目标检测模型的训练方法及检测目标对象的方法、装置.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CN113627298A(43)申请公布日2021.11.09(21)申请号202110878323.0(22)申请日2021.07.30(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)发明人张健(74)专利代理机构中科专利商标代理有限责任公司11021代理人吕朝蕙(51)Int.Cl.G06K9/00(2006.01)权利要求书4页说明书12页附图5页(54)发明名称目标检测模型的训练方法及检测目标对象的方法、装置(57)摘要本公开提供了一种目标检测模型的训练方法、检测目标对象的方法、装置、设备和介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于智能家居和智慧城市场景下。训练方法先将样本图像输入特征提取网络，得到第一特征数据，该样本图像具有指示样本图像中第一目标对象的第一实际位置和第一目标对象针对第二目标对象的实际条件概率的标签；将第一特征数据输入目标检测网络，得到第一目标对象的预测位置和第一目标对象针对第一预测位置的第一出现概率；将第一特征数据输入条件随机场网络，得到第一目标对象针对第二目标对象的第一条件概率；基于第一实际位置、预测位置、第一出现概率、实际条件概率和第一条件概率，训练目标检测模型。CN113627298ACN113627298A权利要求书1/4页1.一种目标检测模型的训练方法，其中，所述目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；所述方法包括：将样本图像输入所述特征提取网络，得到第一特征数据，其中，所述样本图像具有标签，所述标签指示所述样本图像中第一目标对象的第一实际位置和所述第一目标对象针对第二目标对象的实际条件概率；将所述第一特征数据输入所述目标检测网络，得到第一目标对象的第一预测位置和所述第一目标对象针对所述第一预测位置的第一出现概率；将所述第一特征数据输入所述条件随机场网络，得到所述第一目标对象针对所述第二目标对象的第一条件概率；以及基于所述第一实际位置、所述第一预测位置、所述第一出现概率、所述实际条件概率和所述第一条件概率，对所述目标检测模型进行训练，其中，所述第二目标对象包含所述第一目标对象，且所述第一目标对象能够相对于所述第二目标对象的中心移动。2.根据权利要求1所述的方法，其中，得到第一目标对象的第一预测位置和所述第一目标对象针对所述第一预测位置的第一出现概率包括：将所述第一特征数据输入所述目标检测网络，得到针对所述第一目标对象的热图，所述热图中各个点指示所述第一目标对象的中心位于所述各个点的概率；以及基于所述热图中的峰值点确定所述第一目标对象的预测中心位置，并确定所述峰值点指示的概率为所述第一出现概率。3.根据权利要求2所述的方法，其中，所述目标检测网络包括中心定位单元和尺寸回归单元；得到第一目标对象的第一预测位置和所述第一目标对象针对所述第一预测位置的第一出现概率还包括：将所述第一特征数据输入所述尺寸回归单元，得到所述第一目标对象的预测高度和预测宽度，其中，所述热图是通过将所述第一特征数据输入所述中心定位单元获得的。4.根据权利要求1所述的方法，还包括：将所述图像特征数据输入所述目标检测网络，得到所述第二目标对象的第二预测位置和所述第二目标对象针对所述第二预测位置的第二出现概率；其中，所述标签还指示所述第二目标对象的第二实际位置；对所述目标检测模型进行训练包括：基于所述第一实际位置、所述第一预测位置、所述第一出现概率、所述实际条件概率、所述第一条件概率、所述第二实际位置和所述第二预测位置，对所述目标检测模型进行训练。5.根据权利要求1所述的方法，其中，对所述目标检测模型进行训练包括：基于所述第一实际位置、所述第一预测位置和所述第一出现概率，确定预定损失函数中第一回归损失子函数的取值，得到第一取值；基于所述第一实际位置和所述第一预测位置，确定预定损失函数中定位损失子函数的取值，得到第二取值；基于所述实际条件概率和所述第一条件概率，确定预定损失函数中第二回归损失子函2CN113627298A权利要求书2/4页数的取值，得到第三取值；以及基于所述第一取值、所述第二取值和所述第三取值，对所述目标检测模型进行训练。6.根据权利要求1～5中任一项所述的方法，其中，所述目标检测模型包括训练时间友好网络模型。7.一种采用目标检测模型检测目标对象的方法，其中，所述目标检测模型包括特征提取网络、目标检测网络和条件随机场网络；所述方法包括：将待检测图像输入所述特征提取网络，得到第二特征数据；将所述第二特征数据输入所述目标检测网络，得到第一目标对象的第三预测位置和所述第一目标对象针对所述第三预测位置的第三出现概率；将所述第二特征数据输入所述条件随机场网络，得