CN112200862A - 目标检测模型的训练方法、目标检测方法及装置 - Google Patents

目标检测模型的训练方法、目标检测方法及装置 Download PDF

Info

Publication number
CN112200862A
CN112200862A CN202011378745.3A CN202011378745A CN112200862A CN 112200862 A CN112200862 A CN 112200862A CN 202011378745 A CN202011378745 A CN 202011378745A CN 112200862 A CN112200862 A CN 112200862A
Authority
CN
China
Prior art keywords
head
network
target
probability
thermodynamic diagram
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
CN202011378745.3A
Other languages
English (en)
Other versions
CN112200862B (zh
Inventor
秦泽奎
李强
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 Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information 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 Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202011378745.3A priority Critical patent/CN112200862B/zh
Publication of CN112200862A publication Critical patent/CN112200862A/zh
Application granted granted Critical
Publication of CN112200862B publication Critical patent/CN112200862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本公开关于一种目标检测模型的训练方法、目标检测方法及装置，训练方法包括：将获取的训练图像的特征图输入目标检测模型的级联头部网络，以得到各级头部网络进行中心点预测输出的预测热力图，将第一级头部网络输出的预测热力图内各位置点均作为目标位置点，对其余各级头部网络，将前一级头部网络输出的预测热力图中概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点，根据各级头部网络输出的预测热力图与对应的标签热力图在目标位置点的概率差异，训练目标检测模型。本公开通过多个级联头部网络，将属于目标中心点的概率小于阈值的位置点逐级过滤掉，减少了预测位置点的数量，降低了训练难度，提高了模型的检测精度。

Description

目标检测模型的训练方法、目标检测方法及装置
技术领域
本公开涉及计算机视觉技术领域，尤其涉及目标检测模型的训练方法、目标检测方法及装置。
背景技术
目标检测（Object Detection）是计算机视觉领域中一项经典的研究课题，它的任务是指出一张图中目标的准确位置，在无人驾驶、安防监控等领域具有广泛的应用。近年来，得益于深度卷积网络的引入，目标检测算法发展迅速，将检测性能提高到了新的高度。
相关技术中，在进行目标检测时，由于图像中目标所占的区域远小于背景的区域，基于整个图像进行目标位置预测，增加了模型训练的难度，降低了模型训练的效果。
发明内容
本公开提供一种目标检测模型的训练方法、目标检测方法及装置，以至少解决相关技术中模型训练难度大，效果差的问题。
本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种目标检测模型的训练方法，包括：
将训练图像输入目标检测模型的主干网络，以得到所述主干网络输出的特征图；
将所述特征图输入目标检测模型的级联头部网络进行目标中心预测，得到所述级联头部网络中各级头部网络输出的预测热力图；其中，所述预测热力图中各位置点用于指示所述训练图像中对应各像素点为目标中心的概率；
将所述级联头部网络中，第一级所述头部网络输出的预测热力图内各位置点均作为目标位置点；
对所述级联头部网络中其余各级所述头部网络，将前一级所述头部网络输出的预测热力图中所述概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点；
根据各级所述头部网络输出的预测热力图与各级所述头部网络对应的标签热力图在所述目标位置点的概率差异，训练所述目标检测模型；其中，所述标签热力图，用于标注所述训练图像中各像素点为目标中心的概率。
可选地，所述将前一级所述头部网络输出的预测热力图中所述概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点之前，还包括：
将前一级所述头部网络输出的预测热力图中各位置点的所述概率，按照取值从大到小的顺序排序；
将处于设定排序位置上的概率作为后一级所述头部网络的所述阈值。
可选地，根据各级所述头部网络输出的预测热力图与各级所述头部网络对应的标签热力图在所述目标位置点的概率差异，训练所述目标检测模型之前，还包括：
在各级头部网络对应的标签热力图中，将对应所述训练图像中标注的目标像素点的位置点作为概率分布中心；
分别采用各级头部网络对应的扩展函数对所述概率分布中心进行概率扩散，以得到各级头部网络对应的标签热力图中每一位置点的概率；其中，各级头部网络对应的扩展函数的方差随层级递减。
可选地，所述将所述特征图输入目标检测模型的级联头部网络进行目标中心预测，得到所述级联头部网络中各级头部网络输出的预测热力图，包括：
将所述特征图输入所述级联头部网络中的第一级头部网络，以得到所述第一级头部网络中最后一个卷积层的输出；其中，所述第一级头部网络中最后一个卷积层的输出包括所述预测热力图；
循环执行采用前一级头部网络中最后一个卷积层输出的特征图更新输入特征图，并将更新的所述输入特征图输入下一级头部网络进行中心点预测的步骤。
根据本公开实施例的第二方面，提出一种目标检测方法，包括：
获取目标对象的待处理图像；
将所述待处理图像输入经过训练的目标检测模型，以得到所述目标检测模型输出的预测热力图；其中，所述目标检测模型采用如第一方面任一所述的训练方法训练，以得到所述经过训练的目标检测模型；
根据所述预测热力图，在所述待处理图像中确定所述目标对象的目标中心。
根据本公开实施例的第三方面，提供一种目标检测模型的训练装置，包括：
第一执行单元，被配置为将训练图像输入目标检测模型的主干网络，以得到所述主干网络输出的特征图；
第二执行单元，被配置为将所述特征图输入所述目标检测模型的级联头部网络进行目标中心预测，得到所述级联头部网络中各级头部网络输出的预测热力图；其中，所述预测热力图中各位置点用于指示所述训练图像中对应各像素点为目标中心的概率；
处理单元，被配置将所述级联头部网络中，第一级所述头部网络输出的预测热力图内各位置点均作为目标位置点；
比较单元，被配置为对所述级联头部网络中其余各级所述头部网络，将前一级所述头部网络输出的预测热力图中所述概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点；
调整单元，被配置为根据各级所述头部网络输出的预测热力图与各级所述头部网络对应的标签热力图在所述目标位置点的概率差异，训练所述目标检测模型；其中，所述标签热力图，用于标注所述训练图像中各像素点为目标中心的概率。
可选地，所述装置，还包括：
排序单元，被配置为将前一级所述头部网络输出的预测热力图中各位置点的所述概率，按照取值从大到小的顺序排序；
确定单元，被配置为将处于设定排序位置上的概率作为后一级所述头部网络的所述阈值。
可选地，所述装置，还包括：
扩散单元，还被配置为在各级头部网络对应的标签热力图中，将对应所述训练图像中标注的目标像素点的位置点作为概率分布中心；分别采用各级头部网络对应的扩展函数对所述概率分布中心进行概率扩散，以得到各级头部网络对应的标签热力图中每一位置点的概率；其中，各级头部网络对应的扩展函数的方差随层级递减。
可选地，所述第二执行单元，还被配置为：
将所述特征图输入所述级联头部网络中的第一级头部网络，以得到所述第一级头部网络中最后一个卷积层的输出；其中，所述第一级头部网络中最后一个卷积层的输出包括所述预测热力图；循环执行采用前一级头部网络中最后一个卷积层输出的特征图更新输入特征图，并将更新的所述输入特征图输入下一级头部网络进行中心点预测的步骤。
根据本公开实施例的第四方面，提供一种目标检测装置，包括：
获取单元，被配置为获取目标对象的待处理图像；
输入单元，被配置为将所述待处理图像输入经过训练的目标检测模型，以得到所述目标检测模型输出的预测热力图；其中，所述目标检测模型采用上述第一方面任一所述的训练方法训练，以得到所述经过训练的目标检测模型；
识别单元，被配置为根据所述预测热力图，在所述待处理图像中确定所述目标对象的目标中心。
根据本公开实施例的第五方面，提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器;
其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的目标检测模型的训练方法，或者，实现如第二方面所述的目标检测方法。
根据本公开实施例的第六方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的目标检测模型的训练方法，或者，实现如第二方面所述的目标检测方法。
根据本公开实施例的第七方面，提供一种计算机程序产品，包括计算机指令，当所述计算机指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的目标检测模型的训练方法，或者，实现如第二方面所述的目标检测方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
将训练图像输入目标检测模型的主干网络，以得到主干网络输出的特征图，将特征图输入目标检测模型的级联头部网络，以得到级联头部网络中各级头部网络输出的预测热力图；其中，预测热力图中各位置点用于指示训练图像中对应各像素点为目标中心的概率，对级联头部网络，将第一级头部网络输出的预测热力图内各位置点均作为目标位置点，对其余各级头部网络，将前一级头部网络输出的预测热力图中概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点，根据各级头部网络输出的预测热力图与各级头部网络对应的标签热力图在目标位置点的概率差异，训练目标检测模型。本公开中通过多个级联头部网络，将属于目标中心点的概率小于阈值的位置点逐级过滤掉，减少了预测位置点的数量，降低了训练难度，提高了模型的检测精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种目标检测模型的训练方法的流程图；
图2是根据一示例性实施例示出的目标检测模型的示意图；
图3是根据一示例性实施例示出的一种目标检测模型的训练方法的流程图；
图4是根据一示例性实施例示出的一种目标检测模型的训练方法的流程图；
图5是根据一示例性实施例示出的一种目标检测模型的训练方法的流程图；
图6是根据一示例性实施例示出的一种目标检测方法的流程图；
图7是根据一示例性实施例示出的一种目标检测模型的训练装置的框图；
图8是根据一示例性实施例示出的一种目标检测装置的框图；
图9是根据一示例性实施例示出的一种电子设备10的结构框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种目标检测模型的训练方法的流程图，如图1所示，包括以下步骤：
在步骤101中，将训练图像输入目标检测模型的主干网络，以得到主干网络输出的特征图。
其中，训练图像为待检测的图像。
其中，目标检测模型，包含主干网络和级联头部网络，其中主干网络，可以为残差神经网络Resnet18（Residual Neural Network，Resnet）或者为沙漏网络hourglassnet，本公开中不进行限定。
本公开中，将训练图像输入目标检测模型的主干网络后，主干网络对图像提取卷积特征，根据提取的卷积特征，得到训练图像对应的特征图，其中特征图中包含训练图像中各像素点的特征向量，特征向量中包含各像素点的颜色特征、位置特征、纹理特征、类别特征等，可根据具体的识别场景的需求，进行相应特征的提取，本实施例中不进行限定。
在步骤102中，将特征图输入目标检测模型的级联头部网络进行目标中心预测，得到级联头部网络中各级头部网络输出的预测热力图，其中，预测热力图中各位置点用于指示训练图像中对应各像素点为目标中心的概率。
本公开中，级联头部网络，包含多级头部网络，多级头部网络之间相互关联。
在本公开实施例的一种可能的实现方式中，将特征图分别输入目标检测模型的级联头部网络中的各级头部网络，也就是说每一个级联头部网络输入的特征图均为相同的特征图，以使得各级头部网络根据输入的特征图进行中心点预测，得到各级头部网络输出的预测热力图，其中，预测热力图中各位置点用于指示训练图像中对应各像素点预测为目标中心的概率。
在本公开实施例的另一种可能的实现方式中，为了提高各级头部网络进行中心点预测的准确度，在各级头部网络中均设置了多个卷积层，每一个卷积层均用于提取图像的特征，其中，后一个卷积层相较于前一个卷积层，可以提取更多和更细致的特征，从而输入的特征图，在经过相应级头部网络后，最后一个卷积层输出的特征图包含更多、更细致的图像特征，并利用最后一个卷积层输出的特征图更新下一级头部网络输入的特征图，以提高各级头部网络基于更新的输入特征图得到的预测热力图的准确性。具体来说，将特征图作为级联头部网络的输入特征图，输入级联头部网络中的第一级头部网络，以得到第一级头部网络中最后一个卷积层的输出，其中，第一级头部网络中最后一个卷积层的输出包括预测热力图，进而，循环执行采用前一级头部网络中最后一个卷积层输出的特征图更新输入特征图，并将更新的输入特征图输入下一级头部网络进行中心点预测，以得到该级头部网络输出的预测热力图的步骤。
本公开中，利用前一级头部网络中最后一个卷积层输出的特征图更新输入特征图，使得更新后的输入特征图包含更多更细致的特征，以不断增加后续每一级头部网络中输入特征图包含的图像特征，以提高基于图像特征预测图像中各个像素点为中心点的准确度，即提高了各级头部网络输出的预测热力图的准确度。
在步骤103中，将级联头部网络中，第一级头部网络输出的预测热力图内各位置点均作为目标位置点。
本实施例中，第一级头部网络中输出的预测热力图中包含多个位置点，而由于每一个位置用于指示训练图像中对应各像素点为目标中心的概率不同，对应概率较低的位置点，识别为负样本，对应概率较高的位置点，识别为正样本，而由于第一级头部网络为级联头部网络的第一级头部网络，则将第一级头部网络输出的预测热力图中的目标位置点作为基准，即将第一级头部网络输出的预测热力图内各位置点均作为目标位置点，也就是说每一个位置点都是需要监督其指示的训练图像中对应像素点是否为目标中心点，而对于其余各级头部网络，则进行负样本的过滤，也就是说逐级减少其余各级头部网络中包含的目标位置点，以提高中心点预测的效率。
在步骤104中，对级联头部网络中其余各级头部网络，将前一级头部网络输出的预测热力图中概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点。
本公开实施例中，各级头部网络中输出的预测热力图中包含多个位置点，而由于每一个位置用于指示训练图像中对应各像素点为目标中心的概率不同，对应概率较低的位置点，识别为负样本，对应概率较高的位置点，识别为正样本，为了均衡正样本和负样本的数量，对于预测热力图中概率小于阈值的位置点，则舍弃不再进行监督，即不作为目标位置点。而将前一级头部网络输出的预测热力图中概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点，实现了逐级筛选用于监督的目标位置点，使得后一级头部网络需要监督的位置点逐渐减少，也就是说热力图中需要监督的区域随层级增加逐渐缩小，降低了各级头部网络中预测的目标位置点的数量，提高了目标检测模型整体的识别数据量，降低了算法的学习难度，提高了模型训练的效果。
例如，如图2所示，以目标检测模型的级联头部网络包含3级头部网络为例，图a-c，分别指示了第一级头部网络S1至第三级头部网络S3对应的预测热力图中目标位置点的区域，区域越大，其中包含的目标位置点的数量则越多，其中第一级头部网络S1对应的目标位置点的区域a1，第二级头部网络S2对应的目标位置点的区域b2，至第三级头部网络S3对应的目标位置点的区域c3，是逐渐缩小的，也就是说各级头部网络中监督的目标位置点的数量逐级减少。
在步骤105中，根据各级头部网络输出的预测热力图与各级头部网络对应的标签热力图在目标位置点的概率差异，训练目标检测模型，其中，标签热力图，用于标注训练图像中各像素点为目标中心的概率。
本公开实施例中，各级头部网络输出的预测热力图中包含了预测得到的各目标位置点的概率，热力图中的相应目标位置点的概率为通过目标检测模型预测得到的，为了识别目标检测模型预测的准确性，对训练图像进行标注，标注训练图像中各像素点为目标中心的概率，得到各级头部网络对应的标签热力图，进而，比较各级头部网络输出的预测热力图和各级头部网络对应的标签热力图之间在目标位置点的概率差异，根据概率差异调整目标检测模型中主干网络和级联头部网络的模型参数，根据调整参数后的主干网络和级联头部网络，不断采用上述的步骤101-105，对目标检测模型进行训练，直至概率差异小于或等于阈值，也就是说直至目标检测模型收敛，则完成对目标检测模型的训练，以使得训练完成的目标检测模型，可以准确识别出待识别图像中的目标中心。
需要说明的是，对训练图像进行标注得到的标签热力图，可以为一个即各级头部网络可以对应一个标签热力图，以降低标注的工作量。
本公开实施例的目标检测模型的训练方法中，将获取的训练图像的特征图输入目标检测模型的级联头部网络，以得到各级头部网络进行中心点预测输出的预测热力图，将第一级头部网络输出的预测热力图内各位置点均作为目标位置点，对其余各级头部网络，将前一级头部网络输出的预测热力图中概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点，根据各级头部网络输出的预测热力图与各级头部网络对应的标签热力图在目标位置点的概率差异，训练目标检测模型。本公开中通过多个级联头部网络，将属于目标中心点的概率小于阈值的位置点逐级过滤掉，减少了预测位置点的数量，降低了训练难度，提高了模型的检测精度。
基于上述实施例，本实施例提供了另一种目标检测模型的训练方法的可能的实现方式，图3是根据一示例性实施例示出的一种目标检测模型的训练方法的流程图，如图3所示，步骤104之前，包括以下步骤：
在步骤301中，将前一级头部网络输出的预测热力图中各位置点的概率，按照取值从大到小顺序排序。
在步骤302中，将处于设定排序位置上的概率作为后一级头部网络的阈值。
本公开实施例中，各级头部网络中输出的预测热力图中包含多个目标位置点，而由于每一个目标位置用于指示训练图像中对应各像素点为目标中心的概率不同，对应概率较低的位置点，识别为负样本，对应概率较高的位置点，识别为正样本。本实施例中，第一级头部网络输出的预测热力图中各位置点的概率按照取值从大到小的顺序排序，通常情况下，第一头部网络输出的预测热力图中各位置点中包含的负样本较多，为了平衡正样本和负样本的数量差异，将处于设定排序位置上的概率作为后一级头部网络的阈值，例如，排序为前60%的位置点A的概率为0.38，则将概率0.38作为后一级头部网络的阈值。或者将排序为设定的第1200个位置点的概率作为后一级头部网络的阈值，例如，设定的第1200个位置点的概率为0.42，则将概率0.42作为后一级头部网络的阈值。其中，其它层级的头部网络阈值的确定方法原理相同，此处不再赘述。
需要说明的是，除第一级头部网络之外的，每一个后一级头部网络的阈值，可以相同，也可以不同，本实施例中不进行限定。
本公开实施例的目标检测模型的训练方法，将级联头部网络中，第一级头部网络输出的预测热力图内各位置点均作为目标位置点，将前一级头部网络输出的预测热力图中各位置点的概率，按照取值从大到小顺序排序，将处于设定排序位置上的概率作为后一级头部网络的阈值，实现了基于阈值逐级筛选用于监督的目标位置点，使得后一级头部网络需要监督的位置点逐渐减少，也就是说热力图中需要监督的区域逐渐缩小，降低了各级头部网络中预测的目标位置点的数量，提高了目标检测模型整体的识别数据量，降低了算法的学习难度，提高了模型训练的效果。
上述实施例中说明了，通过多个级联头部网络，逐级过滤掉概率小于阈值的位置点，缩小了预测的目标位置点的数量，同时合理设置了正负样本的比例，使得预测热力图中目标位置点的数量和对应的区域逐渐缩小。而为了进一步提高模型的训练效果，还可以设置每一级头部网络均具有对应的标签热力图，以实现每一级头部网络的目标位置点的分布与对应的标签热力图的适配，以提高模型训练的效果和效率。
图4是根据一示例性实施例示出的一种目标检测模型的训练方法的流程图，本实施例中，标签热力图为多个，每一个头部网络具有对应的标签热力图。
如图4所示，步骤105之前，包含以下步骤：
在步骤401中，在各级头部网络对应的标签热力图中，将对应训练图像中标注的目标像素点的位置点作为概率分布中心。
步骤402，分别采用各级头部网络对应的扩展函数对概率分布中心进行概率扩散，以得到各级头部网络对应的标签热力图中每一位置点的概率，其中，各级头部网络对应的扩展函数的方差随层级递减。
扩展函数是可以对概率分布中心进行概率扩散的函数，作为一种实现方式，扩展函数可以为高斯形态，如高斯函数；扩展函数也可以为其它形态，本实施例中不进行限定。
其中，训练图像中每一个像素点均进行了标注，标注了对应像素点为目标中心的概率，其中，标注的目标像素点中目标中心的概率最大。
作为一种可能的实现方式，在各级头部网络对应的标签热力图中，根据对应训练图像中标注的目标像素点的位置点作为概率分布中心，以及各级头部网络对应的高斯函数的方差，分别确定各级头部网络对应的高斯函数，其中，各级头部网络对应的高斯函数的方差随层级递减，也就是说各级头部网络对应的高斯函数的尖峰逐渐增大，从而，基于各级头部网络对应的高斯函数进行概率扩散得到的各级头部网络对应的标签热力图的监督范围也是逐渐缩小的，以更好的适配各级头部网络预测得到的预测热力图中的监督范围。
本公开实施例的目标检测模型的训练方法中，基于训练图像中标注的目标像素点所对应位置点概率分布中心，采用各级头部网络对应的扩展函数，进行概率扩散，以得到各级头部网络对应的标签热力图，设置各级头部网络输出的预测热力图均具有适配的标签热力图，提高了各级头部网络预测得到的预测热力图和标签热力图之间的匹配性，提高了各级头部网络对应的预测热力图和标签热力图之间概率比对的效率和精度，提高了目标检测模型的训练效果。
基于上述实施例，在本公开的一个实施例中，图5是根据一示例性实施例示出的一种目标检测模型的训练方法的流程图，以扩展函数为高斯函数为例，具体说明了如何进行高斯扩散，以确定各级头部网络对应的标签热力图。
如图5所示，步骤402包含以下步骤：
在步骤501中，对训练图像中标注的目标像素点，在初始标签热力图中确定对应的位置点坐标。
其中，目标像素点，即为训练图像中要识别的目标的中心，例如，要识别的物体为人，目标像素点则为人的中心。
其中，初始标签热力图为训练图像中的像素点对应的阵列，其标注的概率值可为一个确定的初始值，例如为0，初始标签热力图不是级联头部网络中各级头部网络对应的标签热力图。
本公开实施例中，训练图像中标注了各个像素点，在初始标签热力图中确定每一个标注的像素点对应的位置点，从而确定该位置点在初始标签热力图中的坐标，其中包含目标像素点在初始标签热力图中确定对应的位置点坐标。
作为本公开实施例的一种可能的实现方式，根据训练图像中标注的各个像素点的位置坐标ix，jy，基于待采样率r，确定相应标注的像素点在初始标签热力图中对应的位置点的坐标ix/r，jy /r。
在步骤502中，以目标像素点所对应的位置点坐标为初始高斯函数的高斯分布中心。
其中，初始高斯函数，为二维高斯函数，例如为：
yi,j=exp{-((i-ic)2+(j-jc)2)/2σ2}，其中，i 和j为初始标签热力图中的一个位置点的坐标，ic和jc是目标像素点对应的位置点的坐标，σ为标准方差，yi,j为位置点的坐标（i，j）的概率。
在步骤503中，将各级头部网络对应的方差分别代入初始高斯函数，以得到各级头部网络对应的高斯函数。
本公开中各级头部网络的方差是随层级递减的，其中，各级头部网络的方差可以是按照预设比例逐级递减的，将各级头部网络对应的方差分别代入初始高斯函数，以得到各级头部网络对应的高斯函数。
例如，第一级头部网络对应的高斯函数为：y1 i,j=exp{-((i-ic)2+(j-jc)2)/2σ1 2}；
第二级头部网络对应的高斯函数为：y2 i,j=exp{-((i-ic)2+(j-jc)2)/2σ2 2}；
其中，关于其它层级头部网络对应的高斯函数本实施例中不一一列举。
本公开中设置各级头部网络对应不同的方差，同时根据头部网络的层级对应的方差递减，为此，本实施例中确定各级头部网络的方差，可以采用下述步骤实现：
获取设定的衰减率ρ和标准方差σ；其中，衰减率ρ大于零且小于1；
确定各级头部网络所属的层级s；其中，层级s为大于或等于1的整数；
将衰减率ρ的（s-1）次幂，与标准方差σ之间的乘积，作为各级头部网络对应的方差。
本公开实施例中，各级头部网络对应的方差=ρs-1σ，实现了基于确定的衰减率和标准方差，逐级确定对应的头部网络对应的方差，使得每一级头部网络都具有对应的高斯函数，同时，随着层级的增加，高斯函数的概率分布从较为平滑的分布变的越来越不平滑，尖峰值越来越大，也就是中心点响应更加突出，以实现和该层级确定的预测热力图中目标位置点分布相匹配。
从而，每一级头部网络对应的高斯函数表示如下：
ys i,j=exp{-((i-ic)2+(j-jc)2)/2(ρs-1σ)2}；
在步骤504中，将初始标签热力图中各位置点坐标代入每一级头部网络对应的高斯函数中，以将高斯函数的取值作为各级头部网络对应的标签热力图中对应位置点的概率。
本公开实施例中，每一级头部网络均具有对应的高斯函数，将初始标签热力图中的各位置点坐标代入对应级的头部网络对应的高斯函数中，以将高斯函数的取值作为对应的标签热力图中对应位置点的概率，也就是说每一级头部网络中对应的标签热力图中各位置点的概率是不同的，以实现和该层级确定的预测热力图中目标位置点分布相匹配。
本公开实施例的目标检测模型的训练方法中，通过逐级确定对应的头部网络对应的方差，使得每一级头部网络都具有对应的高斯函数，同时，随着层级的增加，高斯函数的概率分布从较为平滑的分布变的越来越不平滑，尖峰值越来越大，也就是中心点响应更加突出，以实现和该层级确定的预测热力图中目标位置点分布相匹配。
为了实现上述实施例，本实施例提供了一种目标检测方法。
图6是根据一示例性实施例示出的一种目标检测方法的流程图，如图6所示，该方法包含以下步骤：
在步骤601中，获取目标对象的待处理图像。
在步骤602中，将待处理图像输入经过训练的目标检测模型，以得到目标检测模型输出的预测热力图。其中，预测热力图中包含多个位置点，各位置点用于指示待处理图像中对应各像素点为目标中心的概率。
本实施例中的目标检测模型是根据上述图1-图5中任一实施例中的目标检测模型的训练方法训练，得到的经过训练的目标检测模型。其中，关于目标检测模型的训练方法，可参照上述目标检测模型的训练方法的实施例中的说明，此处不再赘述。
在步骤603中，根据预测热力图，在待处理图像中确定目标对象的目标中心。
本公开实施例中，依据最后一级头部网络输出的预测热力图中候选位置点的概率，在测试图像中识别目标中心，可通过以下两种实现方式实现。
作为一种可能的实现方式，依据最后一级头部网络输出的预测热力图中候选位置点的概率，确定概率最大的候选位置点，在测试图像中，将概率最大的候选位置点对应的像素点，作为目标中心，也就是说选取候选位置点的概率最大的候选位置点对应的像素点作为目标中心，提高了目标中心确定的准确度。
作为另一种可能的实现方式，在最后一级头部网络输出的预测热力图中，确定具有概率峰值的候选位置点，在测试图像中，将对应具有概率峰值的候选位置点的像素点，识别为目标中心，由于概率峰值的候选位置点指示了该候选位置点相对于周围的候选位置点的概率大，从而可以增加最终筛选出的候选位置点的数量，以提高目标中心识别的准确度。
本公开实施例中，分别确定各级头部网络的阈值，进而将各级头部网络所输出的预测热力图中概率与对应的阈值比较，对各级头部网络所输出的预测热力图中概率均大于相应阈值的位置点取交集部分作为候选位置点，减少了候选位置点的数量，提高了候选位置点的准确性，进而，依据最后一级头部网络输出的预测热力图中候选位置点的概率，在测试图像中识别目标中心，提高了目标中心识别的准确度。
为了实现上述实施例，本公开实施例提供了一种目标检测模型的训练装置。
图7是根据一示例性实施例示出的一种目标检测模型的训练装置的框图。参照图7，该装置包括第一执行单元81，第二执行单元82、处理单元83、比较单元84和调整单元85。
第一执行单元81，被配置为将训练图像输入目标检测模型的主干网络，以得到所述主干网络输出的特征图。
第二执行单元82，被配置为将所述特征图输入目标检测模型的级联头部网络进行目标中心预测，得到所述级联头部网络中各级头部网络输出的预测热力图；其中，所述预测热力图中各位置点用于指示所述训练图像中对应各像素点为目标中心的概率。
处理单元83，被配置将所述级联头部网络中，第一级所述头部网络输出的预测热力图内各位置点均作为目标位置点。
比较单元84，被配置为对所述级联头部网络中其余各级所述头部网络，将前一级所述头部网络输出的预测热力图中所述概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点。
调整单元85，被配置为根据各级所述头部网络输出的预测热力图与各级所述头部网络对应的标签热力图在所述目标位置点的概率差异，训练所述目标检测模型；其中，所述标签热力图，用于标注所述训练图像中各像素点为目标中心的概率。
进一步，在本公开实施例的一种可能的实现方式中，所述装置，还包括：
排序单元，被配置为将前一级所述头部网络输出的预测热力图中各位置点的所述概率，按照取值从大到小的顺序排序。
确定单元，被配置为将处于设定排序位置上的概率作为后一级所述头部网络的所述阈值。
在本公开实施例的一种可能的实现方式中，该装置，还包括：
扩散单元，还被配置为在各级头部网络对应的标签热力图中，将对应所述训练图像中标注的目标像素点的位置点作为概率分布中心；分别采用各级头部网络对应的扩展函数对所述概率分布中心进行概率扩散，以得到各级头部网络对应的标签热力图中每一位置点的概率；其中，各级头部网络对应的扩展函数的方差随层级递减。
在本公开实施例的一种可能的实现方式中，第二执行单元82，还被配置为：
将所述特征图输入所述级联头部网络中的第一级头部网络，以得到所述第一级头部网络中最后一个卷积层的输出；其中，所述第一级头部网络中最后一个卷积层的输出包括所述预测热力图；循环执行采用前一级头部网络中最后一个卷积层输出的特征图更新输入特征图，并将更新的所述输入特征图输入下一级头部网络进行中心点预测的步骤。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开实施例的目标检测模型的训练装置中，将获取的训练图像的特征图输入目标检测模型的级联头部网络，以得到各级头部网络进行中心点预测输出的预测热力图，将第一级头部网络输出的预测热力图内各位置点均作为目标位置点，对其余各级头部网络，将前一级头部网络输出的预测热力图中概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点，根据各级头部网络输出的预测热力图与各级头部网络对应的标签热力图在目标位置点的概率差异，训练目标检测模型。本公开中通过多个级联头部网络，将属于目标中心点的概率小于阈值的位置点逐级过滤掉，减少了预测位置点的数量，降低了训练难度，提高了模型的检测精度。
为了实现上述实施例，本公开实施例提供了一种目标检测装置。
图8是根据一示例性实施例示出的一种目标检测装置的框图。参照图8，该装置包括：
获取单元91，被配置为获取目标对象的待处理图像。
输入单元92，被配置为将所述待处理图像输入经过训练的目标检测模型，以得到所述目标检测模型输出的预测热力图；其中，所述目标检测模型采用如图1至图5任一所述的目标检测模型的训练方法训练，以得到所述经过训练的目标检测模型。
识别单元93，被配置为根据所述预测热力图，在所述待处理图像中确定所述目标对象的目标中心。
需要说明的是，前述关于目标检测模型的训练方法实施例的解释说明，也适用于本实施例的目标检测方法中所使用的目标检测模型的训练方法，原理相同，此处不再赘述。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该目标检测方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开的目标检测装置中，利用训练得到的目标检测模型对测试图像进行识别，获取各级头部网络进行中心点预测输出的预测热力图，对各级头部网络所输出的预测热力图中概率均大于阈值的位置点取交集部分作为候选位置点，减少了候选位置点的数量，提高了候选位置点的准确性，进而，依据最后一级头部网络输出的预测热力图中候选位置点的概率，在测试图像中识别目标中心，提高了目标中心识别的准确度。
为了实现上述实施例，本公开提供了一种电子设备，包括处理器，用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如图1至5实施例任一所述的目标检测模型的训练方法，或者，实现如图6所述的目标检测方法。
为了实现上述实施例，本公开提供了一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如附图1至5实施例任一所述的目标检测模型的训练方法，或者，实现如附图6所述的目标检测方法。
为了实现上述实施例，本公开提供了一种计算机程序产品，包括计算机指令，当所述计算机指令由电子设备的处理器执行时，使得所述电子设备能够执行如附图1至5实施例任一所述的目标检测模型的训练方法，或者，实现如附图6所述的目标检测方法。
图9是根据一示例性实施例示出的一种电子设备10的结构框图。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，电子设备10包括处理器11，其可以根据存储在只读存储器（ROM，ReadOnly Memory）12中的程序或者从存储器16加载到随机访问存储器（RAM，Random AccessMemory）13中的程序而执行各种适当的动作和处理。在RAM 13中，还存储有电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O，Input / Output）接口15也连接至总线14。
以下部件连接至I/O接口15：包括硬盘等的存储器16；以及包括诸如LAN（局域网，Local Area Network）卡、调制解调器等的网络接口卡的通信部分17，通信部分17经由诸如因特网的网络执行通信处理；驱动器18也根据需要连接至I/O接口15。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分17从网络上被下载和安装。在该计算机程序被处理器11执行时，执行本公开的上述方法实施例中限定的上述功能。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器16，上述指令可由电子设备10的处理器11执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (12)

1.一种目标检测模型的训练方法，其特征在于，包括：
将训练图像输入目标检测模型的主干网络，以得到所述主干网络输出的特征图；
将所述特征图输入所述目标检测模型的级联头部网络进行目标中心预测，得到所述级联头部网络中各级头部网络输出的预测热力图；其中，所述预测热力图中各位置点用于指示所述训练图像中对应各像素点为目标中心的概率；
将所述级联头部网络中，第一级所述头部网络输出的预测热力图内各位置点均作为目标位置点；
对所述级联头部网络中其余各级所述头部网络，将前一级所述头部网络输出的预测热力图中所述概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点；
根据各级所述头部网络输出的预测热力图与各级所述头部网络对应的标签热力图在所述目标位置点的概率差异，训练所述目标检测模型；其中，所述标签热力图，用于标注所述训练图像中各像素点为目标中心的概率。
2.根据权利要求1所述的训练方法，其特征在于，所述将前一级所述头部网络输出的预测热力图中所述概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点之前，还包括：
将前一级所述头部网络输出的预测热力图中各位置点的所述概率，按照取值从大到小的顺序排序；
将处于设定排序位置上的概率作为后一级所述头部网络的所述阈值。
3.根据权利要求1或2所述的训练方法，其特征在于，所述根据各级所述头部网络输出的预测热力图与各级所述头部网络对应的标签热力图在所述目标位置点的概率差异，训练所述目标检测模型之前，还包括：
在各级头部网络对应的标签热力图中，将对应所述训练图像中标注的目标像素点的位置点作为概率分布中心；
分别采用各级头部网络对应的扩展函数对所述概率分布中心进行概率扩散，以得到各级头部网络对应的标签热力图中每一位置点的概率；其中，各级头部网络对应的扩展函数的方差随层级递减。
4.根据权利要求1或2所述的训练方法，其特征在于，所述将所述特征图输入目标检测模型的级联头部网络进行目标中心预测，得到所述级联头部网络中各级头部网络输出的预测热力图，包括：
将所述特征图输入所述级联头部网络中的第一级头部网络，以得到所述第一级头部网络中最后一个卷积层的输出；其中，所述第一级头部网络中最后一个卷积层的输出包括所述预测热力图；
循环执行采用前一级头部网络中最后一个卷积层输出的特征图更新输入特征图，并将更新的所述输入特征图输入下一级头部网络进行中心点预测的步骤。
5.一种目标检测方法，其特征在于，包括：
获取包含目标对象的待处理图像；
将所述待处理图像输入经过训练的目标检测模型，以得到所述目标检测模型输出的预测热力图；其中，所述目标检测模型采用如权利要求1-4任一项所述的训练方法训练，以得到所述经过训练的目标检测模型；
根据所述预测热力图，在所述待处理图像中确定所述目标对象的目标中心。
6.一种目标检测模型的训练装置，其特征在于，包括：
第一执行单元，被配置为将训练图像输入目标检测模型的主干网络，以得到所述主干网络输出的特征图；
第二执行单元，被配置为将所述特征图输入所述目标检测模型的级联头部网络进行目标中心预测，得到所述级联头部网络中各级头部网络输出的预测热力图；其中，所述预测热力图中各位置点用于指示所述训练图像中对应各像素点为目标中心的概率；
处理单元，被配置将所述级联头部网络中，第一级所述头部网络输出的预测热力图内各位置点均作为目标位置点；
比较单元，被配置为对所述级联头部网络中其余各级所述头部网络，将前一级所述头部网络输出的预测热力图中所述概率大于阈值的位置点，作为后一级头部网络输出的预测热力图中的目标位置点；
调整单元，被配置为根据各级所述头部网络输出的预测热力图与各级所述头部网络对应的标签热力图在所述目标位置点的概率差异，训练所述目标检测模型；其中，所述标签热力图，用于标注所述训练图像中各像素点为目标中心的概率。
7.根据权利要求6所述的训练装置，其特征在于，所述装置，还包括：
排序单元，被配置为将前一级所述头部网络输出的预测热力图中各位置点的所述概率，按照取值从大到小的顺序排序；
确定单元，被配置为将处于设定排序位置上的概率作为后一级所述头部网络的所述阈值。
8.根据权利要求6或7所述的训练装置，其特征在于，所述装置，还包括：
扩散单元，还被配置为在各级头部网络对应的标签热力图中，将对应所述训练图像中标注的目标像素点的位置点作为概率分布中心；分别采用各级头部网络对应的扩展函数对所述概率分布中心进行概率扩散，以得到各级头部网络对应的标签热力图中每一位置点的概率；其中，各级头部网络对应的扩展函数的方差随层级递减。
9.根据权利要求6或7所述的训练装置，其特征在于，所述第二执行单元，还被配置为：
将所述特征图输入所述级联头部网络中的第一级头部网络，以得到所述第一级头部网络中最后一个卷积层的输出；其中，所述第一级头部网络中最后一个卷积层的输出包括所述预测热力图；循环执行采用前一级头部网络中最后一个卷积层输出的特征图更新输入特征图，并将更新的所述输入特征图输入下一级头部网络进行中心点预测的步骤。
10.一种目标检测装置，其特征在于，包括：
获取单元，被配置为获取包含目标对象的待处理图像；
输入单元，被配置为将所述待处理图像输入经过训练的目标检测模型，以得到所述目标检测模型输出的预测热力图；其中，所述目标检测模型采用如权利要求1-4任一项所述的训练方法训练，以得到所述经过训练的目标检测模型；
识别单元，被配置为根据所述预测热力图，在所述待处理图像中确定所述目标对象的目标中心。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至4中任一项所述的目标检测模型的训练方法，或者，实现如权利要求5所述的目标检测方法。
12.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至4中任一项所述的目标检测模型的训练方法，或者，实现如权利要求5所述的目标检测方法。
CN202011378745.3A 2020-12-01 2020-12-01 目标检测模型的训练方法、目标检测方法及装置 Active CN112200862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011378745.3A CN112200862B (zh) 2020-12-01 2020-12-01 目标检测模型的训练方法、目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011378745.3A CN112200862B (zh) 2020-12-01 2020-12-01 目标检测模型的训练方法、目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN112200862A true CN112200862A (zh) 2021-01-08
CN112200862B CN112200862B (zh) 2021-04-13

Family

ID=74033679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011378745.3A Active CN112200862B (zh) 2020-12-01 2020-12-01 目标检测模型的训练方法、目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN112200862B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220748A (zh) * 2021-05-21 2021-08-06 国网江苏省电力有限公司镇江供电分公司 一种构建配电网设备负荷热力图及数据分析的方法和系统
CN113239939A (zh) * 2021-05-12 2021-08-10 北京杰迈科技股份有限公司 一种轨道信号灯识别方法、模块及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190355147A1 (en) * 2017-07-14 2019-11-21 Tencent Technology (Shenzhen) Company Limited Method and apparatus for determining object posture in image, device, and storage medium
CN110838125A (zh) * 2019-11-08 2020-02-25 腾讯医疗健康(深圳)有限公司 医学图像的目标检测方法、装置、设备、存储介质
CN111179311A (zh) * 2019-12-23 2020-05-19 全球能源互联网研究院有限公司 多目标跟踪方法、装置及电子设备
CN111223143A (zh) * 2019-12-31 2020-06-02 广州市百果园信息技术有限公司 关键点检测方法、装置及计算机可读存储介质
CN111402228A (zh) * 2020-03-13 2020-07-10 腾讯科技（深圳）有限公司 图像检测方法、装置和计算机可读存储介质
CN111460958A (zh) * 2020-03-26 2020-07-28 暗物智能科技(广州)有限公司 一种物体检测器构建、物体检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190355147A1 (en) * 2017-07-14 2019-11-21 Tencent Technology (Shenzhen) Company Limited Method and apparatus for determining object posture in image, device, and storage medium
CN110838125A (zh) * 2019-11-08 2020-02-25 腾讯医疗健康(深圳)有限公司 医学图像的目标检测方法、装置、设备、存储介质
CN111179311A (zh) * 2019-12-23 2020-05-19 全球能源互联网研究院有限公司 多目标跟踪方法、装置及电子设备
CN111223143A (zh) * 2019-12-31 2020-06-02 广州市百果园信息技术有限公司 关键点检测方法、装置及计算机可读存储介质
CN111402228A (zh) * 2020-03-13 2020-07-10 腾讯科技（深圳）有限公司 图像检测方法、装置和计算机可读存储介质
CN111460958A (zh) * 2020-03-26 2020-07-28 暗物智能科技(广州)有限公司 一种物体检测器构建、物体检测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239939A (zh) * 2021-05-12 2021-08-10 北京杰迈科技股份有限公司 一种轨道信号灯识别方法、模块及存储介质
CN113220748A (zh) * 2021-05-21 2021-08-06 国网江苏省电力有限公司镇江供电分公司 一种构建配电网设备负荷热力图及数据分析的方法和系统
CN113220748B (zh) * 2021-05-21 2023-10-27 国网江苏省电力有限公司镇江供电分公司 一种构建配电网设备负荷热力图及数据分析的方法和系统

Also Published As

Publication number Publication date
CN112200862B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
WO2018121690A1 (zh) 对象属性检测、神经网络训练、区域检测方法和装置
CN111539480B (zh) 多类别医学图像识别方法及设备
CN110929848B (zh) 基于多挑战感知学习模型的训练、跟踪方法
CN112668579A (zh) 基于自适应亲和力和类别分配的弱监督语义分割方法
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
CN110135505B (zh) 图像分类方法、装置、计算机设备及计算机可读存储介质
CN111461164B (zh) 样本数据集的扩容方法及模型的训练方法
CN112200862B (zh) 目标检测模型的训练方法、目标检测方法及装置
CN113361645B (zh) 基于元学习及知识记忆的目标检测模型构建方法及系统
CN109740679A (zh) 一种基于卷积神经网络和朴素贝叶斯的目标识别方法
CN110458096A (zh) 一种基于深度学习的大规模商品识别方法
CN112699945A (zh) 数据标注方法及装置、存储介质及电子装置
Speth et al. Automated Label Noise Identification for Facial Attribute Recognition.
Gurrala et al. A new segmentation method for plant disease diagnosis
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
CN114140663A (zh) 一种基于多尺度注意力学习网络的害虫识别方法及系统
CN114492601A (zh) 资源分类模型的训练方法、装置、电子设备及存储介质
CN114399763A (zh) 一种单样本与小样本微体古生物化石图像识别方法及系统
CN107948721B (zh) 推送信息的方法和装置
WO2019232723A1 (en) Systems and methods for cleaning data
CN112991281A (zh) 视觉检测方法、系统、电子设备及介质
CN112991280A (zh) 视觉检测方法、系统及电子设备
CN112884569A (zh) 一种信用评估模型的训练方法、装置及设备
CN112084913A (zh) 一种端到端的人体检测与属性识别方法
CN116883786A (zh) 图数据增广方法、装置、计算机设备及可读存储介质

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