[发明专利]神经网络模型的训练方法、图像检测方法及装置

说明书

本发明提供了一种用于图像检测的神经网络模型的训练方法、图像检测方法、装置、设备及存储介质；方法包括：通过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候选区域；并确定候选区域中围绕实例的目标区域、以及实例的分类结果；对图像进行分类，得到包括图像属于目标域的类别的分类结果，并根据分类结果确定图像域分类的损失；通过神经网络模型对实例进行分类，得到包括实例属于目标域的类别的分类结果，并根据分类结果确定实例域分类的损失；将实例域分类的损失和图像域分类的损失分别代入损失函数，根据损失函数确定梯度，并根据梯度更新神经网络模型的参数。通过本发明，能够提高图像目标检测的精度。

技术领域

本发明涉及人工智能领域的图像检测技术，尤其涉及一种用于图像检测的神经网络模型的训练方法、图像检测方法、装置、电子设备及存储介质。

背景技术

人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。人工智能现如今得到快速发展，并广泛应用于各种行业。

计算机视觉技术(CV，Computer Vision)是人工智能的典型应用，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。典型地如进行图像中的目标检测，可以广泛应用于诸如图像识别、智能监控等应用场景。

对于图像中目标检测而言，需要通过输入样本数据训练神经网络模型，以使训练后的神经网络模型可用于对图像中的目标进行准确检测。但是当训练的样本数据量少时，无法对神经网络模型进行充分训练，导致训练后的神经网络模型不能对图像中的目标进行准确检测，从而影响图像目标检测的精度。

发明内容

本发明实施例提供一种用于图像检测的神经网络模型的训练方法、图像检测方法、装置、电子设备及存储介质，能够提高图像目标检测的精度。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种用于图像检测的神经网络模型的训练方法，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对所述图像进行分类，得到包括所述图像属于目标域的类别的分类结果，并根据所述图像的分类结果确定图像域分类的损失；

通过所述神经网络模型对所述实例进行分类，得到包括所述实例属于目标域的类别的分类结果，并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，根据所述损失函数确定梯度，并根据所述梯度更新所述神经网络模型的参数。

本发明实施例提供一种用于图像检测的神经网络模型的训练装置，包括：

检测模块，用于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；

域分类模块，用于通过所述神经网络模型对所述图像进行分类，得到包括所述图像属于目标域的类别的分类结果，并根据所述图像的分类结果确定图像域分类的损失；通过所述神经网络模型对所述实例进行分类，得到包括所述实例属于目标域的类别的分类结果，并根据所述实例的分类结果确定实例域分类的损失；