目标检测模型的训练方法及装置、电子设备和存储介质.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CN113642431A(43)申请公布日2021.11.12(21)申请号202110868166.5(22)申请日2021.07.29(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人陈子亮(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201代理人张梦瑶(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书3页说明书11页附图5页(54)发明名称目标检测模型的训练方法及装置、电子设备和存储介质(57)摘要本公开公开了目标检测模型的训练方法及装置、电子设备和存储介质，涉及人工智能技术领域，涉及计算机视觉和深度学习技术领域，可应用于图像处理、图像识别等场景。通过获取训练图像信息将样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，针对特征图序列中任意两个特征图组成的特征图对，对特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，根据各个区域关系图对、样本目标信息、预测目标信息，对目标检测模型进行训练时，采用任意两个特征图对中的区域关系，且区域关系为从尺度较大的特征图中提取得到，能够让目标检测模型中的各个网络层学习到更多更丰富特征，进而提高目标检测模型的检测准确度。CN113642431ACN113642431A权利要求书1/3页1.一种目标检测模型的训练方法，包括：获取训练图像信息，其中，所述训练图像信息包括：样本图像，以及所述样本图像的样本目标信息；将所述样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，其中，所述特征图序列中的各个特征图按照尺度大小进行排序；针对所述特征图序列中任意两个特征图组成的特征图对，对所述特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，其中，所述第一尺度为所述两个特征图的尺度中的较大尺度；根据各个所述区域关系图对、所述样本目标信息、所述预测目标信息，对所述目标检测模型进行训练，得到训练好的目标检测模型。2.根据权利要求1所述的方法，其中，所述将所述样本图像输入目标检测模型，以获取特征图序列以及预测目标信息，包括：将所述样本图像输入所述目标检测模型，以获取所述目标检测模型输出的预测目标信息，以及所述目标检测模型的主干网络中各个特征提取层输出的特征图；对各个所述特征图按照尺度大小进行排序，得到所述特征图序列。3.根据权利要求1所述的方法，其中，所述针对所述特征图序列中任意两个特征图组成的特征图对，对所述特征图对中的两个特征图按照第一尺度进行区域关系图提取处理，得到区域关系图对，包括：针对所述特征图序列中任意两个特征图组成的特征图对，获取所述特征图对中的第一特征图和第二特征图，其中，所述第一特征图的尺度大于所述第二特征图的尺度；确定所述第一特征图的尺度为所述第一尺度；对所述第二特征图按照所述第一尺度进行上采样，得到所述第一尺度的目标特征图；对所述目标特征图进行区域关系图提取处理，得到所述目标特征图对应的区域关系图；对所述第一特征图进行区域关系图提取处理，得到所述第一特征图对应的区域关系图；根据所述目标特征图对应的区域关系图以及所述第一特征图对应的区域关系图，生成所述区域关系图对。4.根据权利要求3所述的方法，其中，所述对所述目标特征图进行区域关系图提取处理，得到所述目标特征图对应的区域关系图，包括：对所述目标特征图进行分块处理，得到多个特征子图；针对每个待处理的特征子图，将所述待处理的特征子图分别与所述目标特征图中的各个其他特征子图按照自注意力机制进行处理，确定所述待处理的特征子图对应的区域关系子图；根据各个所述区域关系子图，生成所述目标特征图对应的区域关系图。5.根据权利要求1所述的方法，其中，所述根据各个所述区域关系图对、所述样本目标信息、所述预测目标信息，对所述目标检测模型进行训练，得到训练好的目标检测模型，包括：对所述特征图对中的两个特征图分别按照注意力机制进行处理，得到所述第一尺度的2CN113642431A权利要求书2/3页两个注意力特征图；根据所述第一尺度的两个注意力特征图，生成注意力特征图对；根据各个所述区域关系图对、各个所述注意力特征图对、所述样本目标信息以及所述预测目标信息构建损失函数；根据所述损失函数的值，对所述目标检测模型进行训练，得到训练好的目标检测模型。6.根据权利要求5所述的方法，其中，所述根据各个所述区域关系图对、各个所述注意力特征图对、所述样本目标信息以及所述预测目标信息构建损失函数，包括：针对每个特征图对，根据所述特征图对对应的区域关系图，构建第一子损失函数；根据所述特征图对对应的注意力特征图对，构建第二子损失