[发明专利]目标检测方法、目标检测系统、装置及可读存储介质

说明书

本发明公开了一种目标检测方法，包括以下步骤：所述客户端基于训练样本和初始检测模型，确定目标检测模型和损失函数列表，而后所述客户端基于所述损失函数列表确定所述目标检测模型对应的所需参数，接下来所述客户端发送所述所需参数至所述服务器，以使所述服务器发送最终目标检测模型至所述客户端，最后所述客户端基于所述最终目标检测模型确定待检测样本对应的目标检测结果。本发明还公开了一种装置、目标检测系统及可读存储介质。根据损失函数选择客户端有效的模型参数进行模型聚合，无需传输全部的参数，能够减少服务器的计算量和计算时间，在不影响目标检测模型性能的同时，大幅提升了模型聚合的效率。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种目标检测方法、目标检测系统、装置及可读存储介质。

背景技术

Faster R-CNN是当前非常流行的目标检测模型，整个网络结构损失函数由两部分构成：分别是寻找候选区域的RPN层损失损失，以及最后的目标检测层的损失函数。

当前将Faster R-CNN模型放置在联邦学习框架中进行训练时，客户端会进行局部的模型训练，在服务器进行聚合，这种无差别的训练模式适合于大部分的网络模型。这两部分的损失函数实际上对于图片输入有不同的处理方式和关注点，比如RPN层更关心的是如何选取出合理的候选区域，而目标检测层关心的是类别分类和边界框的准确度，其中每一层都会存在大量无效的参数，如果将全部参数都上传到服务器，这将增加服务器的计算量和计算时间。

发明内容

本发明的主要目的在于提供一种目标检测方法、标检测系统、装置及可读存储介质，旨在解决现有Faster R-CNN目标检测模型在进行模型聚合时效率的技术问题。

为实现上述目的，本发明提供一种目标检测方法，所述的目标检测方法包括以下步骤：

所述客户端基于训练样本和初始检测模型，确定目标检测模型和损失函数列表；

所述客户端基于所述损失函数列表确定所述目标检测模型对应的所需参数；

所述客户端发送所述所需参数至所述服务器，以使所述服务器发送最终目标检测模型至所述客户端；

所述客户端基于所述最终目标检测模型确定待检测样本对应的目标检测结果。

进一步地，在一实施方式中，所述客户端基于所述损失函数列表确定所述目标检测模型对应的所需参数的步骤包括：

所述客户端基于所述损失函数列表计算RPN层损失函数对应的第一差值和目标检测层损失函数对应的第二差值，其中，所述第一差值为损失函数列表中最大的RPN层损失函数值与最小的RPN层损失函数值的差，所述第二差值为损失函数列表中最大的目标检测层损失函数值与最小的目标检测层损失函数值的差；

所述客户端基于所述第一差值和所述第二差值确定所述目标检测模型对应的所需参数。

进一步地，在一实施方式中，所述客户端基于所述第一差值和所述第二差值确定所述目标检测模型对应的所需参数的步骤包括：

在所述第一差值大于所述第二差值时，所述客户端将所述第一差值与所述第二差值相减，得到第三差值；

在所述第三差值大于或者等于预设值时，所述客户端将所述目标检测模型中的RPN层参数作为所需参数；

在所述第三差值小于预设值时，所述客户端将所述目标检测模型中的RPN层参数和目标检测层参数作为所需参数。

进一步地，在一实施方式中，所述客户端基于所述第一差值和所述第二差值确定所述目标检测模型对应的所需参数的步骤，还包括：

在所述第二差值大于所述第一差值时，所述客户端将所述第二差值与所述第一差值相减，得到第四差值；