[发明专利]图像目标检测模型建立方法、装置、存储介质及程序产品

说明书

本发明提供一种图像目标检测模型的建立方法及装置，利用遮挡图像样本进行特征遮挡对抗网络模型的训练，通过特征遮挡对抗网络模型来获得图像样本的遮挡掩码，这样，在进行检测网络模型的训练时，将训练用的图像样本的特征图添加遮挡掩码，该遮挡掩码利用训练好的特征遮挡对抗网络模型获得。这样，由于特征遮挡对抗网络模型利用遮挡图像样本训练而获得，能够训练出生成更好掩码的特征遮挡对抗网络模型，进而利用该特征遮挡对抗网络获得用于检测网络模型训练用的遮挡掩码，从而，可以利用具有更好遮挡掩码的图像样本进行检测网络模型的训练，使得检测网络模型对遮挡情形得到充分训练，提高检测网络模型对遮挡物体检测的准确性。

技术领域

本发明涉及人工智能领域，特别涉及一种图像目标检测模型的建立方法及装置、存储介质及程序产品。

背景技术

目前，基于深度卷积神经网络的检测算法成为图像目标检测的主流方法，例如YOLO(You Only Look Once)和SSD(Single Shot MultiBox Detector)算法等，其将直接将目标边框定位的问题转化为回归问题进行处理，具有更快的检测速度。在图像目标检测的应用中，图像中的待检测物体存在遮挡的情形，而目前的检测模型较少考虑遮挡情形，无法实现对遮挡物体的准确检测。

发明内容

有鉴于此，本发明的目的在于提供一种图像目标检测模型的建立方法及装置、存储介质及程序产品，提高对遮挡物体检测的准确性。

为实现上述目的，本发明有如下技术方案：

一种图像目标检测的模型建立方法，包括：

对第一图像样本进行遮挡，以获得第一遮挡图像样本；

利用所述第一遮挡图像样本进行特征遮挡对抗网络模型的训练，所述特征遮挡对抗网络模型用于基于对抗网络获得图像样本的遮挡掩码；

进行检测网络模型的训练，且训练用的第二图像样本的特征图利用训练后的特征遮挡对抗网络模型添加有遮挡掩码，所述检测网络模型用于基于深度学习的图像目标检测。

可选地，还包括：利用添加有遮挡掩码的特征图作为图像样本，继续进行特征遮挡对抗网络模型的训练。

可选地，所述对第一图像样本进行遮挡，包括：

确定第一图像样本中具有最大定位准确度的候选框；

将预设大小的滑动窗口映射到图像样本，并利用背景像素填充滑动窗口所在位置的图像区域；

利用检测网络模型进行填充后的图像样本的检测，将与候选框具有最大检测网络损失的所在位置处的滑动窗口作为第一图像样本的遮挡位置，以获得第一遮挡图像样本。

可选地，所述进行检测网络模型的训练中，利用非极大值抑制算法确定预测框，其中，所述非极大值抑制算法中的预测框评价指标通过不同候选框的定位准确度和位置准确度确定。

可选地，所述候选框评价指标CL的计算公式为：

CL＝γ×sore_class+(1-γ)×score_location；其中，γ为超级参数，sore_class为分类准确率，score_location为定位准确度；

所述非极大值抑制算法的公式为：

其中，CL为不同候选框的定位准确度。

可选地，预置有预测IoU网络模型，所述预测IoU网络模型用于获得不同候选框的定位准确度。

可选地，所述预测IoU网络模型的训练方法包括：

生成第三图像样本的候选框集合；