模型训练方法和目标识别方法、装置、设备及介质.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CN110705479A(43)申请公布日2020.01.17(21)申请号201910945706.8(22)申请日2019.09.30(71)申请人北京猎户星空科技有限公司地址100025北京市朝阳区姚家园南路一号惠通时代广场8号(72)发明人侯峰(74)专利代理机构北京同达信恒知识产权代理有限公司11291代理人石磊(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书14页附图5页(54)发明名称模型训练方法和目标识别方法、装置、设备及介质(57)摘要本发明公开了一种网络匹配模型的训练方法及目标识别方法、装置、设备及介质，由于本发明实施例在对网络匹配模型进行训练时，分别通过第一特征提取网络和第二特征提取网络，获得待检测目标的模板图片和样本图片的第一特征图和第二特征图，根据在样本图片中标注的第一位置信息和在第二特征图中确定的第二位置信息，分别确定第一特征提取网络和第二特征提取网络的参数的参数值，从而使第一特征提取网络和第二特征提取网络，分别学习到模板图片和样本图片的特征，有助于提高两个特征提取网络提取特征的区分度，进而可以对搜索范围进行调整，保证了后续识别的成功率。CN110705479ACN110705479A权利要求书1/2页1.一种网络匹配模型的训练方法，其特征在于，针对样本集中的任一样本图片，所述样本图片中标记有待检测目标所在区域的第一位置信息，所述方法包括：通过网络匹配模型的第一特征提取网络，获取所述待检测目标的模板图片的第一特征图；以及通过所述网络匹配模型的第二特征提取网络，获取所述样本图片的第二特征图；通过所述网络匹配模型的卷积层将所述第一特征图与所述第二特征图进行卷积处理，确定所述第二特征图中待检测目标的第二位置信息；根据所述第一位置信息和所述第二位置信息，对所述网络匹配模型进行训练，以分别确定所述第一特征提取网络和所述第二特征提取网络的参数的参数值。2.如权利要求1所述的方法，其特征在于，所述获取所述样本图片的第二特征图，包括：分别获取所述第二特征提取网络中最后一个卷积层输出的特征图及所述第二特征提取网络中至少一个其他卷积层输出的特征图，根据每个特征图，确定对应的每个第二特征图；所述通过所述网络匹配模型的卷积层将所述第一特征图与所述第二特征图进行卷积处理，确定所述第二特征图中待检测目标的第二位置信息，包括：通过所述网络匹配模型的卷积层将所述第一特征图分别与每个所述第二特征图进行卷积处理，确定每个所述第二特征图中待检测目标的第二位置信息；所述根据所述第一位置信息和所述第二位置信息，对所述网络匹配模型进行训练，包括：根据所述第一位置信息和每个所述第二位置信息，对所述网络匹配模型进行训练。3.如权利要求2所述的方法，其特征在于，所述根据所述第一位置信息和每个所述第二位置信息，对所述网络匹配模型进行训练包括：确定所述第一位置信息和每个所述第二位置信息的损失值的和；根据所述损失值的和，对所述第一特征提取网络和所述第二特征提取网络进行训练，以对所述第一特征提取网络和所述第二特征提取网络的参数进行更新。4.如权利要求2所述的方法，其特征在于，所获取的第二特征图的数量为3个。5.如权利要求4所述的方法，其特征在于，若所述第二特征提取网络包括七个卷积层，所获取的所述第二特征图分别为所述第二特征提取网络中的第二个卷积层、第四个卷积层和第七个卷积层输出的特征图。6.一种基于权利要求1-5任一项方法训练得到的网络匹配模型的目标识别方法，其特征在于，所述方法包括：分别将待检测目标的模板图片和待检测图片输入到训练完成的网络匹配模型中的第一特征提取网络和第二特征提取网络中；基于所述训练完成的网络匹配模型中第一特征提取网络和第二特征提取网络分别输出的第三特征图和第四特征图，识别所述待检测图片中待检测目标所在区域的信息，其中，所述训练完成的网络匹配模型中第一特征提取网络中的参数，与所述第二特征提取网络中的参数不同。7.一种网络匹配模型的训练装置，其特征在于，针对样本集中的任一样本图片，所述样本图片中标记有待检测目标所在区域的第一位置信息，所述装置包括：第一提取模块，用于通过网络匹配模型的第一特征提取网络，获取所述待检测目标的模板图片的第一特征图；2CN110705479A权利要求书2/2页第二提取模块，用于通过所述网络匹配模型的第二特征提取网络，获取所述样本图片的第二特征图；匹配模块，用于通过所述网络匹配模型的卷积层将所述第一特征图与所述第二特征图进行卷积处理，确定所述第二特征图中待检测目标的第二位置信息；分析模块，用于根据所述第一位置信息和