CN114722958B 网络训练及目标检测方法、装置、电子设备和存储介质 （商汤集团有限公司）

道西一号核心大楼第二座2楼226-230室伪标签信息以及目标检测网络中预置的锚框信2通过所述目标检测网络对所述样本图像进行处理，得到所述检测结果包括所述样本图像中目标所在的预根据所述检测结果，确定所述样本图像对应的伪标签信息，所根据所述伪标签信息以及所述目标检测网络中预置的锚框信息，确定其中，所述锚框信息中包括所述目标检测网络针对锚框其中，所述根据所述伪标签信息以及所述目标检测网络根据所述锚框区域对应的分类分数以及所述伪标注区域对应的根据所述锚框区域对应的预测区域的位置信息以及所述伪标注区域对应的位置信息，根据所述锚框区域对应的位置信息以及所述伪标注区域对应的根据所述分类损失、所述第一位置损失与所述第二位置损失中针对所述多个伪标注区域中的每个伪标注区域，根据所述伪标注根据所述多个锚框区域各自对应的第一权重以及所述多个锚框区域各自对应的匹配根据得到的所述多个伪标注区域对应的区域损失，确定所述目标检测网络的网络损根据所述多个伪标注区域各自对应的置信度，确定所述多根据多个伪标注区域各自对应的第二权重以及所述多个伪标注区域各自对应的区域34.根据权利要求1至3任一项所述的方法，其特征在于，所述匹配损失包括所述伪标注区域与所述锚框区域对应的预测区域之间的第一所述伪标注区域与所述锚框区域之间的第二根据所述多个预测区域各自对应的预测分数，对所述多个预测区域通过高斯混合模型，根据所述多个预测区域各自对应的预测分数，对其中，所述聚类结果包括所述多个预测区域中的正样本预测区域与负样本预测区域，所述正样本预测区域的准确度高于所述负样本预7.根据权利要求5或6所述的方法，其特征在于将所述正样本预测区域对应的高斯分布的峰值所对应的预测分数，8.根据权利要求1至3任一项所述的方法，其特征在对所述回归特征与所述分类特征进行解码处理，得到初始预测区域与通过目标检测网络对待检测图像进行处理，得到所述待检4述目标检测结果包括所述待检测图像中目标所在通过所述目标检测网络对待检测图像进行处理，得到所述待检测图检测模块，用于通过所述目标检测网络对所述样本图像进行其中，所述锚框信息中包括所述目标检测网络针对锚框其中，所述根据所述伪标签信息以及所述目标检测网络根据所述锚框区域对应的分类分数以及所述伪标注区域对应的根据所述锚框区域对应的预测区域的位置信息以及所述伪标注区域对应的位置信息，根据所述锚框区域对应的位置信息以及所述伪标注区域对应的根据所述分类损失、所述第一位置损失与所述第二位置损失中5程序指令被处理器执行时实现权利要求1至11中任意6练方法主要通过交并比(IntersectionoverUnion，IoU)的方式将锚框与标签框进行匹目标所在的伪标注区域；根据所述伪标签信息以及所述目标检测网络中预置的锚框信息，确定所述伪标注区域与所述锚框信息表征的锚框区域之间的匹配损失；根据所述匹配损[0007]在一种可能的实现方式中，所述伪标签信息中包括所述伪标注区域对应的置信7[0014]在一种可能的实现方式中，所述通过所述目标检测网络对所述样本图像进行处8[0020]在一种可能的实现方式中，所述伪标签信息中包括所述伪标注区域对应的置信9所述目标检测网络对待检测图像进行处理，得到所述待检测图像中车辆所在的车辆区域；所说明的任何实施例不必解释为优于或好于其它实不仅会使不一致的伪标签框匹配到不一致的锚框，还会使得伪标签框匹配到次优的锚框，[0047]图2示出根据本公开实施例的网络训练方法的流程图，所述网络训练方法可以由[0051]其中，目标检测网络例如可以采用RCNN(RegionConvolutionalNeuralNetworks，区域卷积神经网络)、FastRCNN(FastRegionConvolutionalNeural[0052]在步骤S12中，通过目标检测网络对样本图像进行处理，得到样本图像的检测结[0054]在一种可能的实现方式中，检测结果可以包括样本图像中目标所在的预测区域、或者说判断每个锚框是否覆盖目标，以及对覆盖目标的锚框进行边框回归(或者说坐标修区域的位置信息，因此伪标注区域的位置信息可以包括伪标注区域的中心坐标或顶点坐素位置处预设的具有不同尺寸的参考框，主要用于训练目标检测网络学习锚框与标签框[0068]针对每个样本图像中的每个伪标注区域，通过步骤S14可以得到该每个伪标注区注区域的位置信息可以包括伪标注区域的中心坐标或顶点坐标。在一种可能的实现方式i代表第i个伪标签区域的位置信息，d(pj,gi)代表第i个伪标签区域与第j个锚框[0080]如上所述，锚框区域对应的位置信息可以包括锚框区域样锚框区域可以根据权重大小不同，有侧重地更多对匹配损失小的伪标注区域进行学习，本公开实施例对于第二权重的具体数值以及具体分配方式不作的置信度考虑进去，使得目标检测网络可以动态选择更加准确可靠的伪标注框进行学习，n[0109]其中，可以采用期望最大化算法(ExpectationMaximizationalgorithm，EM算负样本预测区域，也即正样本预测区域的分类准确度与定位准确度均高于负样本预测区训练阶段中伪标注区域不一致对网络训练效果与收敛效果[0117]如上所述，可以使用EM算法求解上述公式(1)示出的高斯混合模型中的两个高斯值τ可以表示为公式(4)。标注区域对应的伪标注值以及伪标注区域对应的置信度中的至少区域的位置信息，因此伪标注区域的位置信息可以包括伪标注区域的中心坐标或顶点坐[0123]根据本公开的实施例，能够实现一种基于高斯混合模型(GMM)的动态阈值选择算归结果好的伪标注框也不一定是分类结果好的伪标注框。图3示出根据相关技术的一种伪实线框的预测分数Score高达0.92，但是实线框与目标框(目标框表征目标实际所在的区[0129]其中，得到初始预测区域，也即得到初始回归特征与分类特征进行解码处理，得到初始预测区域与初始预测区域对应的预测分数，尺度特征可以理解为包含多个不同通道且每个通道的尺度不[0138]对样本图像进行特征提取，得到4个256通道的分类特征与4个256通道的回归特测结果，该目标检测结果可以包括待处理图像中目标所在的区域(也即目标所在的位置)，[0153]匹配损失确定模块104，用于根据所述伪标签信息以及所述目标检测网络中预置根据所述多个锚框区域各自对应的第一权重以及所述多个锚框区域各自对应的匹配损失，[0156]在一种可能的实现方式中，所述伪标签信息中包括所述伪标注区域对应的置信所述目标检测网络对待检测图像进行处理，得到所述待检测图像中车辆所在的车辆区域；[0173]电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源务器操作系统(WindowsServerTM)，苹果公司推出的基于图形用户界面操作系统(MacOSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统[0176]计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形[0177]这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如[0179]这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中指令实现流程图和/或框图中的一个或多个方框中规定[0186]