CN112257809B - 目标检测网络优化方法和装置、存储介质及电子设备 - Google Patents
目标检测网络优化方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112257809B CN112257809B CN202011205001.1A CN202011205001A CN112257809B CN 112257809 B CN112257809 B CN 112257809B CN 202011205001 A CN202011205001 A CN 202011205001A CN 112257809 B CN112257809 B CN 112257809B
- Authority
- CN
- China
- Prior art keywords
- target
- detection network
- target detection
- preset
- network
- 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
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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标检测网络优化方法和装置、存储介质及电子设备。其中,该方法包括:获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图片中的目标对象,预设目标检测网络中的权重参数是常数;获取目标检测网络检测目标图片输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图片中目标对象的标识框;根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果;在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图片中的目标对象,解决了现有技术中,目标检测算法检测到每个目标精准度较低的技术问题。
Description
技术领域
本发明涉及计算机视觉领域,具体而言,涉及一种目标检测网络优化方法和装置、存储介质及电子设备。
背景技术
目标检测方法的研究和应用是计算机视觉、智能视频分析领域的一个活跃的分支,在视频监控、自动控制、安全检查等系统中具有重要的地位。准确可靠的目标检测结果是进行更高级别的信息处理环节如目标跟踪、目标识别、行为分析等的基础。目前的目标检测方法在通常的环境下已取得比较稳定且可靠的结果,但这些方法在复杂场景下如背景杂乱,或图片模糊的场景的性能不能令人满意。
目前,基于计算机视觉的目标检测方法主要通过采用层数更深,参数更多的网络提取特征,或采用更复杂的算法提高目标检测算法的性能,但这些算法由于计算复杂、耗时较高无法应用在复杂的模块较多的系统中,且很难保证移动端设备算法的实时性,从而限制很多后续算法的应用。如基于目标检测结果的目标跟踪,若目标检测漏检了相关物体,则跟踪也会丢失对相关物体的跟踪,且目标跟踪和目标检测算法会有较大的耗时,无法保证算法的实时性。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标检测网络优化方法和装置、存储介质及电子设备,以至少解决现有技术中,目标检测算法检测到每个目标精准度较低的技术问题。
根据本发明实施例的一个方面,提供了一种目标检测网络优化方法,包括:获取预设目标检测网络中目标层的特征参数,其中,所述预设目标检测网络用于检测图片中的目标对象,所述预设目标检测网络中的权重参数是常数;获取所述目标检测网络检测目标图片输出的目标检测结果,其中,所述检测结果包括目标框的特征参数,所述目标框是所述目标图片中目标对象的标识框;根据所述特征参数和所述检测结果对所述预设目标检测网络进行非极大值训练,得到训练结果;在所述训练结果满足预定条件的情况下,确定所述预设目标检测网络作为目标检测网络,其中,所述目标检测网络用于检测目标图片中的目标对象。
根据本发明实施例的另一方面,还提供了一种目标检测网络优化装置,包括:第一获取单元,用于获取预设目标检测网络中目标层的特征参数,其中,所述预设目标检测网络用于检测图片中的目标对象,所述预设目标检测网络中的权重参数是常数;第二获取单元,用于获取所述目标检测网络检测目标图片输出的目标检测结果,其中,所述检测结果包括目标框的特征参数,所述目标框是所述目标图片中目标对象的标识框;训练单元,用于根据所述特征参数和所述检测结果对所述预设目标检测网络进行非极大值训练,得到训练结果;第一确定单元,用于在所述训练结果满足预定条件的情况下,确定所述预设目标检测网络作为目标检测网络,其中,所述目标检测网络用于检测目标图片中的目标对象。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述目标检测网络优化方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过所述计算机程序执行上述的目标检测网络优化方法。
在本发明实施例中,通过获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图片中的目标对象,预设目标检测网络中的权重参数是常数;获取目标检测网络检测目标图片输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图片中目标对象的标识框;根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果;在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图片中的目标对象,达到了根据预设目标检测网络的检测结果和预设目标检测网络目标层的特征参数确定目标检测网络的目的,也就是说,本实施例实现对目标检测网络检测结果进一步的校正,进而解决了现有技术中,目标检测算法检测到每个目标精准度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的目标检测网络优化方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的目标检测网络优化方法流程图;
图3是根据本发明实施例的一种可选的基于特征的多目标回归训练方法流程图;
图4是根据本发明实施例的一种可选的目标检测网络优化装置的结构示意图;
图5是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明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,以便这里描述的本发明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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种目标检测网络优化方法,可选地,作为一种可选的实施方式,上述目标检测网络优化方法可以但不限于应用于如图1所示的环境中。可以包括但不限于终端设备102、网络110及服务器112。
其中,上述终端设备102中可以包括但不限于:人机交互屏幕104,处理器106及存储器108。人机交互屏幕104用于通过人机交互接口获取人机交互指令,还用于呈现输入的图片;处理器106用于响应上述人机交互指令,将图片输入预设目标检测网络中。存储器108用于存储预设目标检测网络,及目标图片信息。这里服务器可以包括但不限于:数据库114及处理引擎116,处理引擎116用于调用数据库114中存储的预设目标检测网络,获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图片中的目标对象,预设目标检测网络中的权重参数是常数;获取目标检测网络检测目标图片输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图片中目标对象的标识框;根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果;在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图片中的目标对象,达到了根据预设目标检测网络的检测结果和预设目标检测网络目标层的特征参数确定目标检测网络的目的,也就是说,本实施例实现对目标检测网络检测结果进一步的校正,进而解决了现有技术中,目标检测算法检测到每个目标精准度较低的技术问题。
具体过程如以下步骤:在终端设备102中的人机交互屏幕104显示目标图片。获取预设目标检测网络中目标层的特征参数和获取目标检测网络检测目标图片输出的目标检测,并将该获取目标检测网络检测目标图片输出的目标检测通过网络110发送服务器112。在服务器112根据获取目标检测网络检测目标图片输出的目标检测对预设目标检测网络进行非极大值训练,得到训练结果;在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图片中的目标对象。然后将上述确定出的结果返回终端设备102。
可选地,在本实施例中,上述终端设备102可以是配置有目标客户端的终端设备,可以包括但不限于以下至少之一:手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices,移动互联网设备)、PAD、台式电脑、智能电视等。上述网络可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器。上述仅是一种示例,本实施例中对此不作任何限定。
可选地,作为一种可选的实施方式,如图2所示,上述目标检测网络优化方法包括:
步骤S202,获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图像中的目标对象,预设目标检测网络中的权重参数是常数。
步骤S204,获取目标检测网络检测目标图像输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图像中目标对象的标识框。
步骤S206,根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果。
步骤S208,在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图像中的目标对象。
可选的,在本实施例中,上述预设目标检测网络可以包括但不限于进行单目标检测、多目标检测。即预设目标检测网络用于检测目标图像中的目标对象,进而可以根据检测的目标对象进行目标对象的跟踪等操作。
其中,上述预设目标检测网络可以包括但不限于应用于视频监控、自动控制、安全检查等系统中,上述目标检测网络也可以包括但不限于应用于视频监控、自动控制、安全检查等系统中,即在进行目标对象检测后,根据准确可靠的目标检测结果是进行更高级别的信息处理环节,如目标跟踪、目标识别、行为分析等。
可选的,在本实施例中,对预设目标检测网络进行分析,选择合适的特征层,并固定预设目标检测网络的权重进行回归模块网络的训练。其中,回归模块网络由特征提取和回归网络构成。特征提取网络可根据耗时及性能要求采用一定数量的卷积层及下采样层构成。回归网络可采用全连接层构成。
其中,在确定目标检测网络后,按照一定的规则将部分目标检测结果送至多目标回归模块,并依据一定的规则将目标检测结果与多目标回归结果进行输出。也就是说,基于检测特征进行多目标回归训练辅助预设目标检测网络提高系统的召回率,并降低误检率。可在对耗时及性能有严苛要求的工业设备上,提高整个系统的召回率,并降低误检率。
通过本申请提供的实施例,获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图像中的目标对象,预设目标检测网络中的权重参数是常数;获取目标检测网络检测目标图像输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图像中目标对象的标识框;根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果;在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图像中的目标对象,达到了根据预设目标检测网络的检测结果和预设目标检测网络目标层的特征参数确定目标检测网络的目的,也就是说,本实施例实现对目标检测网络检测结果进一步的校正,进而解决了现有技术中,目标检测算法检测到每个目标精准度较低的技术问题。
可选的,在本实施例中,获取预设目标检测网络中目标层的特征参数,可以包括:根据至少以下之一因素获取预设目标检测网络中目标层的特征参数:目标分辨率,特征大小,特征表达能力选择特定特征层。
其中,特征层选择可以考虑目标分辨率,特征大小,特征表达能力选择特定特征层,如下采样4,下采样8,或下采样16的网络特征层。
可选的,在本实施例中,获取目标检测网络检测目标图像输出的目标检测结果,可以包括:通过目标特征提取网络获取目标检测网络检测目标图像输出的目标检测结果,其中,目标特征提取网络用于提取目标框的特征。
其中,目标特征提取网络可以包括但不限于采用ROI特征提取算法,如ROI-Pooling,PSROI-Pooling,ROI-Align等算法进行特征提取得到特定区域的特征,输入到回归模块网络中进行多目标的分类及位置回归。特征大小一般为N*Cin*H*W,其中N为目标个数,Cin为检测网络特征的通道数,H,W为ROI提取后的特征大小,如5*5,7*7等。
可选的,在本实施例中,根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果之前,可以包括:获取目标图像中目标对象的目标框;对目标框进行预设规则处理,得到处理后的目标框;获取处理后的目标框的特征参数,其中,检测结果包括处理后的目标框的特征参数。
其中,预设规则可以包括:对目标框进行中心偏移和/或对目标框大小进行缩放。
可选的,在本实施例中,在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络之后,还可以包括:
根据预设目标检测网络输出的检测结果构建目标检测网络的目标损失函数,其中,目标损失函数包括第一损失函数、第二损失函数、第三损失函数,第一损失函数用于表示目标框中是否存在目标对象,第二损失函数用于表示目标对象的分类,第三损失函数表示目标检测网络的损失;
在目标损失函数满足预设条件的情况下,确定目标检测网络用于检测目标图像中的目标对象。
其中,损失函数由是否有物体(第一损失函数),分类损失(第二损失函数)及回归损失(第三年损失函数)三部分构成。若目标对象的中心点落在格点里则认为有物体,否则认为没有物体。若有物体,则计算其分类损失及回归损失。是否有物体可采用二分类损失。分类损失可采用交叉熵损失。回归损失可采用L1,L2损失等。其中dx,dy是相对于格点左上顶点的距离。dw,dh是相对于输入框的大小。具体计算公式如下:
其中,Win、Hin表示输入的目标跟踪框的宽、高;Wout、Hout表示网络预测的目标框的宽、高。
以下结合具体实施例说明本方案的实施例。提供了一种基于特征的多目标回归训练方法,如图3所示,基于特征的多目标回归训练方法流程图。
步骤S301,输入图片;
步骤S302,目标检测网络,固定权重;
其中,目标检测网络的训练,由上层模块提供,采用Fastercnn,YOLO或SSD算法训练网络对特定目标进行检测。
步骤S303,获取特定特征层的数据;
在步骤S303中,对训练好的检测网络进行分析,选择合适的特征层并固定检测网络的权重进行回归模块网络的训练。回归模块网络由特征提取和回归网络构成。特征提取网络可根据耗时及性能要求采用一定数量的卷积层及下采样层构成。回归网络可采用全连接层构成。
步骤S304,获取随机扩充目标框;
步骤S305,特征提取;
步骤S306,多目标回归网络训练;
步骤S307,非极大值NMS抑制;
步骤S308,输出。
其中,按照一定的规则将部分目标检测结果送至多目标回归模块,并依据一定的规则将目标检测结果与多目标回归结果进行输出。
需要说明的是,在步骤S306中,多目标回归网络训练具体过程如下:
步骤S306-1,特征层选择。考虑目标分辨率,特征大小,特征表达能力选择特定特征层,如下采样4,下采样8,或下采样16的网络特征层。
步骤S306-2,数据输入及特征提取。针对目标检测网络检测效果较差的情况进行训练,如行人密度较大,图像质量较差,行人姿态怪异导致漏检的情况。将图片输入目标检测网络,固定网络权重,得到步骤S306-1中选定特征层的特征数据;对图片中目标的目标框进行随机中心偏移,及目标框大小随机缩放模拟较差的检测网络结果作为ROI区域输入目标框送入到下一步中。并将实际目标框作为回归目标。
其中,基于检测特征进行多目标回归训练辅助目标检测网络,由检测网络前向得到检测结果的同时得到特定层的特征数据。
步骤S306-3,ROI特征处理。将步骤S306-2中的特征数据及ROI输入目标框作为输入,采用ROI特征提取算法,如ROI-Pooling,PSROI-Pooling,ROI-Align等算法进行特征提取得到特定区域的特征,输入到回归模块网络中进行多目标的分类及位置回归。特征大小一般为N*Cin*H*W,其中N为目标个数,Cin为检测网络特征的通道数,H,W为ROI提取后的特征大小,如5*5,7*7等。
其中,其中,基于检测特征进行多目标回归训练辅助目标检测网络,由检测网络前向得到检测结果的同时得到特定层的特征数据。
步骤S306-4,网络输出及损失函数的构成。将步骤S306-3,中的特征输入到回归模块中,回归模块的输出为N*Cout*H*W。其中N与步骤S306-3,中相同,H,W也可与步骤S306-3,中相同。Cout的大小为类别数+1+4。其中1为是否有物体,4为dx,dy,dw,dh的偏移量。损失函数由是否有物体,分类损失及回归损失三部分构成。若目标的中心点落在格点里则认为有物体,否则认为没有物体。若有物体,则计算其分类损失及回归损失。是否有物体可采用二分类损失。分类损失可采用交叉熵损失。回归损失可采用L1,L2损失等。其中dx,dy是相对于格点左上顶点的距离。dw,dh是相对于输入框的大小。具体计算公式如下:
其中,Win、Hin表示输入的目标跟踪框的宽、高;Wout、Hout表示网络预测的目标框的宽、高。
其中,训练多目标回归网络时固定检测网络,只更新多目标回归网络的权重。采用前背景损失,分类损失及回归损失加权平均的方法。采用局部特征辅助目标框精确定位,并去除误检。
步骤S306-5,输出结果处理。对多目标回归结果进行NMS抑制。将多目标回归结果与检测结果按照一定规则结合起来得到输出结果。如根据网络回归效果及目标检测性能设置不同的置信度阈值及权重对结果进行加权。
其中,按一定的规则(如置信度低于阈值)将部分检测结果送入多目标回归模块,对多目标回归结果进行多目标NMS抑制,得出多目标网络回归结果,并结合目标检测结果得出最后的输出,辅助下层报警系统。
通过本实施例所提供的方案,具有如下有益效果:
1,基于检测特征进行多目标回归训练辅助目标检测网络提高系统的召回率,并降低误检率。可在对耗时及性能有严苛要求的工业设备上,采用此方法提高整个系统的召回率,并降低误检率。
2,特征由输入图片输入检测网络得到检测结果的同时得到特定层的特征数据。多目标回归网络仅由特征提取网络及回归网络两部分组成。其中特征提取网络可仅由2层卷积层构成,回归网络可仅由两层全连接层构成。特征网络用来提取和检测网络不同的特征。回归网络学习区分前背景,回归偏移。可在较小的耗时下保证性能提升。
3,采用ROI特征提取方法如ROIPooling,ROIAlign等算法提取特定区域的特征。ROI区域由目标框中心随机偏移及随机缩放后构成。提取后的特征的长宽为5或7等较小的数,输入多目标回归网络可保证较小的耗时的同时提高网络性能。
4,训练多目标回归网络时固定检测网络,只更新多目标回归网络的权重。采用前背景损失,分类损失及回归损失加权平均的方法。采用局部特征辅助目标框精确定位,并去除误检。
5,按一定的规则(如置信度低于阈值)将部分检测结果送入多目标回归模块,对多目标回归结果进行多目标NMS抑制,得出多目标网络回归结果,并结合目标检测结果得出最后的输出,辅助下层报警系统。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述目标检测网络优化方法的目标检测网络优化装置。如图4所示,该目标检测网络优化装置包括:第一获取单元41、第二获取单元43、训练单元45、第一确定单元47。
第一获取单元41,用于获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图片中的目标对象,预设目标检测网络中的权重参数是常数。
第二获取单元43,用于获取目标检测网络检测目标图片输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图片中目标对象的标识框。
训练单元45,用于根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果。
第一确定单元47,用于在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图片中的目标对象。
通过本申请提供的实施例,第一获取单元41获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图片中的目标对象,预设目标检测网络中的权重参数是常数;第二获取单元43获取目标检测网络检测目标图片输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图片中目标对象的标识框;训练单元45根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果;第一确定单元47在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图片中的目标对象。达到了根据预设目标检测网络的检测结果和预设目标检测网络目标层的特征参数确定目标检测网络的目的,也就是说,本实施例实现对目标检测网络检测结果进一步的校正,进而解决了现有技术中,目标检测算法检测到每个目标精准度较低的技术问题。
可选的,在本实施例中,上述第一获取单元41,可以包括:第一获取模块,用于根据至少以下之一因素获取预设目标检测网络中目标层的特征参数:目标分辨率,特征大小,特征表达能力选择特定特征层。
可选的,在本实施例中,上述第二获取单元43,可以包括:第二获取模块,用于通过目标特征提取网络获取目标检测网络检测目标图片输出的目标检测结果,其中,目标特征提取网络用于提取目标框的特征。
可选的,在本实施例中,上述装置可以包括:第三获取单元,用于根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果之前,获取目标图片中目标对象的目标框;处理单元,用于对目标框进行预设规则处理,得到处理后的目标框;第四获取单元,用于获取处理后的目标框的特征参数,其中,检测结果包括处理后的目标框的特征参数。
其中,预设规则包括:对目标框进行中心偏移和/或对目标框大小进行缩放。
可选的,在本实施例中,上述装置还可以包括:构建单元,用于在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络之后,根据预设目标检测网络输出的检测结果构建目标检测网络的目标损失函数,其中,目标损失函数包括第一损失函数、第二损失函数、第三损失函数,第一损失函数用于表示目标框中是否存在目标对象,第二损失函数用于表示目标对象的分类,第三损失函数表示目标检测网络的损失;
第二确定单元,用于在目标损失函数满足预设条件的情况下,确定目标检测网络用于检测目标图片中的目标对象。
根据本发明实施例的又一个方面,还提供了一种用于实施上述目标检测网络优化方法的电子设备,该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图5所示,该电子设备包括存储器502和处理器504,该存储器502中存储有计算机程序,该处理器504被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图片中的目标对象,预设目标检测网络中的权重参数是常数;
S2,获取目标检测网络检测目标图片输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图片中目标对象的标识框;
S3,根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果;
S4,在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图片中的目标对象。
可选地,本领域普通技术人员可以理解,图5所示的结构仅为示意,电子装置电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图5其并不对上述电子装置电子设备的结构造成限定。例如,电子装置电子设备还可包括比图5中所示更多或者更少的组件(如网络接口等),或者具有与图5所示不同的配置。
其中,存储器502可用于存储软件程序以及模块,如本发明实施例中的目标检测网络优化方法和装置对应的程序指令/模块,处理器504通过运行存储在存储器502内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的目标检测网络优化方法。存储器502可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器502可进一步包括相对于处理器504远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。其中,存储器502具体可以但不限于用于存储物品的样本特征与目标虚拟资源账号等信息。作为一种示例,如图5所示,上述存储器502中可以但不限于包括上述目标检测网络优化装置中的第一获取单元41、第二获取单元43、训练单元45、第一确定单元47。此外,还可以包括但不限于上述目标检测网络优化装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置506用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置506包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置506为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述目标检测网络优化方法或者目标检测网络优化方法的各种可选实现方式中提供的方法。其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取预设目标检测网络中目标层的特征参数,其中,预设目标检测网络用于检测图片中的目标对象,预设目标检测网络中的权重参数是常数;
S2,获取目标检测网络检测目标图片输出的目标检测结果,其中,检测结果包括目标框的特征参数,目标框是目标图片中目标对象的标识框;
S3,根据特征参数和检测结果对预设目标检测网络进行非极大值训练,得到训练结果;
S4,在训练结果满足预定条件的情况下,确定预设目标检测网络作为目标检测网络,其中,目标检测网络用于检测目标图片中的目标对象。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的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,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,在本发明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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种目标检测网络优化方法,其特征在于,包括:
获取预设目标检测网络中目标层的特征参数,其中,所述预设目标检测网络用于检测图片中的目标对象,所述预设目标检测网络中的权重参数是常数;
获取所述目标检测网络检测目标图片输出的目标检测结果,其中,所述目标检测结果包括目标框的特征参数,所述目标框是所述目标图片中目标对象的标识框;
根据所述目标层的特征参数和所述目标检测结果对所述预设目标检测网络进行非极大值训练,得到训练结果;
在所述训练结果满足预定条件的情况下,确定所述预设目标检测网络作为目标检测网络,其中,所述目标检测网络用于检测目标图片中的目标对象;
其中,所述在所述训练结果满足预定条件的情况下,确定所述预设目标检测网络作为目标检测网络之后,所述方法还包括:根据所述预设目标检测网络输出的检测结果构建所述目标检测网络的目标损失函数,其中,所述目标损失函数包括第一损失函数、第二损失函数、第三损失函数,所述第一损失函数用于表示所述目标框中是否存在目标对象,所述第二损失函数用于表示所述目标对象的分类,所述第三损失函数表示所述目标检测网络的损失;在所述目标损失函数满足预设条件的情况下,确定所述目标检测网络用于检测目标图片中的目标对象。
2.根据权利要求1所述的方法,其特征在于,所述获取预设目标检测网络中目标层的特征参数,包括:
根据至少以下之一因素获取所述预设目标检测网络中目标层的特征参数:目标分辨率,特征大小,特征表达能力选择特定特征层。
3.根据权利要求1所述的方法,其特征在于,所述获取所述目标检测网络检测目标图片输出的目标检测结果,包括:
通过目标特征提取网络获取所述目标检测网络检测目标图片输出的目标检测结果,其中,所述目标特征提取网络用于提取所述目标框的特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标层的特征参数和所述目标检测结果对所述预设目标检测网络进行非极大值训练,得到训练结果之前,所述方法包括:
获取所述目标图片中目标对象的目标框;
对所述目标框进行预设规则处理,得到处理后的目标框;
获取所述处理后的目标框的特征参数,其中,所述目标检测结果包括所述处理后的目标框的特征参数。
5.根据权利要求4所述的方法,其特征在于,所述预设规则包括:对所述目标框进行中心偏移和/或对所述目标框大小进行缩放。
6.一种目标检测网络优化装置,其特征在于,包括:
第一获取单元,用于获取预设目标检测网络中目标层的特征参数,其中,所述预设目标检测网络用于检测图片中的目标对象,所述预设目标检测网络中的权重参数是常数;
第二获取单元,用于获取所述目标检测网络检测目标图片输出的目标检测结果,其中,所述目标检测结果包括目标框的特征参数,所述目标框是所述目标图片中目标对象的标识框;
训练单元,用于根据所述目标层的特征参数和所述目标检测结果对所述预设目标检测网络进行非极大值训练,得到训练结果;
第一确定单元,用于在所述训练结果满足预定条件的情况下,确定所述预设目标检测网络作为目标检测网络,其中,所述目标检测网络用于检测目标图片中的目标对象;
其中,所述装置还包括:构建单元,用于所述在所述训练结果满足预定条件的情况下,确定所述预设目标检测网络作为目标检测网络之后,根据所述预设目标检测网络输出的检测结果构建所述目标检测网络的目标损失函数,其中,所述目标损失函数包括第一损失函数、第二损失函数、第三损失函数,所述第一损失函数用于表示所述目标框中是否存在目标对象,所述第二损失函数用于表示所述目标对象的分类,所述第三损失函数表示所述目标检测网络的损失;第二确定单元,用于在所述目标损失函数满足预设条件的情况下,确定所述目标检测网络用于检测目标图片中的目标对象。
7.根据权利要求6所述的装置,其特征在于,所述第一获取单元,包括:
第一获取模块,用于根据至少以下之一因素获取所述预设目标检测网络中目标层的特征参数:目标分辨率,特征大小,特征表达能力选择特定特征层。
8.根据权利要求6所述的装置,其特征在于,所述第二获取单元,包括:
第二获取模块,用于通过目标特征提取网络获取所述目标检测网络检测目标图片输出的目标检测结果,其中,所述目标特征提取网络用于提取所述目标框的特征。
9.根据权利要求6所述的装置,其特征在于,所述装置包括:
第三获取单元,用于所述根据所述目标层的特征参数和所述目标检测结果对所述预设目标检测网络进行非极大值训练,得到训练结果之前,获取所述目标图片中目标对象的目标框;
处理单元,用于对所述目标框进行预设规则处理,得到处理后的目标框;
第四获取单元,用于获取所述处理后的目标框的特征参数,其中,所述目标检测结果包括所述处理后的目标框的特征参数。
10.根据权利要求9所述的装置,其特征在于,所述预设规则包括:对所述目标框进行中心偏移和/或对所述目标框大小进行缩放。
11.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至5任一项中所述的方法。
12.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205001.1A CN112257809B (zh) | 2020-11-02 | 2020-11-02 | 目标检测网络优化方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011205001.1A CN112257809B (zh) | 2020-11-02 | 2020-11-02 | 目标检测网络优化方法和装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257809A CN112257809A (zh) | 2021-01-22 |
CN112257809B true CN112257809B (zh) | 2023-07-14 |
Family
ID=74268532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011205001.1A Active CN112257809B (zh) | 2020-11-02 | 2020-11-02 | 目标检测网络优化方法和装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257809B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784293A (zh) * | 2019-01-24 | 2019-05-21 | 苏州科达科技股份有限公司 | 多类目标对象检测方法、装置、电子设备、存储介质 |
CN110765886A (zh) * | 2019-09-29 | 2020-02-07 | 深圳大学 | 一种基于卷积神经网络的道路目标检测方法及装置 |
WO2020094026A1 (zh) * | 2018-11-08 | 2020-05-14 | 腾讯科技(深圳)有限公司 | 组织结节检测及其模型训练方法、装置、设备和系统 |
WO2020134557A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京市商汤科技开发有限公司 | 目标对象检测方法和装置、电子设备和存储介质 |
WO2020151166A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 多目标跟踪方法、装置、计算机装置及可读存储介质 |
CN111476160A (zh) * | 2020-04-07 | 2020-07-31 | 杭州视在科技有限公司 | 损失函数优化方法、模型训练方法、目标检测方法及介质 |
WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10032067B2 (en) * | 2016-05-28 | 2018-07-24 | Samsung Electronics Co., Ltd. | System and method for a unified architecture multi-task deep learning machine for object recognition |
CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
CN111027547B (zh) * | 2019-12-06 | 2022-08-09 | 南京大学 | 一种针对二维图像中的多尺度多形态目标的自动检测方法 |
CN111461110B (zh) * | 2020-03-02 | 2023-04-28 | 华南理工大学 | 一种基于多尺度图像和加权融合损失的小目标检测方法 |
CN111368769B (zh) * | 2020-03-10 | 2024-03-12 | 大连东软信息学院 | 基于改进锚点框生成模型的船舶多目标检测方法 |
-
2020
- 2020-11-02 CN CN202011205001.1A patent/CN112257809B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020094026A1 (zh) * | 2018-11-08 | 2020-05-14 | 腾讯科技(深圳)有限公司 | 组织结节检测及其模型训练方法、装置、设备和系统 |
WO2020134557A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京市商汤科技开发有限公司 | 目标对象检测方法和装置、电子设备和存储介质 |
WO2020151166A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 多目标跟踪方法、装置、计算机装置及可读存储介质 |
CN109784293A (zh) * | 2019-01-24 | 2019-05-21 | 苏州科达科技股份有限公司 | 多类目标对象检测方法、装置、电子设备、存储介质 |
WO2020206861A1 (zh) * | 2019-04-08 | 2020-10-15 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
CN110765886A (zh) * | 2019-09-29 | 2020-02-07 | 深圳大学 | 一种基于卷积神经网络的道路目标检测方法及装置 |
CN111476160A (zh) * | 2020-04-07 | 2020-07-31 | 杭州视在科技有限公司 | 损失函数优化方法、模型训练方法、目标检测方法及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112257809A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9940547B2 (en) | Media content analysis system and method | |
CN112232293B (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
CN111797983A (zh) | 一种神经网络构建方法以及装置 | |
CN110717527A (zh) | 结合空洞空间金字塔结构的目标检测模型确定方法 | |
CN113159300B (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
US20140064626A1 (en) | Adaptive image processing apparatus and method based in image pyramid | |
CN110909630A (zh) | 一种异常游戏视频检测方法和装置 | |
US10679064B2 (en) | Optimized classifier update | |
CN114331829A (zh) | 一种对抗样本生成方法、装置、设备以及可读存储介质 | |
CN113612656A (zh) | 网络流量检测方法、装置、终端设备及存储介质 | |
CN110768971A (zh) | 适用于人工智能系统的对抗样本快速预警方法及系统 | |
CN116452810A (zh) | 一种多层次语义分割方法、装置、电子设备及存储介质 | |
CN115588192A (zh) | 细胞图像分类方法和图像分类系统、电子设备及存储介质 | |
CN114140637B (zh) | 图像分类方法、存储介质和电子设备 | |
CN114169425A (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN112257809B (zh) | 目标检测网络优化方法和装置、存储介质及电子设备 | |
CN113065379B (zh) | 融合图像质量的图像检测方法、装置、电子设备 | |
CN111597376B (zh) | 一种图像数据处理方法、装置以及计算机可读存储介质 | |
CN108614845B (zh) | 基于媒体文件的行为预估方法和装置 | |
CN116912483A (zh) | 目标检测方法、电子设备以及存储介质 | |
CN111652158A (zh) | 目标对象的检测方法和装置、存储介质及电子装置 | |
CN111488476B (zh) | 图像推送方法、模型训练方法及对应装置 | |
CN111461228B (zh) | 图像推荐方法和装置及存储介质 | |
CN114372999A (zh) | 一种对象检测方法、装置、电子设备和存储介质 | |
CN114205642B (zh) | 一种视频图像的处理方法和装置 |
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 |