存储介质 - Google Patents
轻量级检测模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111768005A CN111768005A CN202010568194.0A CN202010568194A CN111768005A CN 111768005 A CN111768005 A CN 111768005A CN 202010568194 A CN202010568194 A CN 202010568194A CN 111768005 A CN111768005 A CN 111768005A
- Authority
- CN
- China
- Prior art keywords
- detection
- real
- detection frame
- model
- trained
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 486
- 238000012549 training Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000006870 function Effects 0.000 claims abstract description 113
- 230000015654 memory Effects 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种轻量级检测模型的训练方法、装置、电子设备及存储介质,涉及人工智能、深度学习以及图像识别领域,具体应用于眼底影像筛查方面。具体方案为:当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果;根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;根据该辅助损失函数值和预先确定的非辅助损失函数值,对待训练模型进行训练,重复执行上述操作,直到待训练模型满足收敛条件为止。本申请实施例可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度,从而能够有效地提高轻量级检测模型的性能。
Description
技术领域
本申请涉及计算机技术领域,进一步涉及人工智能、深度学习以及图像识别领域,尤其是一种轻量级检测模型的训练方法、装置、电子设备及存储介质。
背景技术
智能眼底筛查系统是指在无专业眼科医师经验依赖的情况下,根据受检者的眼底照片信息自主做出符合专业医生诊断标准的自主诊断系统。由于具有相关专业技能的眼科医师与待筛查大众人口的比例悬殊,所以智能眼底筛查诊断系统在国家防盲治盲的道路上具有广大的市场前景和深远的应用意义。
通常来说,将深度学习模型应用于眼底智能诊断系统的方式可归结为以下两类:一种是基于黑盒的深度学习分类模型直接进行决策输出;这种方法以直接根据受检者的眼底照片做出有疾病或者无疾病或者得出疾病等级的决策判断为主。第二种则是白盒模型,根据受检者的眼底照片检测其是否有可疑病灶或体征,进一步得出是否患有相关疾病的诊断决策,在诊断逻辑上更符合专业医师的诊断流程。具体而言,在第二种场景的白盒模型研发过程中,往往会遇到以下几种问题:第一、由于本地终端的算力、内存和存储资源的共同约束下,模型的参数量受到了极大程度的限制;第二、由于智能医疗诊断系统是一个面向社区筛查、面向体检中心应用的系统,所以检测模块在耗时上也同样具有很强的约束;第三、由于眼底疾病的早期筛查往往依赖于微小目标的检测,所以如何在资源受限以及速度要求高的情况下尽量提高细小目标的检出精度,具有十分重要的意义。
现有的技术方案均为在算力资源和精度上的博弈权衡,主要问题在于:第一、目标检测性能极大程度依赖于检测模型的复杂程度;第二、在终端硬件算力资源允许的情况下,图像输入尺寸较大也会导致小目标检测性能的提升,但仍不能直接解决问题;第三、模型内多阶段特征图融合是一种相对较为缓和的技术解决方案,但网络内的特征融合同样会带来计算资源的消耗。
发明内容
本申请提供了一种轻量级检测模型的训练方法、装置、设备以及存储介质,可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度,从而能够有效地提高轻量级检测模型的性能。
第一方面,本申请提供了一种轻量级检测模型的训练方法,所述方法包括:
当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到所述待训练模型输出的检测结果;
根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果,计算所述当前样本图像对应的辅助损失函数值;
根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值,对所述待训练模型进行训练,将下一个样本图像作为所述当前样本图像,重复执行上述操作,直到待训练模型满足所述收敛条件为止。
第二方面,本申请提供了一种轻量级检测模型的训练装置,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,用于当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到所述待训练模型输出的检测结果;
所述计算模块,用于根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果,计算所述当前样本图像对应的辅助损失函数值;
所述训练模块,用于根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值,对所述待训练模型进行训练,将下一个样本图像作为所述当前样本图像,重复执行上述操作,直到待训练模型满足所述收敛条件为止。
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轻量级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轻量级检测模型的训练方法。
根据本申请的技术解决了现有技术中目标检测性能极大程度依赖于检测模型的复杂程度,无法在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度的技术问题,本申请提供的技术方案,可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度,从而能够有效地提高轻量级检测模型的性能。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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轻量级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轻量级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轻量级检测模型的训练方法的流程示意图;
图4是本申请实施例三提供的目标检测框和真实检测框以及最小闭包区域的结构示意图;
图5是本申请实施例四提供的轻量级检测模型的训练装置的结构示意图;
图6是用来实现本申请实施例的轻量级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轻量级检测模型的训练方法的流程示意图,该方法可以由轻量级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,轻量级检测模型的训练方法可以包括以下步骤:
S101、当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果。
在本申请的具体实施例中,当待训练模型不满足收敛条件时,电子设备可以将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果。
S102、根据待训练模型输出的检测结果以及预先确定的当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值。
在本申请的具体实施例中,电子设备可以根据待训练模型输出的检测结果以及预先确定的当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值。具体地,电子设备可以先根据待训练模型输出的检测结果以及预先确定的真实结果,计算各个检测对象对应的尺度缩放因子和损失函数项;然后根据各个检测对象对应的尺度缩放因子和损失函数项,可以准确地计算出当前样本图像对应的辅助损失函数值,从而可以增强轻量级检测模型针对细小目标的检测精度。
S103、根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值,对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。
在本申请的具体实施例中,电子设备可以根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值,对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。具体地,电子设备可以将当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值相加,得到当前图像对应的最终损失函数值,然后使用得到的最终损失函数值对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。
本申请实施例提出的轻量级检测模型的训练方法,当待训练模型不满足收敛条件时,先将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果;然后根据待训练模型输出的检测结果以及预先确定的当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;再根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值,对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。也就是说,本申请可以根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;然后根据当前样本图像对应的辅助损失函数值和非辅助损失函数值,对待训练模型进行训练。而在现有的轻量级检测模型的训练方法中,目标检测性能极大程度依赖于检测模型的复杂程度,无法在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度。因为本申请采用了根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值的技术手段,克服了现有技术中的目标检测性能极大程度依赖于检测模型的复杂程度的技术问题,本申请提供的技术方案,可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度,从而能够有效地提高轻量级检测模型的性能;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轻量级检测模型的训练方法的流程示意图。如图2所示,轻量级检测模型的训练方法可以包括以下步骤:
S201、当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果。
S202、根据待训练模型输出的检测结果以及预先确定的真实结果,计算各个检测对象对应的尺度缩放因子和损失函数项。
在本申请的具体实施例中,电子设备在计算各个检测对象对应的尺度缩放因子时,可以先在检测结果中提取出各个检测对象的目标检测框的高度和宽度,并在真实结果中提取出各个检测对象的真实检测框的高度和宽度;然后根据各个目标检测框的高度和宽度计算各个目标检测框的面积,并根据各个真实检测框的高度和宽度计算各个真实检测框的面积;再根据各个目标检测框的面积和各个真实检测框的面积,可以准确地计算出各个检测对象对应的尺度缩放因子。
进一步地,电子设备在计算各个检测对象对应的损失函数项时,可以先在检测结果中提取出各个检测对象的目标检测框的高度、宽度以及中心点的位置,并在真实结果中提取出各个检测对象的真实检测框的高度、宽度以及中心点的位置;然后根据各个目标检测框的高度、宽度以及中心点的位置和与其对应的真实检测框的高度、宽度以及中心点的位置,确定各个目标检测框和与其对应的真实检测框的最小闭包区域的高度、宽度以及中心点的位置;再根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置,可以准确地计算出各个检测对象对应的损失函数项。
S203、根据各个检测对象对应的尺度缩放因子和损失函数项,计算各个检测对象对应的辅助损失函数值。
在本申请的具体实施例中,电子设备可以根据各个检测对象对应的尺度缩放因子和损失函数项,计算各个检测对象对应的辅助损失函数值。具体地,电子设备可以先根据各个检测对象对应的尺度缩放因子和损失函数项,计算出各个检测对象对应的辅助损失函数值,然后将各个检测对象对应的辅助损失函数值进行相加,得到当前样本图像对应的辅助损失函数值。具体地,电子设备在全部的检测对象中提取出一个检测对象作为当前检测对象,按照以下公式计算当前检测对象对应的辅助损失函数值:LIOU=α×(1-GIoU);其中,LIOU表示当前检测对象对应的辅助损失函数值;α表示当前检测对象对应的尺度缩放因子;GIoU表示当前检测对象对应的损失函数项;重复执行上述操作,直到计算出各个检测对象对应的损失函数值。
S204、根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值,对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。
本申请实施例提出的轻量级检测模型的训练方法,当待训练模型不满足收敛条件时,先将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果;然后根据待训练模型输出的检测结果以及预先确定的当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;再根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值,对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。也就是说,本申请可以根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;然后根据当前样本图像对应的辅助损失函数值和非辅助损失函数值,对待训练模型进行训练。而在现有的轻量级检测模型的训练方法中,目标检测性能极大程度依赖于检测模型的复杂程度,无法在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度。因为本申请采用了根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值的技术手段,克服了现有技术中的目标检测性能极大程度依赖于检测模型的复杂程度的技术问题,本申请提供的技术方案,可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度,从而能够有效地提高轻量级检测模型的性能;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是本申请实施例三提供的轻量级检测模型的训练方法的流程示意图。如图3所示,轻量级检测模型的训练方法可以包括以下步骤:
S301、当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果。
S302、在检测结果中提取出各个检测对应的目标检测框的高度、宽度以及中心点的位置,并在真实结果中提取出各个检测对象的真实检测框的高度、宽度以及中心点的位置。
在本申请的具体实施例中,电子设备可以在检测结果中提取出各个检测对象的目标检测框的高度、宽度和中心点的位置,并在真实结果中提取出各个检测对象的真实检测框的高度、宽度和中心点的位置。具体地,各个检测对象的目标检测框的高度和宽度可以表示为(h,w);其中,h表示各个检测对象的目标检测框的高度;w表示各个检测对象的目标检测框的宽度。同样地,各个检测对象的真实检测框的高度和宽度可以表示为(h,,w,);其中,h,表示各个检测对象的真实检测框的高度;w,表示各个检测对象的真实检测框的宽度。
S303、根据各个目标检测框的高度和宽度计算目标检测框的面积,并根据各个真实检测框的高度和宽度计算各个真实检测框的面积。
在本申请的具体实施例中,电子设备可以根据各个目标检测框的高度和宽度计算各个目标检测框的面积,并根据各个真实检测框的高度和宽度计算各个真实检测框的面积。具体地,各个检测对象的目标检测框的面积为h×w;其中,h表示各个检测对象的目标检测框的高度;w表示各个检测对象的目标检测框的宽度;各个真实检测框的面积为h,×w,;其中,h,表示各个检测对象的真实检测框的高度;w,表示各个检测对象的真实检测框的宽度。
S304、根据各个目标检测框的面积和与其对应的真实检测框的面积,计算各个检测对象对应的尺度缩放因子。
在本申请的具体实施例中,电子设备可以根据各个目标检测框的面积和与其对应的真实检测框的面积,计算各个检测对象对应的尺度缩放因子。具体地,电子设备可以在全部的检测对象中提取出一个检测对象作为当前检测对象,按照以下公式计算当前检测对象对应的尺度缩放因子:其中,A表示当前检测对象的目标检测框;|A|表示目标检测框的面积;B表示当前检测对象的真实检测框;|B|表示真实检测框的面积;重复执行上述操作,直到计算出各个检测对象对应的尺度缩放因子。本申请通过尺度缩放因子α,当真实检测框为小目标且目标检测框为较大面积时,本申请中的辅助损失函数(ScaledGIoU)则会产生较大的损失函数值来引导模型的收敛方向。
S305、根据各个目标检测框的高度、宽度以及中心点的位置和各个真实检测框的高度、宽度以及中心点的位置,确定各个目标检测框和与其对应的真实检测框的最小闭包区域的高度、宽度以及中心点的位置。
在本申请的具体实施例中,电子设备可以根据各个目标检测框的高度、宽度以及中心点的位置和各个真实检测框的高度、宽度以及中心点的位置,确定各个目标检测框和与其对应的真实检测框的最小闭包区域的高度、宽度以及中心点的位置。
图4是本申请实施例三提供的目标检测框和真实检测框以及最小闭包区域的结构示意图。当前样本图像中可以包括多个检测对象,各个检测对象分别对应于一个目标检测框和一个真实检测框,下面将其中一个检测对象作为当前检测对象为例,说明当前检测对象的目标检测框和真实检测框以及最小闭包区域。如图4所示,填充小方格的区域为目标检测框;填充小圆点的区域为真实检测框;包含目标检测框与真实检测框的最外面的一个检测框为目标检测框和真实检测框的最小闭包区域。目标检测框可以表示为(h,w,(x,y));其中,h表示目标检测框的高度;w表示目标检测框的宽度;(x,y)表示目标检测框的中心点的位置;真实检测框可以表示为(h’,w’,(x’,y’));其中,h’表示真实检测框的高度;w’表示真实检测框的宽度;(x’,y’)表示真实检测框的中心点的位置。
S306、根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置,计算各个检测对象对应的损失函数项。
在本申请的具体实施例中,电子设备可以根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置,计算各个检测对象对应的损失函数项。具体地,电子设备在在全部的检测对象中提取出一个检测对象作为当前检测对象,按照以下公式计算当前检测对象对应的损失函数项:其中,A表示当前检测对象对应的目标检测框;B表示当前检测对象的真实检测框;C表示目标检测框和真实检测框的最小闭包区域;|A∩B|表示目标检测框与真实检测框的交集的面积;|A∪B|表示目标检测框与真实检测框的并集的面积;|C\(A∪B)|在目标检测框和真实检测框的最小闭包区域中除去目标检测框与真实检测框的并集的面积;|C|表示目标检测框和真实检测框的最小闭包区域的面积;重复执行上述操作,直到计算出各个检测对象对应的损失函数项。
S307、根据各个检测对象对应的尺度缩放因子和损失函数项,计算当前样本图像对应的辅助损失函数值。
S308、根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值,对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。
本申请使用4809张带8种体征的检测框级标注的眼底照片,在1204张测试集上进行验证。在不改变训练参数的情况下以及不增加后处理的情况下,Scaled GIoU添加前后的YOLO-V3效果比对,如下述表1所示:
AP-Total | AP-Small | AP-Medium | AP-Large | |
IoU | 0.218 | 0.074 | 0.217 | 0.563 |
GIoU | 0.221 | 0.068 | 0.219 | 0.631 |
Scaled GIoU | 0.235 | 0.119 | 0.255 | 0.573 |
表1
如上述表1所示,表1中的第一行表示采用现有技术中的交并比(Intersectionover Union,IOU)损失函数项得到的训练结果;第二行表示将1-GIoU作为交并比损失函数项得到的训练结果;第三行表示表示将α×(1-GIoU)作为交并比损失函数项得到的训练结果;表格中的AP表示平均精度;AP-Total表示全局平均精度;AP-Small表示小型号/小级别的平均精度;AP-Medium表示中等型号/中等级别的平均精度;AP-Large表示大型号/大级别的平均精度。
较佳地,本申请可以应用于眼底图像模型的训练场景中,在不额外增加模型复杂程度的情况下来提高模型在目标上的检出精度。相比不使用该辅助损失函数的轻量级低精度YOLO-V3模型,本申请可以有效提升YOLO-V3模型的目标检出精度,从而间接提升眼底智能诊断系统的早期筛查的成功率。
本申请实施例提出的轻量级检测模型的训练方法,当待训练模型不满足收敛条件时,先将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果;然后根据待训练模型输出的检测结果以及预先确定的当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;再根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值,对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。也就是说,本申请可以根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;然后根据当前样本图像对应的辅助损失函数值和非辅助损失函数值,对待训练模型进行训练。而在现有的轻量级检测模型的训练方法中,目标检测性能极大程度依赖于检测模型的复杂程度,无法在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度。因为本申请采用了根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值的技术手段,克服了现有技术中的目标检测性能极大程度依赖于检测模型的复杂程度的技术问题,本申请提供的技术方案,可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度,从而能够有效地提高轻量级检测模型的性能;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。
实施例四
图5是本申请实施例四提供的轻量级检测模型的训练装置的结构示意图。如图5所示,所述装置500包括:输入模块501、计算模块502和训练模块503;其中,
所述输入模块501,用于当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到所述待训练模型输出的检测结果;
所述计算模块502,用于根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果,计算所述当前样本图像对应的辅助损失函数值;
所述训练模块503,用于根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值,对所述待训练模型进行训练,将下一个样本图像作为所述当前样本图像,重复执行上述操作,直到待训练模型满足所述收敛条件为止。
进一步的,所述计算模块502,具体用于根据所述待训练模型输出的检测结果以及预先确定的真实结果,计算各个检测对象对应的尺度缩放因子和损失函数项;根据各个检测对象对应的尺度缩放因子和损失函数项,计算所述当前样本图像对应的辅助损失函数值。
进一步的,所述计算模块502,具体用于在所述检测结果中提取出各个检测对象的目标检测框的高度和宽度,并在所述真实结果中提取出各个检测对象的真实检测框的高度和宽度;根据各个目标检测框的高度和宽度计算各个目标检测框的面积,并根据各个真实检测框的高度和宽度计算各个真实检测框的面积;根据各个目标检测框的面积和与其对应的真实检测框的面积,计算各个检测对象对应的尺度缩放因子。
进一步的,所述计算模块502,具体用于在全部的检测对象中提取出一个检测对象作为当前检测对象,按照以下公式计算所述当前检测对象对应的尺度缩放因子:其中,A表示所述当前检测对象的目标检测框;|A|表示所述目标检测框的面积;B表示当前检测对象的真实检测框;|B|表示所述真实检测框的面积;重复执行上述操作,直到计算出各个检测对象对应的尺度缩放因子。
进一步的,所述计算模块502,具体用于在所述检测结果中提取出各个检测对象的目标检测框的高度、宽度以及中心点的位置,并在所述真实结果中提取出各个检测对象的真实检测框的高度、宽度以及中心点的位置;根据各个目标检测框的高度、宽度以及中心点的位置和各个真实检测框的高度、宽度以及中心点的位置,确定各个目标检测框和与其对应的真实检测框的最小闭包区域的高度、宽度以及中心点的位置;根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置,计算各个检测对象对应的损失函数项。
进一步的,所述计算模块502,具体用于在全部的检测对象中提取出一个检测对象作为当前检测对象,按照以下公式计算所述当前检测对象对应的损失函数项:其中,A表示所述当前检测对象对应的目标检测框;B表示所述当前检测对象的真实检测框;C表示所述目标检测框和所述真实检测框的最小闭包区域;|A∩B|表示所述目标检测框与所述真实检测框的交集的面积;|A∪B|表示所述目标检测框与所述真实检测框的并集的面积;|C\(A∪B)|在所述目标检测框和所述真实检测框的最小闭包区域中除去所述目标检测框与所述真实检测框的并集的面积;|C|表示所述目标检测框和所述真实检测框的最小闭包区域的面积;重复执行上述操作,直到计算出各个检测对象对应的损失函数项。
上述轻量级检测模型的训练装置可执行本申请任意实施例所提供的训练方法,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轻量级检测模型的训练方法。
实施例五
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6所示,是根据本申请实施例的轻量级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6所示,该电子设备包括:一个或多个处理器601、存储器602,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6中以一个处理器601为例。
存储器602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轻量级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轻量级检测模型的训练方法。
存储器602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轻量级检测模型的训练方法对应的程序指令/模块(例如,附图5所示的输入模块501、计算模块502和训练模块503)。处理器601通过运行存储在存储器602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轻量级检测模型的训练方法。
存储器602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轻量级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602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602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至轻量级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。
轻量级检测模型的训练方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与轻量级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604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)、互联网和区块链网络。
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,当待训练模型不满足收敛条件时,先将当前样本图像输入至待训练模型中,得到待训练模型输出的检测结果;然后根据待训练模型输出的检测结果以及预先确定的当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;再根据当前样本图像对应的辅助损失函数值和预先确定的当前样本图像对应的非辅助损失函数值,对待训练模型进行训练,将下一个样本图像作为当前样本图像,重复执行上述操作,直到待训练模型满足收敛条件为止。也就是说,本申请可以根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值;然后根据当前样本图像对应的辅助损失函数值和非辅助损失函数值,对待训练模型进行训练。而在现有的轻量级检测模型的训练方法中,目标检测性能极大程度依赖于检测模型的复杂程度,无法在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度。因为本申请采用了根据待训练模型输出的检测结果以及当前样本图像的真实结果,计算当前样本图像对应的辅助损失函数值的技术手段,克服了现有技术中的目标检测性能极大程度依赖于检测模型的复杂程度的技术问题,本申请提供的技术方案,可以在资源约束的情况下明显地增强轻量级检测模型针对细小目标的检测精度,从而能够有效地提高轻量级检测模型的性能;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)
1.一种轻量级检测模型的训练方法,其特征在于,所述方法包括:
当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到所述待训练模型输出的检测结果;
根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果,计算所述当前样本图像对应的辅助损失函数值;
根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值,对所述待训练模型进行训练,将下一个样本图像作为所述当前样本图像,重复执行上述操作,直到待训练模型满足所述收敛条件为止。
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模型输出的检测结果以及预先确定的所述当前样本图像的真实结果,计算所述当前样本图像对应的辅助损失函数值,包括:
根据所述待训练模型输出的检测结果以及预先确定的真实结果,计算各个检测对象对应的尺度缩放因子和损失函数项;
根据各个检测对象对应的尺度缩放因子和损失函数项,计算所述当前样本图像对应的辅助损失函数值。
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模型输出的检测结果以及预先确定的真实结果,计算各个检测对象对应的尺度缩放因子,包括:
在所述检测结果中提取出各个检测对象的目标检测框的高度和宽度,并在所述真实结果中提取出各个检测对象的真实检测框的高度和宽度;
根据各个目标检测框的高度和宽度计算各个目标检测框的面积,并根据各个真实检测框的高度和宽度计算各个真实检测框的面积;
根据各个目标检测框的面积和与其对应的真实检测框的面积,计算各个检测对象对应的尺度缩放因子。
5.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模型输出的检测结果以及预先确定的所述当前样本图像的真实结果,计算各个检测对象对应的损失函数项,包括:
在所述检测结果中提取出各个检测对象的目标检测框的高度、宽度以及中心点的位置,并在所述真实结果中提取出各个检测对象的真实检测框的高度、宽度以及中心点的位置;
根据各个目标检测框的高度、宽度以及中心点的位置和各个真实检测框的高度、宽度以及中心点的位置,确定各个目标检测框和与其对应的真实检测框的最小闭包区域的高度、宽度以及中心点的位置;
根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置,计算各个检测对象对应的损失函数项。
6.根据权利要求5所述的方法,其特征在于,所述根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置,计算各个检测对象对应的损失函数项,包括:
7.一种轻量级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,用于当待训练模型不满足收敛条件时,将当前样本图像输入至待训练模型中,得到所述待训练模型输出的检测结果;
所述计算模块,用于根据所述待训练模型输出的检测结果以及预先确定的所述当前样本图像的真实结果,计算所述当前样本图像对应的辅助损失函数值;
所述训练模块,用于根据所述当前样本图像对应的辅助损失函数值和预先确定的所述当前样本图像对应的非辅助损失函数值,对所述待训练模型进行训练,将下一个样本图像作为所述当前样本图像,重复执行上述操作,直到待训练模型满足所述收敛条件为止。
8.根据权利要求7所述的装置,其特征在于:
所述计算模块,具体用于根据所述待训练模型输出的检测结果以及预先确定的真实结果,计算各个检测对象对应的尺度缩放因子和损失函数项;根据各个检测对象对应的尺度缩放因子和损失函数项,计算所述当前样本图像对应的辅助损失函数值。
9.根据权利要求8所述的装置,其特征在于:
所述计算模块,具体用于在所述检测结果中提取出各个检测对象的目标检测框的高度和宽度,并在所述真实结果中提取出各个检测对象的真实检测框的高度和宽度;根据各个目标检测框的高度和宽度计算各个目标检测框的面积,并根据各个真实检测框的高度和宽度计算各个真实检测框的面积;根据各个目标检测框的面积和与其对应的真实检测框的面积,计算各个检测对象对应的尺度缩放因子。
11.根据权利要求8所述的装置,其特征在于:
所述计算模块,具体用于在所述检测结果中提取出各个检测对象的目标检测框的高度、宽度以及中心点的位置,并在所述真实结果中提取出各个检测对象的真实检测框的高度、宽度以及中心点的位置;根据各个目标检测框的高度、宽度以及中心点的位置和各个真实检测框的高度、宽度以及中心点的位置,确定各个目标检测框和与其对应的真实检测框的最小闭包区域的高度、宽度以及中心点的位置;根据各个目标检测框的高度、宽度以及中心点的位置、各个真实检测框的高度、宽度以及中心点的位置、各个最小闭包区域的高度、宽度以及中心点的位置,计算各个检测对象对应的损失函数项。
12.根据权利要求11所述的装置,其特征在于:
所述计算模块,具体用于在全部的检测对象中提取出一个检测对象作为当前检测对象,按照以下公式计算所述当前检测对象对应的损失函数项:其中,A表示所述当前检测对象对应的目标检测框;B表示所述当前检测对象的真实检测框;C表示所述目标检测框和所述真实检测框的最小闭包区域;|A∩B|表示所述目标检测框与所述真实检测框的交集的面积;|A∪B|表示所述目标检测框与所述真实检测框的并集的面积;|C\(A∪B)|在所述目标检测框和所述真实检测框的最小闭包区域中除去所述目标检测框与所述真实检测框的并集的面积;|C|表示所述目标检测框和所述真实检测框的最小闭包区域的面积;重复执行上述操作,直到计算出各个检测对象对应的损失函数项。
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1-6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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568194.0A CN111768005B (zh) | 2020-06-19 | 2020-06-19 | 轻量级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 |
---|---|---|---|
CN202010568194.0A CN111768005B (zh) | 2020-06-19 | 2020-06-19 | 轻量级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 |
---|---|
CN111768005A true CN111768005A (zh) | 2020-10-13 |
CN111768005B CN111768005B (zh) | 2024-02-20 |
Family
ID=72722724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010568194.0A Active CN111768005B (zh) | 2020-06-19 | 2020-06-19 | 轻量级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) | CN111768005B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528858A (zh) * | 2020-12-10 | 2021-03-19 | 北京百度网讯科技有限公司 | 人体姿态估计模型的训练方法、装置、设备、介质及产品 |
CN113538341A (zh) * | 2021-03-31 | 2021-10-22 | 联合汽车电子有限公司 | 自动光学检测辅助方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961107A (zh) * | 2019-04-18 | 2019-07-02 | 北京迈格威科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
CN110807410A (zh) * | 2019-10-30 | 2020-02-18 | 北京百度网讯科技有限公司 | 关键点定位方法、装置、电子设备和存储介质 |
CN110942072A (zh) * | 2019-12-31 | 2020-03-31 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
WO2020073951A1 (zh) * | 2018-10-10 | 2020-04-16 | 腾讯科技(深圳)有限公司 | 用于图像识别的模型的训练方法、装置、网络设备和存储介质 |
WO2020102988A1 (zh) * | 2018-11-20 | 2020-05-28 | 西安电子科技大学 | 基于特征融合和稠密连接的红外面目标检测方法 |
CN111217062A (zh) * | 2020-03-12 | 2020-06-02 | 河海大学 | 一种基于边缘计算和深度学习的垃圾箱垃圾识别方法 |
-
2020
- 2020-06-19 CN CN202010568194.0A patent/CN111768005B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073951A1 (zh) * | 2018-10-10 | 2020-04-16 | 腾讯科技(深圳)有限公司 | 用于图像识别的模型的训练方法、装置、网络设备和存储介质 |
WO2020102988A1 (zh) * | 2018-11-20 | 2020-05-28 | 西安电子科技大学 | 基于特征融合和稠密连接的红外面目标检测方法 |
CN109961107A (zh) * | 2019-04-18 | 2019-07-02 | 北京迈格威科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
CN110807410A (zh) * | 2019-10-30 | 2020-02-18 | 北京百度网讯科技有限公司 | 关键点定位方法、装置、电子设备和存储介质 |
CN110942072A (zh) * | 2019-12-31 | 2020-03-31 | 北京迈格威科技有限公司 | 基于质量评估的质量分、检测模型训练、检测方法及装置 |
CN111217062A (zh) * | 2020-03-12 | 2020-06-02 | 河海大学 | 一种基于边缘计算和深度学习的垃圾箱垃圾识别方法 |
Non-Patent Citations (2)
Title |
---|
喻一凡等: "线性回归的渡船精准定位方法研究", 小型微型计算机系统, no. 7, pages 1608 - 1615 * |
赵永强;饶元;董世鹏;张君毅;: "深度学习目标检测方法综述", 中国图象图形学报, no. 04 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528858A (zh) * | 2020-12-10 | 2021-03-19 | 北京百度网讯科技有限公司 | 人体姿态估计模型的训练方法、装置、设备、介质及产品 |
CN113538341A (zh) * | 2021-03-31 | 2021-10-22 | 联合汽车电子有限公司 | 自动光学检测辅助方法、装置及存储介质 |
CN113538341B (zh) * | 2021-03-31 | 2024-04-30 | 联合汽车电子有限公司 | 自动光学检测辅助方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111768005B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801164B (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
EP3926526A2 (en) | Optical character recognition method and apparatus, electronic device and storage medium | |
US20210312172A1 (en) | Human body identification method, electronic device and storage medium | |
CN112906502A (zh) | 目标检测模型的训练方法、装置、设备以及存储介质 | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
US11816915B2 (en) | Human body three-dimensional key point detection method, model training method and related devices | |
CN112966742A (zh) | 模型训练方法、目标检测方法、装置和电子设备 | |
CN111553282A (zh) | 用于检测车辆的方法和装置 | |
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
US20220051004A1 (en) | Image processing method, apparatus, device and storage medium | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN112241715A (zh) | 模型训练方法、表情识别方法、装置、设备及存储介质 | |
CN113205041B (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN111768005A (zh) | 轻量级检测模型的训练方法、装置、电子设备及存储介质 | |
CN116228867B (zh) | 位姿确定方法、装置、电子设备、介质 | |
CN111710008B (zh) | 人流密度的生成方法、装置、电子设备以及存储介质 | |
CN111862031A (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
CN112529180A (zh) | 模型蒸馏的方法和装置 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN113033346B (zh) | 文本检测方法、装置和电子设备 | |
CN112270303A (zh) | 图像识别方法、装置以及电子设备 | |
CN111862030A (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
CN112016523A (zh) | 跨模态人脸识别的方法、装置、设备和存储介质 | |
CN112200169B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210420 Address after: 100000 Room 220, 2nd Floor, Building 4, No. 1, Shangdi East Road, Haidian District, Beijing Applicant after: Beijing Confucius Health Technology Co.,Ltd. Address before: 100085 Beijing, Haidian District, No. ten on the ground floor, No. 10 Baidu building, layer 2 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |