CN114926447A - 用于训练模型的方法、用于检测目标的方法和装置 - Google Patents

Abstract

本公开提供了用于训练模型的方法、用于检测目标的方法和装置，涉及人工智能技术领域，具体为计算机视觉技术领域。具体实现方案为：获取样本图像和真实标签；基于样本图像、真实标签和待训练模型，确定样本图像的特征图中各预测点与真实标签之间的损失函数值；基于损失函数值和预设的正样本数量，确定各预测点对应的预测标签；基于真实标签和预测标签，对待训练模型进行训练，得到训练完成的目标检测模型。本实现方式可以提高目标检测模型的检测精度。

Description

用于训练模型的方法、用于检测目标的方法和装置

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉技术领域。

背景技术

目前，在目标检测的场景中，经常需要对尺度较小的目标进行检测，例如，检测眼底视网膜图像中较小的病灶目标。

在实践中发现，现在的目标检测模型能够较好的满足对大尺度目标的检测需求，然而，对于上述尺度较小的目标进行检测时，通常存在着检测精度不高的问题。

发明内容

本公开提供了一种用于训练模型的方法、用于检测目标的方法和装置。

根据本公开的一方面，提供了一种用于训练模型的方法，包括：获取样本图像和真实标签；基于样本图像、真实标签和待训练模型，确定样本图像的特征图中各预测点与真实标签之间的损失函数值；基于损失函数值和预设的正样本数量，确定各预测点对应的预测标签；基于真实标签和预测标签，对待训练模型进行训练，得到训练完成的目标检测模型。

根据本公开的另一方面，提供了一种用于检测目标的方法，包括：获取待检测图像；基于待检测图像和上述用于训练模型的方法所得到的目标检测模型，确定待检测图像中的目标信息。

根据本公开的另一方面，提供了一种用于训练模型的装置，包括：样本获取单元，被配置成获取样本图像和真实标签；损失确定单元，被配置成基于样本图像、真实标签和待训练模型，确定样本图像的特征图中各预测点与真实标签之间的损失函数值；标签确定单元，被配置成基于损失函数值和预设的正样本数量，确定各预测点对应的预测标签；模型训练单元，被配置成基于真实标签和预测标签，对待训练模型进行训练，得到训练完成的目标检测模型。

根据本公开的另一方面，提供了一种用于检测目标的装置，包括：图像获取单元，被配置成获取待检测图像；目标确定单元，被配置成基于待检测图像和上述的用于训练模型的方法所得到的目标检测模型，确定待检测图像中的目标信息。

根据本公开的另一方面，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；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项用于训练模型的方法或者用于检测目标的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上任意一项用于训练模型的方法或者用于检测目标的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上任意一项用于训练模型的方法或者用于检测目标的方法。

根据本公开的技术，提供一种用于训练模型的方法或者用于检测目标的方法，能够提高目标检测模型的检测精度。

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，不构成对本公开的限定。其中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于训练模型的方法的一个实施例的流程图；

图3是根据本公开的用于训练模型的方法的一个应用场景的示意图；

图4是根据本公开的用于训练模型的方法的另一个实施例的流程图；

图5是根据本公开的用于检测目标的方法的一个实施例的流程图；

图6是根据本公开的用于训练模型的装置的一个实施例的结构示意图；

图7是根据本公开的用于检测目标的装置的一个实施例的结构示意图；

图8是用来实现本公开实施例的用于训练模型的方法或者用于检测目标的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103中可以获取样本图像和真实标签，并将样本图像和真实标签通过网络104发送给服务器105，以使服务器105基于样本图像和真实标签作为训练样本，训练得到目标检测模型。之后，终端设备101、102、103可以获取目标检测模型，基于目标检测模型，确定待检测图像中的目标信息。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于手机、电脑、平板等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如，服务器105可以接收终端设备101、102、103通过网络104发送的样本图像和真实标签；基于样本图像、真实标签和待训练模型，确定样本图像的特征图中各预测点与真实标签之间的损失函数值；基于损失函数值和预设的正样本数量，确定各预测点对应的预测标签；基于真实标签和预测标签，对待训练模型进行训练，得到训练完成的目标检测模型。之后，服务器105可以通过网络104将目标检测模型发送给终端设备101、102、103，以使终端设备101、102、103通过目标检测模型生成待检测图像的目标信息。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的用于训练模型的方法或者用于检测目标的方法可以由终端设备101、102、103执行，也可以由服务器105执行，用于训练模型的装置或者用于检测目标的装置可以设置于终端设备101、102、103，也可以设置于服务器105中，本公开实施例对此不做限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于训练模型的方法的一个实施例的流程200。本实施例的用于训练模型的方法，包括以下步骤：

步骤201，获取样本图像和真实标签。

在本实施例中，执行主体(如图1中的服务器105或者终端设备101、102、103)可以从本地存储或者预先建立连接的电子设备中获取需要用于模型训练的样本图像，以及与样本图像相对应的真实标签。其中，样本图像和真实标签可以用于训练目标检测模型，以使训练完成的目标检测模型识别图像中的目标。其中，样本图像可以是包含目标的图像，真实标签(ground truth，gt)可以是样本图像中对于目标所在区域和/或所属类别的标签。其中，在一个样本图像中，可以对应有至少一个真实标签。

步骤202，基于样本图像、真实标签和待训练模型，确定样本图像的特征图中各预测点与真实标签之间的损失函数值。

在本实施例中，执行主体可以将样本图像输入待训练模型，以使待训练模型生成样本图像对应的至少一个特征图。对于每个特征图，执行主体可以确定该特征图中各预测点与真实标签之间的损失函数值。其中，损失函数值可以基于分类损失计算、回归损失计算、以及其他辅助损失计算等计算方式确定得到。

并且，通常情况下，真实标签的数量为多个，不同的真实标签可以对应不同位置或者种类的检测目标。对于每个特征图而言，执行主体可以计算该特征图中各预测点与每个真实标签之间的损失函数值。

步骤203，基于损失函数值和预设的正样本数量，确定各预测点对应的预测标签。

在本实施例中，为了解决小目标检测精度较差的问题，采用了预设正样本数量，并结合上述损失函数值和预设的正样本数量，选取符合预设的正样本数量个正样本，对各预测点分配标签，能够平衡正负样本数量的占比情况，主要是提高正样本数量，从而提高模型精度。

在本实施例的一些可选的实现方式中，基于损失函数值和预设的正样本数量，确定各预测点对应的预测标签可以包括：对每个真实标签，按照该真实标签与各预测点的损失函数值由低至高的顺序，选取预设的正样本数量个预测点作为该真实标签下的正样本，将未选取的预测点作为该真实标签下的负样本；基于各个真实标签下的正负样本情况，确定每个预测点的预测标签，其中，预测标签可以指示该预测点所属的类别(即该预测点对应的真实标签)，以及该预测点在该类别下为正样本或者负样本。

步骤204，基于真实标签和预测标签，对待训练模型进行训练，得到训练完成的目标检测模型。

在本实施例中，执行主体可以将真实标签和预测标签代入预设的损失函数，如果所得到的损失值不满足预设的收敛条件，则调整待训练模型的模型参数，重复执行步骤202至步骤204，直至所得到的损失值满足预设的收敛条件，得到训练完成的目标检测模型。其中，目标检测模型用于检测图像中的目标，尤其的，目标检测模型可以用于检测图像中尺度较小的目标。

继续参见图3，其示出了根据本公开的用于训练模型的方法的一个应用场景的示意图。在图3的应用场景中，执行主体可以将眼底视网膜图像301作为上述的样本图像，此时，与眼底视网膜图像301对应的真实标签302可以为包含不同种类和/或不同位置的病灶目标或体征目标的标签。执行主体可以基于眼底视网膜图像301和真实标签302，对待训练模型303进行训练，得到目标检测模型306。其中，训练得到的目标检测模型306能够检测与眼底视网膜图像对应的病灶目标或体征目标。具体的，在训练待训练模型303的过程中，可以先获取与眼底视网膜图像301对应的特征图，再计算特征图中的每个预测点和真实标签302之间的损失函数值，并按照损失函数值由低至高的顺序对各预测点进行排序，得到排序后的预测点305。之后，执行主体可以按照排序顺序，选取预设的正样本数量个预测点作为真实标签302对应的正样本3051，将未选取的预测点3052作为真实标签302对应的负样本3052。基于各个真实标签302对应的正样本3051和负样本3052，确定各个特征图中各预测点对应的预测标签。之后，执行主体可以基于该预测标签和真实标签302，对待训练模型302进行迭代训练，得到目标检测模型306。

本公开上述实施例提供的用于训练模型的方法，可以通过确定特征图中各预测点与真实标签之间的损失函数值，基于损失函数值和正样本数量，确定预测标签，基于该预测标签进行模型训练。这一过程能够基于损失函数值，分配固定数量的正样本进行模型训练，提高了小目标检测中正样本的占比情况，从而提高目标检测模型的检测精度。

继续参见图4，其示出了根据本公开的用于训练模型的方法的另一个实施例的流程400。如图4所示，本实施例的用于训练模型的方法可以包括以下步骤：

步骤401，获取样本图像和真实标签。

在本实施例中，样本图像包括存在病灶的眼底视网膜图像，真实标签包括眼底视网膜图像中至少一个病灶和/或体征对应的标签。

步骤402，对于每个层次的神经网络层，确定该神经网络层对应的特征图尺度。

在本实施例中，待训练模型至少包括不同层次的神经网络层。并且，执行主体可以预先设置针对不同层次的神经网络层的特征图尺度，以使不同层次的神经网络层处理不同的特征图尺度。优选的，对于较浅层次的神经网络层，可以设置较小的特征图尺度；对于较深层次的神经网络层，可以设置较大的特征图尺度，从而提高目标学习的精准度。举例来说，特征图尺度可以表现为尺度范围，如(-1，64)，(64，128)，(128，256)，(256，512)，(512,INF)等。

步骤403，基于样本图像和特征图尺度，生成该神经网络层对应的特征图。

在本实施例中，执行主体可以将样本图像输入待训练模型，以使待训练模型中各个层次的神经网络层生成对应特征图尺度的特征图。

步骤404，确定该神经网络层对应的特征图中各预测点与特征图尺度对应的真实标签之间的损失函数值。

在本实施例中，执行主体可以按照每个神经网络层对应的特征图尺度，确定特征图尺度对应的真实标签。也即是，利用不同的神经网络层，处理符合该层次尺度的真实标签，从而提高了不同尺度真实标签的学习灵活性。

并且，对于该神经网络层对应的特征图中的每个预测点，可以计算该预测点和该神经网络层对应的特征图尺度的至少一个真实标签之间的损失函数值。

步骤405，对于每个特征图，基于该特征图的特征图尺度，确定与该特征图相匹配的、预设的正样本数量。

在本实施例中，执行主体还可以基于特征图尺度，设置预设的正样本数量，其中，特征图尺度越大，预设的正样本数量越多，特征图尺度越小，预设的正样本数量越少，从而灵活地调节不同特征图。并且，在眼底视网膜图像检测场景下，正样本可以为病灶和/或体征检测为阳性的样本，负样本可以为病灶和/或体征检测为阴性的样本。

步骤406，对于每个真实标签，按照真实标签与各预测点之间的损失函数值由低至高的顺序，选取正样本数量个预测点，作为与真实标签对应的正样本预测点。

在本实施例中，执行主体可以对各神经网络层中的每个真实标签，计算该真实标签，与该神经网络层对应的特征图中的各预测点之间的损失函数值，按照损失函数值由低至高的顺序，选取与该神经网络层对应的正样本数量相匹配的数量个预测点，作为该真实标签对应的正样本预测点。

步骤407，基于各预测点中未被确定为正样本预测点的其他预测点，确定与真实标签对应的负样本预测点。

在本实施例中，执行主体可以将该神经网络层对应的特征图中的各预测点中未被选取为正样本预测点的其他预测点，确定为负样本预测点。

步骤408，基于各个真实标签对应的正样本预测点和负样本预测点，确定各预测点对应的预测标签。

在本实施例中，执行主体可以对于各特征图中的每个预测点，确定该预测点对应的真实标签，以及该预测点在该真实标签下为正样本或者负样本，并基于该预测点对应的真实标签和该预测点为正样本或者负样本，生成该预测点对应的预测标签。

在本实施例的一些可选的实现方式中，基于各个真实标签对应的正样本预测点和负样本预测点，确定各预测点对应的预测标签可以包括：对于与至少两个真实标签对应的目标正样本预测点，确定至少两个真实标签中的每个真实标签与目标正样本预测点之间的中心距离值；基于中心距离值最近的真实标签，生成目标正样本预测点对应的预测标签。

在本实现方式中，如果存在预测点对应着两个及两个以上真实标签、且该预测点为该真实标签下的正样本，则计算预测点与每个真实标签的中心点的中心距离值，将中心距离值最近的真实标签确定为最终与预测点对应的真实标签。并且，执行主体可以基于该真实标签和该预测点为正样本，生成该预测点对应的预测标签。

步骤409，基于真实标签和预测标签，对待训练模型进行训练，得到训练完成的目标检测模型。

在本实施例中，对于步骤409的详细描述请参照对于步骤204的详细描述，在此不再赘述。

本公开上述实施例提供的用于训练模型的方法，还可以在眼底视网膜图像检测病灶的场景中，通过计算特征图各预测点与真实标签之间的损失函数值，选取指定数量个正样本，得到各预测点对应的预测标签，从而使得基于该预测标签得到的目标检测模型能够更加精准地检测眼底视网膜图像中的病灶。并且，对于判定为至少两个真实标签的正样本预测点，可以基于预测点与各真实标签的中心距离值，进行标签去重，从而提高预测标签的生成精准度。以及，对于不同层次的神经网络层，可以设置不同的正样本数量，从而提高了正样本数量的设定灵活性。

继续参考图5，示出了根据本公开的用于检测目标的方法的一个实施例的流程500。本实施例的用于检测目标的方法，包括以下步骤：

步骤501，获取待检测图像。

在本实施例中，待检测图像可以包括目标眼底视网膜图像，也可以包括任意需要进行小目标检测的图像，本实施例对此不做限定。

步骤502，基于待检测图像和上述的用于训练模型的方法所得到的目标检测模型，确定待检测图像中的目标信息。

在本实施例中，目标信息可以包括目标眼底视网膜图像中的病灶和/或体征目标，也可以包括针对任意需要进行小目标检测的图像中的小目标，本实施例对此不做限定。

本公开上述实施例提供的用于检测目标的方法，可以利用上述方法得到的目标检测模型，实现精准的小目标检测。尤其的，可以对目标眼底视网膜图像进行检测，得到较为精准的病灶和/或体征目标。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于训练模型的装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于终端设备、服务器等电子设备中。

如图6所示，本实施例的用于训练模型的装置600包括：样本获取单元601、损失确定单元602、标签确定单元603以及模型训练单元604。

样本获取单元601，被配置成获取样本图像和真实标签。

损失确定单元602，被配置成基于样本图像、真实标签和待训练模型，确定样本图像的特征图中各预测点与真实标签之间的损失函数值。

标签确定单元603，被配置成基于损失函数值和预设的正样本数量，确定各预测点对应的预测标签。

模型训练单元604，被配置成基于真实标签和预测标签，对待训练模型进行训练，得到训练完成的目标检测模型。

在本实施例的一些可选的实现方式中，标签确定单元603进一步被配置成：对于每个真实标签，按照真实标签与各预测点之间的损失函数值由低至高的顺序，选取正样本数量个预测点，作为与真实标签对应的正样本预测点；基于各预测点中未被确定为正样本预测点的其他预测点，确定与真实标签对应的负样本预测点；基于各个真实标签对应的正样本预测点和负样本预测点，确定各预测点对应的预测标签。

在本实施例的一些可选的实现方式中，标签确定单元603进一步被配置成：对于与至少两个真实标签对应的目标正样本预测点，确定至少两个真实标签中的每个真实标签与目标正样本预测点之间的中心距离值；基于中心距离值最近的真实标签，生成目标正样本预测点对应的预测标签。

在本实施例的一些可选的实现方式中，待训练模型至少包括不同层次的神经网络层；以及，损失确定单元602进一步被配置成：对于每个层次的神经网络层，确定该神经网络层对应的特征图尺度；基于样本图像和特征图尺度，生成该神经网络层对应的特征图；确定该神经网络层对应的特征图中各预测点与特征图尺度对应的真实标签之间的损失函数值。

在本实施例的一些可选的实现方式中，还包括：数量确定单元，被配置成对于每个特征图，基于该特征图的特征图尺度，确定与该特征图相匹配的、预设的正样本数量。

在本实施例的一些可选的实现方式中，样本图像包括存在病灶的眼底视网膜图像，真实标签包括眼底视网膜图像中至少一个病灶对应的标签。

应当理解，用于训练模型的装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于训练模型的方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于检测目标的装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于终端设备、服务器等电子设备中。

如图7所示，本实施例的用于检测目标的装置700包括：图像获取单元701和目标确定单元702。

图像获取单元701，被配置成获取待检测图像。

目标确定单元702，被配置成基于待检测图像和上述用于训练模型的方法所得到的目标检测模型，确定待检测图像中的目标信息。

在本实施例的一些可选的实现方式中，待检测图像包括目标眼底视网膜图像，目标信息包括目标眼底视网膜图像中的病灶目标。

应当理解，用于检测目标的装置700中记载的单元701至单元702分别与参考图5中描述的方法中的各个步骤相对应。由此，上文针对用于检测目标的方法描述的操作和特征同样适用于装置700及其中包含的单元，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如用于训练模型的方法或者用于检测目标的方法。例如，在一些实施例中，用于训练模型的方法或者用于检测目标的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的用于训练模型的方法或者用于检测目标的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于训练模型的方法或者用于检测目标的方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种用于训练模型的方法，包括：

获取样本图像和真实标签；

基于所述样本图像、所述真实标签和待训练模型，确定所述样本图像的特征图中各预测点与所述真实标签之间的损失函数值；

基于所述损失函数值和预设的正样本数量，确定各预测点对应的预测标签；

基于所述真实标签和所述预测标签，对所述待训练模型进行训练，得到训练完成的目标检测模型。

2.根据权利要求1所述的方法，其中，所述基于所述损失函数值和预设的正样本数量，确定各预测点对应的预测标签，包括：

对于每个所述真实标签，按照所述真实标签与各预测点之间的损失函数值由低至高的顺序，选取所述正样本数量个预测点，作为与所述真实标签对应的正样本预测点；

基于各预测点中未被确定为所述正样本预测点的其他预测点，确定与所述真实标签对应的负样本预测点；

基于各个所述真实标签对应的正样本预测点和负样本预测点，确定各预测点对应的预测标签。

3.根据权利要求2所述的方法，其中，所述基于各个所述真实标签对应的正样本预测点和负样本预测点，确定各预测点对应的预测标签，包括：

对于与至少两个所述真实标签对应的目标正样本预测点，确定所述至少两个所述真实标签中的每个所述真实标签与所述目标正样本预测点之间的中心距离值；

基于所述中心距离值最近的所述真实标签，生成所述目标正样本预测点对应的预测标签。

4.根据权利要求1所述的方法，其中，所述待训练模型至少包括不同层次的神经网络层；以及

所述基于所述样本图像、所述真实标签和待训练模型，确定所述样本图像的特征图中各预测点与所述真实标签之间的损失函数值，包括：

对于每个层次的神经网络层，确定该神经网络层对应的特征图尺度；

基于所述样本图像和所述特征图尺度，生成该神经网络层对应的特征图；

确定该神经网络层对应的特征图中各预测点与所述特征图尺度对应的所述真实标签之间的损失函数值。

5.根据权利要求4所述的方法，还包括：

对于每个特征图，基于该特征图的特征图尺度，确定与该特征图相匹配的、预设的正样本数量。

6.根据权利要求1所述的方法，其中，所述样本图像包括存在病灶的眼底视网膜图像，所述真实标签包括所述眼底视网膜图像中至少一个病灶对应的标签。

7.一种用于检测目标的方法，包括：

获取待检测图像；

基于所述待检测图像和权利要求1至6任一项中所述的用于训练模型的方法所得到的所述目标检测模型，确定所述待检测图像中的目标信息。

8.根据权利要求7所述的方法，其中，所述待检测图像包括目标眼底视网膜图像，所述目标信息包括所述目标眼底视网膜图像中的病灶目标。

9.一种用于训练模型的装置，包括：

样本获取单元，被配置成获取样本图像和真实标签；

损失确定单元，被配置成基于所述样本图像、所述真实标签和待训练模型，确定所述样本图像的特征图中各预测点与所述真实标签之间的损失函数值；

标签确定单元，被配置成基于所述损失函数值和预设的正样本数量，确定各预测点对应的预测标签；

模型训练单元，被配置成基于所述真实标签和所述预测标签，对所述待训练模型进行训练，得到训练完成的目标检测模型。

10.根据权利要求9所述的装置，其中，所述标签确定单元进一步被配置成：

对于每个所述真实标签，按照所述真实标签与各预测点之间的损失函数值由低至高的顺序，选取所述正样本数量个预测点，作为与所述真实标签对应的正样本预测点；

基于各预测点中未被确定为所述正样本预测点的其他预测点，确定与所述真实标签对应的负样本预测点；

基于各个所述真实标签对应的正样本预测点和负样本预测点，确定各预测点对应的预测标签。

11.根据权利要求10所述的装置，其中，所述标签确定单元进一步被配置成：

对于与至少两个所述真实标签对应的目标正样本预测点，确定所述至少两个所述真实标签中的每个所述真实标签与所述目标正样本预测点之间的中心距离值；

基于所述中心距离值最近的所述真实标签，生成所述目标正样本预测点对应的预测标签。

12.根据权利要求9所述的装置，其中，所述待训练模型至少包括不同层次的神经网络层；以及

所述损失确定单元进一步被配置成：

对于每个层次的神经网络层，确定该神经网络层对应的特征图尺度；

基于所述样本图像和所述特征图尺度，生成该神经网络层对应的特征图；

确定该神经网络层对应的特征图中各预测点与所述特征图尺度对应的所述真实标签之间的损失函数值。

13.根据权利要求12所述的装置，还包括：

数量确定单元，被配置成对于每个特征图，基于该特征图的特征图尺度，确定与该特征图相匹配的、预设的正样本数量。

14.根据权利要求9所述的装置，其中，所述样本图像包括存在病灶的眼底视网膜图像，所述真实标签包括所述眼底视网膜图像中至少一个病灶对应的标签。

15.一种用于检测目标的装置，包括：

图像获取单元，被配置成获取待检测图像；

目标确定单元，被配置成基于所述待检测图像和权利要求1至6任一项中所述的用于训练模型的方法所得到的所述目标检测模型，确定所述待检测图像中的目标信息。

16.根据权利要求15所述的装置，其中，所述待检测图像包括目标眼底视网膜图像，所述目标信息包括所述目标眼底视网膜图像中的病灶目标。

17.一种电子设备，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1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images