[发明专利]物体检测网络的训练方法和装置

说明书

本申请实施例公开了物体检测网络的训练方法和装置。该方法的一具体实施方式包括：将训练样本图像输入至初始物体检测网络，得到训练样本图像中的训练目标的预测信息，预测信息包括预测边界框；根据预测边界框的位置以及与训练目标对应的预设锚点框的位置差异，确定第一损失函数的损失值；基于第一损失函数的损失值调整初始物体检测网络的参数，以对初始物体检测网络进行训练。上述方式通过较少次数的训练，将训练目标的预测边界框固定在训练目标对应的预设锚点框附近。有助于提高物体检测网络的学习效率，进一步可以加快对物体检测网络训练的速度。

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像处理技术领域，尤其涉及物体检测网络的训练方法和装置。

背景技术

物体检测是计算机视觉领域中一个基础性的研究课题，其在人脸识别、安全监控以及动态追踪等很多方面都有广泛的应用前景。物体检测是指对于任意一幅给定的图像，检测和识别其中包括的每一个物体，并返回图像中各物体的类别信息和位置信息，上述位置信息可以包括位于原图像中的预测边界框。

基于深度卷积物体检测网络(CNN)的物体检测方法是当前较为先进的物体检测方法。现有的使用物体检测网络的过程通常包括生成候选范围、确定物体范围、识别物体以及后续处理。在后续处理中，需要基于物体候选框的打分和分类结果对候选范围进行最终的总结和筛选。

在使用物体检测网络识别物体类别以及确定物体位置信息之前，需要对物体检测网络进行训练。

发明内容

本申请实施例提出了一种物体检测网络的训练方法和装置。

第一方面，本申请实施例提供了一种物体检测网络的训练方法，该方法包括：将训练样本图像输入至初始物体检测网络，得到所述训练样本图像中的训练目标的预测信息，所述预测信息包括预测边界框以及预测边界框的位置信息；根据所述预测边界框的位置以及与所述训练目标对应的预设锚点框的位置差异，确定第一损失函数的损失值；基于所述第一损失函数的损失值调整所述初始物体检测网络的参数，以对所述初始物体检测网络进行训练。

在一些实施例中，所述训练样本图像中包括训练目标的标注框以及标注的标注框的位置信息，以及所述方法还包括：根据所述预测边界框的位置和所述标注框的位置之间的差异，确定第二损失函数的损失值；以及所述基于所述第一损失函数的损失值调整所述初始物体检测网络的参数，以对所述初始物体检测网络进行训练，还包括：利用所述第二损失函数的损失值调整所述初始物体检测网络的参数，以对所述初始物体检测网络进行训练。

在一些实施例中，所述预测信息还包括预测边界框内的图像所对应的训练目标的预测置信度；以及所述方法还包括：根据预测边界框对应的预测置信度与该预测边界框对应的真实置信度之间的差异，确定第三损失函数的损失值，其中，所述真实置信度为与所述预测边界框对应的标注框的真实置信度；以及所述基于所述第一损失函数的损失值调整所述初始物体检测网络的参数，以对所述初始物体检测网络进行训练，还包括：利用所述第三损失函数的损失值调整所述初始物体检测网络的网络参数，以对所述初始物体检测网络进行训练。

在一些实施例中，所述基于所述第一损失函数的损失值调整所述初始物体检测网络的参数，以对所述初始物体检测网络进行训练，包括：确定训练次数是否大于预设训练次数阈值；响应于所述训练次数不大于所述预设预训练次数阈值，采用所述第一损失函数的损失值、第二损失函数的损失值以及第三损失函数的损失值，调整所述初始物体检测网络的参数，以对初始物体检测网络进行预训练。

在一些实施例中，该方法还包括：响应于确定训练次数大于预设训练次数阈值，采用所述第二损失函数的损失值以及第三损失函数的损失值，调整所述经过预训练的物体检测网络的参数，以对初始物体检测网络进行预训练。