模型训练及目标检测方法、装置、电子设备以及路侧设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113688920A(43)申请公布日2021.11.23(21)申请号202111006490.2(22)申请日2021.08.30(71)申请人阿波罗智联（北京）科技有限公司地址100176北京市大兴区北京经济技术开发区瑞合西二路7号院1号楼1层101(72)发明人夏春龙(74)专利代理机构北京柏杉松知识产权代理事务所(普通合伙)11413代理人马敬丁芸(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书10页附图3页(54)发明名称模型训练及目标检测方法、装置、电子设备以及路侧设备(57)摘要本公开提供了一种模型训练及目标检测方法、装置、电子设备以及路侧设备，涉及图像处理技术领域，尤其涉及智能交通、深度学习等领域。具体实现方案为：获取多个样本图像以及各个样本图像的样本标签；针对各个样本图像，将样本图像输入初始模型，通过初始模型得到预测位置信息；基于各个样本图像的预测位置信息和样本标签，利用优化目标对初始模型训练，得到训练好的模型，其中，优化目标包含优化预测位置信息和样本标签的重合误差。能够提升模型针对目标检测的精度。CN113688920ACN113688920A权利要求书1/3页1.一种用于目标检测的模型训练方法，包括：获取多个样本图像以及各个样本图像的样本标签；针对各个样本图像，将所述样本图像输入初始模型，通过所述初始模型得到预测位置信息；基于各个样本图像的所述预测位置信息和所述样本标签，利用优化目标对所述初始模型训练，得到训练好的模型，其中，所述优化目标包含优化所述预测位置信息和所述样本标签的重合误差。2.根据权利要求1所述的方法，所述基于各个样本图像的所述预测位置信息和所述样本标签，利用优化目标对所述初始模型训练，得到训练好的模型，包括：针对各个样本图像，计算所述样本图像的所述预测位置信息和所述样本标签的误差值；所述误差值包含所述预测位置信息和所述样本标签的的重合误差；基于所述误差值调整模型参数，直至所述误差值收敛，得到训练好的模型，所述训练好的模型包括所述误差值收敛时的模型参数。3.根据权利要求2所述的方法，所述计算所述样本图像的所述预测位置信息和所述样本标签的误差值，包括：计算所述样本图像的所述预测位置信息和所述样本标签的重合误差，并将所述重合误差作为所述误差值。4.根据权利要求2所述的方法，其中，所述预测位置信息为预测框，所述样本标签为真实框；所述计算所述样本图像的所述预测位置信息和所述样本标签的误差值，包括：计算所述预测框的中心与所述真实框的中心的中心误差；计算所述预测框的尺寸与所述真实框的尺寸的尺寸误差；计算所述样本图像的所述预测位置信息和所述样本标签的重合误差；基于所述中心误差、所述尺寸误差以及所述重合误差，计算所述样本图像的所述预测位置信息和所述样本标签的误差值。5.根据权利要求4所述的方法，所述基于所述中心误差、所述尺寸误差以及所述重合误差，计算所述样本图像的所述预测位置信息和所述样本标签的误差值，包括：基于所述中心误差、所述尺寸误差以及所述比值，通过公式计算所述预测位置信息和所述样本标签的误差值；其中，α、β表示系数，Lp表示点优化损失函数，Ll表示线优化损失函数，LA_IOU表示面损失函数，i表示预测框的标识，N表示预测框的个数，L表示总损失函数，利用总损失函数计算得到误差值，利用点优化损失函数计算得到中心误差，利用线优化损失函数计算得到尺寸误差，利用面损失函数计算重合误差，Lcls表示分类损失函数。6.根据权利要求3至5任一项所述的方法，所述计算所述样本图像的所述预测位置信息和所述样本标签的重合误差，包括：计算同时包含预测框和真实框的外接矩形框；计算所述预测框与所述真实框的重叠区域；2CN113688920A权利要求书2/3页计算所述重叠区域所述外接矩形框的比值，并将所述比值作为所述重合误差。7.一种目标检测方法，包括：获取待检测图像；将所述待检测图像输入预先训练好的模型，通过所述模型得到所述待检测图像中目标的检测信息；其中，所述模型是利用上述权利要求1至6任一项所述的用于目标检测的模型训练方法训练得到的。8.一种用于目标检测的模型训练装置，包括：第一获取模块，用于获取多个样本图像以及各个样本图像的样本标签；预测结果获得模块，用于针对各个样本图像，将所述样本图像输入初始模型，通过所述初始模型得到预测位置信息；训练模块，用于基于各个样本图像的所述预测位置信息和所述样本标签，利用优化目标对所述初始模型训练，得到训练好的模型，其中，所述优化目标包含优化所述预测位置信息和所述样本标签的重合误差。9.根据权利要求8所述的装置，所述训练