CN115063651A - 目标对象检测模型的训练方法、装置及计算机程序产品 - Google Patents

目标对象检测模型的训练方法、装置及计算机程序产品 Download PDF

Info

Publication number
CN115063651A
CN115063651A CN202210853399.2A CN202210853399A CN115063651A CN 115063651 A CN115063651 A CN 115063651A CN 202210853399 A CN202210853399 A CN 202210853399A CN 115063651 A CN115063651 A CN 115063651A
Authority
CN
China
Prior art keywords
object detection
detection model
loss function
target object
gradient
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.)
Pending
Application number
CN202210853399.2A
Other languages
English (en)
Inventor
王云浩
张滨
陈松
李超
辛颖
冯原
韩树民
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210853399.2A priority Critical patent/CN115063651A/zh
Publication of CN115063651A publication Critical patent/CN115063651A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

Landscapes

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

Abstract

本公开提供了一种目标对象检测模型的训练方法、装置、电子设备、存储介质及程序产品，涉及人工智能技术领域，具体涉及深度学习、图像处理、计算机视觉技术领域。具体实现方案为：将样本图像输入第一对象检测模型，得到对象检测结果；通过预设损失函数确定对象检测结果与样本图像的对象标签之间的损失信息；根据损失信息调整第一对象检测模型的参数，得到训练后的第二对象检测模型；其中，预设损失函数基于平滑L1范数损失函数得到，在对象检测结果、对象标签之间的第一差值的绝对值大于预设数值的情况下，预设损失函数的第一梯度小于平滑L1范数损失函数的第二梯度。本公开在梯度回传层面产生了对噪声数据的抑制作用，提高了目标检测模型的准确度。

Description

目标对象检测模型的训练方法、装置及计算机程序产品
技术领域
本公开涉及人工智能技术领域，具体涉及深度学习、图像处理、计算机视觉技术领域，尤其涉及目标对象检测模型的训练方法、装置以及目标对象检测方法、装置、电子设备、存储介质以及计算机程序产品，可用于目标对象检测场景下。
背景技术
基于深度学习的目标对象检测方法作为人工智能快速发展的主航道，已经初步落地到了工业、遥感、农业、无人驾驶等各个领域。目前，所有的目标对象检测方法都是建立在一定数据基础上的，需要人工标注目标对象标签的图像数据作为支撑。然而，人工标注的图像标签中的噪声问题是不可避免的，数据量越大，存在偏差的标注数据就越多，数据标签存在的噪声就会影响模型的训练精度。
发明内容
本公开提供了一种目标对象检测模型的训练方法、装置以及目标对象检测方法、装置、电子设备、存储介质以及计算机程序产品。
根据第一方面，提供了一种目标对象检测模型的训练方法，包括：将样本图像输入第一对象检测模型，得到对象检测结果；通过预设损失函数确定对象检测结果与样本图像的对象标签之间的损失信息；根据损失信息调整第一对象检测模型的参数，得到训练后的第二对象检测模型；其中，预设损失函数基于平滑L1范数损失函数得到，在对象检测结果、对象标签之间的第一差值的绝对值大于预设数值的情况下，预设损失函数的第一梯度小于平滑L1范数损失函数的第二梯度。
根据第二方面，提供了一种目标对象检测方法，包括：获取待检测图像；将待检测图像输入训练后的第二对象检测模型，通过第二对象检测模型中的特征提取网络进行特征提取，得到特征图；根据特征图，确定待检测图像中的候选区域和表征每个候选区域包括目标对象的概率值；根据特征图、候选区域和概率值进行回归预测，确定待检测图像中的目标对象，其中，第二对象检测模型通过第一方面任一实现方式训练得到。
根据第三方面，提供了一种目标对象检测模型的训练装置，包括：得到单元，被配置成将样本图像输入第一对象检测模型，得到对象检测结果；第一确定单元，被配置成通过预设损失函数确定对象检测结果与样本图像的对象标签之间的损失信息；训练单元，被配置成根据损失信息调整第一对象检测模型的参数，得到训练后的第二对象检测模型；其中，预设损失函数基于平滑L1范数损失函数得到，在对象检测结果、对象标签之间的第一差值的绝对值大于预设数值的情况下，预设损失函数的第一梯度小于平滑L1范数损失函数的第二梯度。
根据第四方面，提供了一种目标对象检测装置，包括：第二获取单元，被配置成获取待检测图像；提取单元，被配置成将待检测图像输入训练后的第二对象检测模型，通过第二对象检测模型中的特征提取网络进行特征提取，得到特征图；第二确定单元，被配置成根据特征图，确定待检测图像中的候选区域和表征每个候选区域包括目标对象的概率值；第三确定单元，被配置成根据特征图、候选区域和概率值进行回归预测，确定待检测图像中的目标对象，其中，第二对象检测模型通过第三方面任一实现方式训练得到。
根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面、第二方面任一实现方式描述的方法。
根据第六方面，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，计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。
根据第七方面，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第一方面、第二方面任一实现方式描述的方法。
根据本公开的技术，提供了一种目标对象检测模型的训练方法，在平滑L1范数损失函数的基础上，当相对应的对象检测结果、标签之间的偏差的绝对值大于预设数值时，减小平滑L1范数损失函数的梯度，改进得到预设损失函数，以基于预设损失函数训练目标对象检测模型，从而在梯度回传层面产生了对噪声数据的抑制作用，提高了目标检测模型的准确度。
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是根据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是根据本公开的目标对象检测模型的训练方法的一个实施例的流程图；
图3是根据本实施例的平滑L1范数损失函数的曲线示意图。
图4是根据本实施例的目标对象检测模型的训练方法的应用场景的示意图；
图5是根据本实施例的平滑L1范数损失函数和预设损失函数的对比曲线图；
图6是根据本实施例的平滑L1范数损失函数和预设损失函数的又一对比曲线图；
图7是根据本公开的目标对象检测模型的训练方法的又一个实施例的流程图；
图8是根据本公开的目标对象检测方法的一个实施例的流程图；
图9是根据本公开的目标对象检测模型的训练装置的一个实施例的结构图；
图10是根据本公开的目标对象检测装置的一个实施例的结构图；
图11是适于用来实现本公开实施例的计算机系统的结构示意图。
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。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
图1示出了可以应用本公开的目标对象检测模型的训练方法及装置、目标对象检测方法及装置的示例性架构100。
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。终端设备101、102、103之间通信连接构成拓扑网络，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。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。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。其可以实现成例如用来提供分布式服务的多个软件或软件模块，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，根据终端设备101、102、103提供的训练样本集，训练得到目标对象检测模型的后台处理服务器。又例如，获取终端设备101、102、103提供的待检测图像，通过目标对象检测模型确定待检测图像中的目标对象的后台处理服务器。作为示例，服务器105可以是云端服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，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的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是，本公开的实施例所提供的目标对象检测模型的训练方法、目标对象检测方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，目标对象检测模型的训练装置、目标对象检测装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
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。当目标对象检测模型的训练方法、目标对象检测方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括目标对象检测模型的训练方法、目标对象检测方法运行于其上的电子设备(例如服务器或终端设备)。
请参考图2，图2为本公开实施例提供的一种目标对象检测模型的训练方法的流程图，其中，流程200包括以下步骤：
步骤201，将样本图像输入第一对象检测模型，得到对象检测结果。
本实施例中，目标对象检测模型的训练方法的执行主体(例如，图1中的终端设备或服务器)可以基于有线网络连接方式或无线网络连接方式从远程，或从本地获取训练样本集，并将训练样本集中的样本图像输入第一对象检测模型，得到对象检测结果。
其中，训练样本集中的训练样本包括样本图像和表征样本图像中的目标对象的对象标签。样本图像可以是拍摄得到的静态图像，也可以是动态视频中的视频帧。
训练样本集中可以包括适用于目标对象检测的各应用领域中的训练样本，包括但不限于是工业、遥感、农业、无人驾驶等领域。作为示例，在工业领域，样本图像可以是表征工业产品的图像，标签可以是表征工业产品中的缺陷位置和缺陷类别的标签；样本图像还可以是包括待拣选物品的图像，标签可以是表征待拣选物的位置和形状尺寸的标签。
在无人驾驶领域，样本图像可以是表征道路交通环境的图像，标签可以是表征图像中的行人对象、障碍物对象、交通标志对象、车辆对象等各目标对象的位置和类别的标签。
为了提高所训练的目标对象检测模型的针对性，训练样本集可以是单领域对应的训练样本集。对于每个应用领域，分别获取该应用领域对应的训练样本集。通过各训练样本集分别训练多个初始目标对象检测模型，以最终得到针对于各应用领域的多个目标对象检测模型。
目标对象检测结果包括目标对象的位置和类别。
本实施例中，第一对象检测模型作为初始的目标对象检测模型，可以是单阶段的目标对象检测模型，也可以是两阶段的目标对象检测模型。
单阶段的目标对象检测模型是指只需一次提取特征即可实现目标对象检测的模型，其速度相比两阶段目标对象检测模型更快，包括但不限于是YOLO(You Only LookOnce，你只看一次)模型、SSD(Single Shot MultiBox Detector，单激发多盒探测器)模型、RetinaNet模型。
两阶段的目标对象检测模型首先提取目标对象的区域，然后对区域进行分类识别，包括但不限于是RCNN(Region Convolutional Neural Network，区域卷积神经网络)模型、Fast RCNN模型、Faster RCNN模型。
步骤202，通过预设损失函数确定对象检测结果与样本图像的对象标签之间的损失信息。
本实施例中，上述执行主体可以通过预设损失函数确定对象检测结果与所输入的样本图像对应的标签之间的损失。其中，预设损失函数基于平滑L1范数损失函数得到，在对象检测结果、对象标签之间的第一差值的绝对值大于预设数值的情况下，预设损失函数的第一梯度小于平滑L1范数损失函数的第二梯度。
具体的，对于输入第一对象检测模型的每个样本图像，上述执行主体通过预设损失函数确定该样本图像对应的目标对象检测结果和该样本图像对应的对象标签之间的损失信息。
平滑L1范数损失函数，也可称为平滑最小绝对值偏差损失函数、平滑最小绝对值误差损失函数，具体可以是表示为如下公式：
Figure BDA0003737138830000061
其中，smoothL1(x)表示损失，x表示相对应的对象检测结果和标签之间的偏差。
如图3所示，示出了平滑L1范数损失函数的曲线示意图300。
在平滑L1范数损失函数的基础上，将相对应的对象检测结果、对象标签之间的第一差值的绝对值大于预设数值的部分进行改进，具体的，将大于预设数值的部分的函数的梯度减小。
作为示例，可以将梯度减小预设数值的方式改进平滑L1范数损失函数，得到预设损失函数。作为又一示例，可以采用与第一差值的绝对值等比例减小的方式改进平滑L1范数损失函数，得到预设损失函数。
预设数值可以根据实际情况具体设置，可以是平滑L1范数损失函数中梯度变化加快的数值点。作为示例，预设数值为1。
步骤203，根据损失信息调整第一对象检测模型的参数，得到训练后的第二对象检测模型。
本实施例中，上述执行主体可以根据损失信息调整第一对象检测模型的参数，得到训练后的第二对象检测模型。
具体的，根据损失信息确定梯度，并采用梯度下降法、随机梯度下降法根据梯度调整第一对象检测模型的参数。通过循环执行上述步骤201-203，直至响应于达到预设结束条件，得到训练后的第二目标对象检测模型。
其中，预设结束条件例如可以是训练时间超过预设时间阈值、训练次数超过预设次数阈值、训练损失趋于收敛。
继续参见图4，图4是根据本实施例的目标对象检测模型的训练方法的应用场景的一个示意图400。在图4的应用场景中，服务器401在执行训练任务前，从数据库402中获取了训练样本集。其中，训练样本集中的训练样本包括样本图像和表征样本图像中的目标对象的标签。在训练过程中，服务器401将样本图像403输入第一对象检测模型404，得到对象检测结果405；通过预设损失函数406确定对象检测结果405与所输入的样本图像对应的对象标签407之间的损失信息，并根据损失信息调整第一对象检测模型404的参数，进行多次迭代训练以最终得到训练后的第二对象检测模型408。其中，预设损失函数406基于平滑L1范数损失函数409改进得到，当相对应的对象检测结果、对象标签之间的第一差值的绝对值大于预设数值时，预设损失函数的梯度小于平滑L1范数损失函数的梯度。
本实施例中，提供了一种目标对象检测模型的训练方法，提供了一种目标对象检测模型的训练方法，在平滑L1范数损失函数的基础上，当相对应的对象检测结果、标签之间的偏差的绝对值大于预设数值时，减小平滑L1范数损失函数的梯度，改进得到预设损失函数，以基于预设损失函数训练目标对象检测模型，从而在梯度回传层面产生了对噪声数据的抑制作用，提高了目标检测模型的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式改进平滑L1范数损失函数，得到预设损失函数：
第一，在绝对值小于或等于预设数值的第一数值段的情况下，根据与平滑L1范数损失函数相同的第一函数段，得到第二函数段。
参考图5，示出了平滑L1范数损失函数和预设损失函数的对比曲线图500。其中以预设数值是1为例，在平滑L1范数损失函数501中，x的绝对值不大于1的第一数值段，预设损失函数502采用与平滑L1范数损失函数相同的第一函数段5011，得到预设损失函数502的第二函数段5021。
第二，在绝对值大于预设数值的第二数值段的情况下，调整平滑L1范数损失函数中第二数值段对应的第三函数段，得到第四函数段，以使得第一梯度小于第二梯度。
继续参考图5，在x的绝对值大于1的第二数值段，在平滑L1范数损失函数的基础上，以减小梯度的原则，改进平滑L1范数损失函数的第三函数段5012，得到预设损失函数的第四函数段5022。
第三，基于第二函数段和第四函数段，得到预设损失函数。
本实现方式中，通过组合第二函数段5021和第四函数段5022，得到预设损失函数。
本实现方式中，提供了改进平滑L1范数损失函数以得到预设损失函数的具体实现方式，提高了得到预设损失函数的便捷性。
在本实施例的一些可选的实现方式中，绝对值与第二差值之间呈正相关关系；其中，第二差值为第一梯度与第二梯度之间的差值。
具体的，上述执行主体可以通过如下方式执行上述第二步骤：
在相对应的对象检测结果、对象标签之间的第一差值的绝对值大于预设数值的第二数值段，采用第一差值的绝对值与第二差值呈正相关的原则，改进平滑L1范数损失函数中第二数值段对应的第三函数段，得到第四段函数。
其中，第二差值为预设损失函数的第一梯度与平滑L1范数损失函数的第二梯度之间的差值，预设损失函数的梯度小于平滑L1范数损失函数的梯度。
参考图6，示出了平滑L1范数损失函数和预设损失函数的又一对比曲线图600。其中，平滑L1范数损失函数601中的第一函数段6011和预设损失函数602中的第二函数段6021相同。在x的绝对值大于1的第二数值段，第一差值x的绝对值，与预设损失函数第二函数段6022的第一梯度、平滑L1范数损失函数第二函数段6012的第二梯度之间第二差值呈正相关，且平滑L1范数损失函数中第二数值段对应的第三函数段的第二梯度大于预设损失函数第二函数段的第一梯度。也即，当x数值越大时，预设损失函数的第一梯度相较于平滑L1范数损失函数的第二梯度就越小。
作为示例，预设损失函数可以通过如下公式表示：
Figure BDA0003737138830000091
本实现方式中，当第一差值的绝对值大于预设数值时，第一差值的绝对值x数值越大时，预设损失函数的第一梯度相较于平滑L1范数损失函数的第二梯度就越小，进一步在梯度回传层面产生对噪声数据的抑制作用，从而进一步提高了目标检测模型的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以如下方式执行上述步骤201：
首先，将样本图像输入第一对象检测模型，通过第一对象检测模型中的特征提取网络进行特征提取，得到特征图；然后，根据特征图，确定样本图像中的候选区域和表征每个目标对象候选区域包括目标对象的概率值；最后，根据特征图、候选区域和概率值进行回归预测，得到表征目标对象的边界预测值的对象检测结果。
作为示例，使用卷积神经网络提取样本图像的卷积特征；根据提取的卷积特征生成可能含有目标对象的候选区域，以及各个候选区域可能含有目标对象的概率得分；将获得的候选区域和卷积特征经过常见的ROI(Region of Interest，感兴趣区域)池化，进而输入到两个全连接层中，得到数千个分类概率，其中，每一个分类概率都有其对应的回归边界，将其记为分类概率和回归边界；按照分类概率对回归边界进行排序，获得目标对象检测模型对目标对象的边界预测值；将该边界预测值与样本图像对应的标签中的实际值做差取绝对值，得到预测值与目标实际位置的偏差，记为x；进而，将偏差x经过预设损失函数计算得到损失，根据损失更新初始目标对象检测模型的参数。
通过迭代执行上述训练操作，最终获得训练后的目标对象检测模型。
本实现方式中，提供了目标对象检测模型得到对象检测结果的具体实施方式，有助于提高目标对象检测模型的检测准确度。
继续参考图7，示出了根据本公开的目标对象检测模型的训练方法的又一个实施例的示意性流程700，包括以下步骤：
步骤701，在相对应的对象检测结果、对象标签之间的第一差值的绝对值不大于预设数值的第一数值段，采用与平滑L1范数损失函数相同的第一函数段，得到第二函数段。
步骤702，在相对应的对象检测结果、对象标签之间的第一差值的绝对值大于预设数值的第二数值段，采用第一差值的绝对值与第二差值呈正相关的原则，改进平滑L1范数损失函数中第二数值段对应的第三函数段，得到第四段函数。
其中，第二差值为预设损失函数的第一梯度与平滑L1范数损失函数的第二梯度之间的差值，预设损失函数的第一梯度小于平滑L1范数损失函数的第二梯度。
步骤703，基于第二函数段和第四函数段，得到预设损失函数。
步骤704，将样本图像输入第一对象检测模型，得到对象检测结果。
其中，样本图像为训练样本集中的图像，训练样本集中的训练样本包括样本图像和表征样本图像中的目标对象的标签。
步骤705，通过预设损失函数确定对象检测结果与样本图像的对象标签之间的损失信息。
步骤706，根据损失信息调整第一对象检测模型的参数，得到训练后的第二对象检测模型。
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的目标对象检测模型的训练方法的流程700具体说明了预设损失函数的得到过程，目标对象检测模型的训练过程，进一步在梯度回传层面产生对噪声数据的抑制作用，从而进一步提高了目标检测模型的准确度。
继续参考图8，示出了根据本公开的目标对象检测方法的一个实施例的示意性流程800，包括以下步骤：
步骤801，获取待检测图像。
本实施例中，目标对象检测方法的执行主体(例如，图1中的终端设备或服务器)可以基于有线网络连接方式或无线网络连接方式从远程，或从本地获取待检测图像。
待检测图像为待需确定所包括的目标对象的图像，可以是工业、遥感、农业、无人驾驶等领域的图像。作为示例，在工业领域，待检测图像可以是表征工业产品的图像，待检测的目标对象可以是工业产品中的缺陷；待检测图像还可以是包括待拣选物品的图像，目标对象为待拣选物品对象。
在无人驾驶领域，待检测图像可以是表征道路交通环境的图像，目标对象可以是图像中的行人对象、障碍物对象、交通标志对象、车辆对象等对象。
步骤802，将待检测图像输入训练后的第二对象检测模型，通过第二对象检测模型中的特征提取网络进行特征提取，得到特征图。
步骤803，根据特征图，确定待检测图像中的候选区域和表征每个候选区域包括目标对象的概率值。
步骤804，根据特征图、候选区域和概率值进行回归预测，确定待检测图像中的目标对象。
本实施例中，上述执行主体可以通过训练后的第二对象检测模型，通过执行上述步骤802-804确定待检测图像中的目标对象。上述执行主体可以参照实施例200中得到对象检测结果的方式执行上述步骤802-804，在此不再赘述。其中，第二对象检测模型可以基于上述实施例200、700训练得到。
为了提高目标对象检测的准确度，上述执行主体可以首先确定待检测图像的领域类别，进而将待检测图像输入与领域类别对象的目标对象检测模型，以实现针对性的目标对象检测。
本实现方式中，提供了通过能够抑制标签噪声的预设损失函数训练得到的目标对象检测模型确定目标对象的方法，提高了目标对象检测的准确度。
继续参考图9，作为对上述各图所示方法的实现，本公开提供了一种目标对象检测模型的训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图9所示，目标对象检测模型的训练装置900包括：得到单元901，被配置成将样本图像输入第一对象检测模型，得到对象检测结果；第一确定单元902，被配置成通过预设损失函数确定对象检测结果与样本图像的对象标签之间的损失信息；训练单元903，被配置成根据损失信息调整第一对象检测模型的参数，得到训练后的第二对象检测模型；其中，预设损失函数基于平滑L1范数损失函数得到，在对象检测结果、对象标签之间的第一差值的绝对值大于预设数值的情况下，预设损失函数的第一梯度小于平滑L1范数损失函数的第二梯度。
在本实施例的一些可选的实现方式中，上述装置还包括：改进单元(图中未示出)，被配置成：在绝对值小于或等于预设数值的第一数值段的情况下，根据与平滑L1范数损失函数相同的第一函数段，得到第二函数段；在绝对值大于预设数值的第二数值段的情况下，调整平滑L1范数损失函数中第二数值段对应的第三函数段，得到第四函数段，以使得第一梯度小于第二梯度；基于第二函数段和第四函数段，获取预设损失函数。
在本实施例的一些可选的实现方式中，绝对值与第二差值之间呈正相关关系；其中，第二差值为第一梯度与第二梯度之间的差值。
在本实施例的一些可选的实现方式中，得到单元901，进一步被配置成：将样本图像输入第一对象检测模型，通过第一对象检测模型中的特征提取网络进行特征提取，得到特征图；根据特征图，确定样本图像中的候选区域和表征每个候选区域包括目标对象的概率值；根据特征图、候选区域和概率值进行回归预测，得到表征目标对象的边界预测值的对象检测结果。
本实施例中，提供了一种目标对象检测模型的训练装置，在平滑L1范数损失函数的基础上，当相对应的对象检测结果、标签之间的偏差的绝对值大于预设数值时，减小平滑L1范数损失函数的梯度，改进得到预设损失函数，以基于预设损失函数训练目标对象检测模型，从而在梯度回传层面产生了对噪声数据的抑制作用，提高了目标检测模型的准确度。
继续参考图10，作为对上述各图所示方法的实现，本公开提供了一种目标对象检测装置的一个实施例，该装置实施例与图8所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图10所示，目标对象检测装置1000包括：第二获取单元1001，被配置成获取待检测图像；提取单元1002，被配置成将待检测图像输入训练后的第二对象检测模型，通过第二对象检测模型中的特征提取网络进行特征提取，得到特征图；第二确定单元1003，被配置成根据特征图，确定待检测图像中的候选区域和表征每个候选区域包括目标对象的概率值；第三确定单元1004，被配置成根据特征图、候选区域和概率值进行回归预测，确定待检测图像中的目标对象。其中，第二对象检测模型通过实施例900中任一实现方式训练得到。
本实现方式中，提供了通过能够抑制标签噪声的预设损失函数训练得到的目标对象检测模型确定目标对象的装置，提高了目标对象检测的准确度。
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的目标对象检测模型的训练方法、目标对象检测方法。
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的目标对象检测模型的训练方法、目标对象检测方法。
本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的目标对象检测模型的训练方法、目标对象检测方法。
图11示出了可以用来实施本公开的实施例的示例电子设备1100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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如目标对象检测模型的训练方法。例如，在一些实施例中，目标对象检测模型的训练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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的目标对象检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标对象检测模型的训练方法。
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷；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。
根据本公开实施例的技术方案，提供了一种目标对象检测模型的训练方法，在平滑L1范数损失函数的基础上，当相对应的对象检测结果、标签之间的偏差的绝对值大于预设数值时，减小平滑L1范数损失函数的梯度，改进得到预设损失函数，以基于预设损失函数训练目标对象检测模型，从而在梯度回传层面产生了对噪声数据的抑制作用，提高了目标检测模型的准确度。
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提供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 (13)

1.一种对象检测模型的训练方法，包括：
将样本图像输入第一对象检测模型，得到对象检测结果；
通过预设损失函数确定所述对象检测结果与所述样本图像的对象标签之间的损失信息；
根据所述损失信息调整所述第一对象检测模型的参数，得到训练后的第二对象检测模型；
其中，所述预设损失函数基于平滑L1范数损失函数得到，在所述对象检测结果、所述对象标签之间的第一差值的绝对值大于预设数值的情况下，所述预设损失函数的第一梯度小于所述平滑L1范数损失函数的第二梯度。
2.根据权利要求1所述的方法，其中，所述方法还包括：
在所述绝对值小于或等于所述预设数值的第一数值段的情况下，根据与所述平滑L1范数损失函数相同的第一函数段，得到第二函数段；
在所述绝对值大于所述预设数值的第二数值段的情况下，调整所述平滑L1范数损失函数中第二数值段对应的第三函数段，得到第四函数段，以使得所述第一梯度小于所述第二梯度；
基于所述第二函数段和所述第四函数段，获取所述预设损失函数。
3.根据权利要求2所述的方法，其中，所述绝对值与第二差值之间呈正相关关系；其中，所述第二差值为所述第一梯度与所述第二梯度之间的差值。
4.根据权利要求1所述的方法，其中，所述将样本图像输入第一对象检测模型，得到对象检测结果，包括：
将所述样本图像输入所述第一对象检测模型，通过所述第一对象检测模型中的特征提取网络进行特征提取，得到特征图；
根据所述特征图，确定所述样本图像中的候选区域和表征每个所述候选区域包括所述目标对象的概率值；
根据所述特征图、所述候选区域和所述概率值进行回归预测，得到表征目标对象的边界预测值的所述对象检测结果。
5.一种目标对象检测方法，包括：
获取待检测图像；
将所述待检测图像输入训练后的第二对象检测模型，通过所述第二对象检测模型中的特征提取网络进行特征提取，得到特征图；
根据所述特征图，确定所述待检测图像中的候选区域和表征每个所述候选区域包括目标对象的概率值；
根据所述特征图、所述候选区域和所述概率值进行回归预测，确定所述待检测图像中的目标对象，其中，所述第二对象检测模型通过权利要求1-4中任一项训练得到。
6.一种目标对象检测模型的训练装置，包括：
得到单元，被配置成将样本图像输入第一对象检测模型，得到对象检测结果；
第一确定单元，被配置成通过预设损失函数确定所述对象检测结果与所述样本图像的对象标签之间的损失信息；
训练单元，被配置成根据所述损失信息调整所述第一对象检测模型的参数，得到训练后的第二对象检测模型；
其中，所述预设损失函数基于平滑L1范数损失函数得到，在所述对象检测结果、所述对象标签之间的第一差值的绝对值大于预设数值的情况下，所述预设损失函数的第一梯度小于所述平滑L1范数损失函数的第二梯度。
7.根据权利要求6所述的装置，其中，还包括：
改进单元，被配置成：
在所述绝对值小于或等于所述预设数值的第一数值段的情况下，根据与所述平滑L1范数损失函数相同的第一函数段，得到第二函数段；在所述绝对值大于所述预设数值的第二数值段的情况下，调整所述平滑L1范数损失函数中第二数值段对应的第三函数段，得到第四函数段，以使得所述第一梯度小于所述第二梯度；基于所述第二函数段和所述第四函数段，获取所述预设损失函数。
8.根据权利要求7所述的装置，其中，所述绝对值与第二差值之间呈正相关关系；其中，所述第二差值为所述第一梯度与所述第二梯度之间的差值。
9.根据权利要求6所述的装置，其中，所述得到单元，进一步被配置成：
将所述样本图像输入所述第一对象检测模型，通过所述第一对象检测模型中的特征提取网络进行特征提取，得到特征图；根据所述特征图，确定所述样本图像中的候选区域和表征每个所述候选区域包括所述目标对象的概率值；根据所述特征图、所述候选区域和所述概率值进行回归预测，得到表征目标对象的边界预测值的所述对象检测结果。
10.一种目标对象检测装置，包括：
第二获取单元，被配置成获取待检测图像；
提取单元，被配置成将所述待检测图像输入训练后的第二对象检测模型，通过所述第二对象检测模型中的特征提取网络进行特征提取，得到特征图；
第二确定单元，被配置成根据所述特征图，确定所述待检测图像中的候选区域和表征每个所述候选区域包括目标对象的概率值；
第三确定单元，被配置成根据所述特征图、所述候选区域和所述概率值进行回归预测，确定所述待检测图像中的目标对象，其中，所述第二对象检测模型通过权利要求6-9中任一项训练得到。
11.一种电子设备，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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
13.一种计算机程序产品，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1-5中任一项所述的方法。
CN202210853399.2A 2022-07-08 2022-07-08 目标对象检测模型的训练方法、装置及计算机程序产品 Pending CN115063651A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210853399.2A CN115063651A (zh) 2022-07-08 2022-07-08 目标对象检测模型的训练方法、装置及计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210853399.2A CN115063651A (zh) 2022-07-08 2022-07-08 目标对象检测模型的训练方法、装置及计算机程序产品

Publications (1)

Publication Number Publication Date
CN115063651A true CN115063651A (zh) 2022-09-16

Family

ID=83206286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210853399.2A Pending CN115063651A (zh) 2022-07-08 2022-07-08 目标对象检测模型的训练方法、装置及计算机程序产品

Country Status (1)

Country Link
CN (1) CN115063651A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229575A (zh) * 2018-01-19 2018-06-29 百度在线网络技术（北京）有限公司 用于检测目标的方法和装置
CN109711474A (zh) * 2018-12-24 2019-05-03 中山大学 一种基于深度学习的铝材表面缺陷检测算法
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法
CN112395958A (zh) * 2020-10-29 2021-02-23 中国地质大学（武汉） 基于四尺度深浅层特征融合的遥感图像小目标检测方法
CN113128564A (zh) * 2021-03-23 2021-07-16 武汉泰沃滋信息技术有限公司 一种基于深度学习的复杂背景下典型目标检测方法及系统
CN113947146A (zh) * 2021-10-15 2022-01-18 北京百度网讯科技有限公司 样本数据生成方法、模型训练方法、图像检测方法及装置
CN114240878A (zh) * 2021-12-16 2022-03-25 国网河南省电力公司电力科学研究院 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229575A (zh) * 2018-01-19 2018-06-29 百度在线网络技术（北京）有限公司 用于检测目标的方法和装置
CN109711474A (zh) * 2018-12-24 2019-05-03 中山大学 一种基于深度学习的铝材表面缺陷检测算法
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法
CN112395958A (zh) * 2020-10-29 2021-02-23 中国地质大学（武汉） 基于四尺度深浅层特征融合的遥感图像小目标检测方法
CN113128564A (zh) * 2021-03-23 2021-07-16 武汉泰沃滋信息技术有限公司 一种基于深度学习的复杂背景下典型目标检测方法及系统
CN113947146A (zh) * 2021-10-15 2022-01-18 北京百度网讯科技有限公司 样本数据生成方法、模型训练方法、图像检测方法及装置
CN114240878A (zh) * 2021-12-16 2022-03-25 国网河南省电力公司电力科学研究院 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法

Similar Documents

Publication Publication Date Title
CN113379718B (zh) 一种目标检测方法、装置、电子设备以及可读存储介质
CN112560996B (zh) 用户画像识别模型训练方法、设备、可读存储介质及产品
CN113065614B (zh) 分类模型的训练方法和对目标对象进行分类的方法
CN112949767A (zh) 样本图像增量、图像检测模型训练及图像检测方法
CN112633276A (zh) 训练方法、识别方法、装置、设备、介质
CN112597837A (zh) 图像检测方法、装置、设备、存储介质和计算机程序产品
CN113537192B (zh) 图像检测方法、装置、电子设备及存储介质
CN113344089B (zh) 模型训练方法、装置及电子设备
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN114881129A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN113436100A (zh) 用于修复视频的方法、装置、设备、介质和产品
CN113780098A (zh) 文字识别方法、装置、电子设备以及存储介质
CN113963197A (zh) 图像识别方法、装置、电子设备和可读存储介质
CN115358392A (zh) 深度学习网络的训练方法、文本检测方法及装置
CN114511743B (zh) 检测模型训练、目标检测方法、装置、设备、介质及产品
CN114581732A (zh) 一种图像处理及模型训练方法、装置、设备和存储介质
CN113643260A (zh) 用于检测图像质量的方法、装置、设备、介质和产品
CN112784102A (zh) 视频检索方法、装置和电子设备
CN114764874B (zh) 深度学习模型的训练方法、对象识别方法和装置
CN116363444A (zh) 模糊分类模型训练方法、识别模糊图像的方法及装置
CN113936158A (zh) 一种标签匹配方法及装置
CN115809687A (zh) 一种图像处理网络的训练方法及装置
CN115063651A (zh) 目标对象检测模型的训练方法、装置及计算机程序产品
CN113313049A (zh) 超参数的确定方法、装置、设备、存储介质以及计算机程序产品

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220916