[发明专利]神经网络模型的训练方法、图像检测方法及装置

权利要求书

1.一种用于图像检测的神经网络模型的训练方法，其特征在于，所述方法包括：

通过所述神经网络模型对源域和目标域中的图像进行特征提取，根据提取到的图像的特征确定所述图像中的候选区域；

通过所述神经网络模型确定所述候选区域中围绕实例的目标区域、以及所述实例的分类结果；

通过所述神经网络模型包括的图像域分类网络确定所述图像中包含的像素点，并通过所述图像域分类网络对所述图像中包含的像素点进行分类，得到所述图像中每个像素点属于目标域的概率；

通过所述图像域分类网络获取表征所述图像属于源域或目标域的图像标识；

确定所述图像中每个像素点属于目标域的概率和对应的图像标识的交叉熵，并将所述图像中每个像素点属于目标域的概率与对应的图像标识的交叉熵取平均值，以获得第一分布性差异；

基于所述第一分布性差异确定图像域分类的损失；

根据预设标签对所述实例进行分类，以获得多个标签不同的实例；

通过所述神经网络模型包括的多个实例域分类网络对所述多个标签不同的实例进行分类，将得到的所述实例属于目标域的概率作为所述实例属于目标域的类别的分类结果，其中，所述多个标签与所述多个实例域分类网络一一对应，所述多个实例域分类网络之间的参数相互独立；

根据所述实例的分类结果确定实例域分类的损失；

将所述实例域分类的损失和所述图像域分类的损失分别代入损失函数，通过梯度下降确定所述损失函数取得最小值时，对应的所述神经网络模型的参数，并根据所确定的神经网络模型的参数更新所述神经网络模型。

2.根据权利要求1所述的方法，其特征在于，

所述神经网络模型包括：特征提取网络和区域候选网络；

所述通过所述神经网络模型对源域和目标域中的图像进行特征提取，根据提取到的图像的特征确定所述图像中的候选区域，包括：

通过所述特征提取网络提取源域和目标域中的图像的特征；

通过所述区域候选网络截取所述图像中的特征，以确定所述图像中的候选区域，其中，所述候选区域中包括所述实例。

3.根据权利要求1所述的方法，其特征在于，

所述神经网络模型包括：包围框网络和分类网络；

所述通过所述神经网络模型确定所述候选区域中围绕实例的目标区域、以及所述实例的分类结果，包括：

通过所述包围框网络将所述候选区域进行包围盒回归，得到所述候选区域中围绕实例的目标区域；

通过所述分类网络将所述目标区域中的实例进行分类，得到所述实例的分类结果。

4.根据权利要求1所述的方法，其特征在于，所述根据所述实例的分类结果确定实例域分类的损失，包括：

获取表征所述实例属于源域或目标域的实例标识；

根据所述实例属于目标域的概率和对应的实例标识，确定所述实例属于目标域的概率、和所述实例标识之间的第二分布性差异；

基于所述第二分布性差异确定所述实例域分类的损失。

5.一种基于权利要求1至4任一项所述的神经网络模型的图像检测方法，其特征在于，所述方法包括：

通过所述神经网络模型对图像进行特征提取，根据提取到的图像的特征确定所述图像中的候选区域；

通过所述神经网络模型确定所述候选区域中围绕实例的目标区域、以及所述实例的分类结果。