CN114694218B 目标检测及模型训练方法、装置、计算机设备及存储介质 （阿里云计算有限公司）

本说明书实施例提供一种目标检测及模型样本图像的多个候选框中预测出的具有目标的2获取所述样本图像的多个候选框，以及确定所述样本图像获取所述目标检测模型在学习后，从所述样本图像的多个候根据多张所述样本图像的预测框，获取重叠度最低的一组预测3.根据权利要求1所述的方法，所述根据该组预测框的重叠度更新所述第一阈值，包确定该组预测框的重叠度的均值，根据所述均值与所将所述图像输入至目标检测模型，获取所述目标检测模型预测8.一种计算机设备，包括存储器、处理器及9.一种计算机可读存储介质，其上存储有计算机34预先标定有包围目标的、表示目标在图像中的真实位置的真实框(groundtruthbox，[0003]为克服相关技术中存在的问题，本说明书实施例提供了目标检测及模型训练方5述计算机程序被处理器执行时实现第二方面所述方6[0034]图1A是本说明书根据一示例性实施例示出的一种目标检测模型的训练方法的流[0037]图3是本说明书根据一示例性实施例示出的一种目标检测模型的训练装置所在计[0038]图4是本说明书根据一示例性实施例示出的一种目标检测模型的训练装置的框指并包含一个或多个相关联的列出项目的任何或所为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或7叠度大于某个人为设定的阈值就会对该anchor打上一个表示目标的标签label，反之就是本实施例中的目标检测模型，实际应用中可以根据需要进行选择，例如基于区域推荐RPN(RegionProposalNetwork)网络的模型或基于区域卷积神经网络(RegionswithCNN[0052]本实施例中，目标检测模型的训练过程是基于anchor的方式进行的，即基于[0053]针对候选框的锚定方式，作为例子，可以定义anchor的尺寸(scale)和比例(aspectratio)等；例如，假设定义了n个不同的scale和m种不同的比例(不同宽中窄anchor的比例)，通过组合，可以得到k(k＝n*m)类anchor。对于每张样本图像的每个8两个矩形框的重叠度为两个矩形框的重叠面积占两个矩形的)可以不参与训练，对损失函数优化没有贡献。本实施例将用于训练的anchor称为样本各个作为正样本的候选框的特征和作为负样本的候选框的特征；由于作为正样本的边框回归(anchorregression)，即对正样本的anchor以标注好的真实框为目标进行逼近目标。通过对这些被模型漏检的图像进行分析发现，由于模型未能从漏检图像的各个gtbox有一定重叠，就可以labelassign为正样本，但这样会让很多低质量的anchor被迭代，是指以本轮迭代的第一阈值，确定出数据集中样本图像的正样本anchor和负样本述目标检测模型在学习后，从所述样本图像的多个候选框中预测出的具有目标的预测框，9确度非常高；而本实施例利用的是多张所述样本图像的预测框中重叠度最低的一组预测测框中确定重叠度最低的一组预测框，并利用该组预测框的重叠度来慢慢地调低第一阈确定与gtbox重叠度最低的一个或多个anchor，将该最低的一个或多个anchor的重叠度存[0074]本实施例还设置了动态更新阈值的条件θ,该条件可以表示labelassign的迭代；其中，O,表示第i轮训练中第j张样本图中的重叠度最低的一个anchor的重叠示意图中左侧示出的是样本图像中具有三个矩形框，右侧示出了该三个矩形框的图像内大，anchor2与gtbox的重叠度较低。在第一轮迭代中，由于设置的第一阈值较大，只有的自适应阈值的labelassign有效地提高了人脸检说明书目标检测模型的训练装置所在计算机设备的一种硬件结构图，除了图3所示的处理[0099]上述目标检测模型的训练装置中各个模块的功能和作用的实现过程具体详见上算机程序被处理器执行时实现前述目标检测[0104]上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中[0108]应当理解的是，本说