[发明专利]目标检测模型的训练方法、目标检测方法及装置

说明书

本申请提供了一种目标检测模型的训练方法、目标检测方法及装置，方法包括：获取训练样本集；训练样本集中的样本为包含对象的图像；每个图像标注有对象对应的真实边界框；将训练样本集中的样本输入至预设神经网络模型中进行训练，得到对象对应的预测边界框；基于对象对应的真实边界框、预测边界框和预设损失函数计算模型误差损失，并基于模型误差损失调整模型参数；预设损失函数为基于边界框面积、边界框中心点距离和边界框宽高比确定的函数关系；当模型误差损失收敛时，终止模型训练，得到训练好的目标检测模型。本申请能够提高模型的收敛速度，提高模型的目标检测精准度。

技术领域

本申请涉及目标检测技术领域，尤其是涉及一种目标检测模型的训练方法、目标检测方法及装置。

背景技术

目标检测是计算机视觉领域重要的研究内容，近些年，深度学习和神经网络技术不断在目标检测任务上取得突破，在汽车自动驾驶领域，随着自动驾驶技术的发展和升级，基于深度学习和神经网络技术的视觉感知方案在自动驾驶领域逐步得到广泛的应用。视觉感知算法方案主要为自动驾驶车辆提供检测得到的障碍物信息，然后汽车智能驾驶系统会结合障碍物信息和其它传感器做出的判断，对行驶路径做出决策。显然，视觉感知算法方案对障碍物的定位能力对自动驾驶决策具有重要意义，精准的障碍物目标定位性能将为智能驾驶系统提供更加准确的决策输入。

上述目标定位问题具体到实际的方法当中，就是目标边界框的回归计算问题。如何让算法模型精准回归计算边界框的位置信息，一直是学术界和工业界的重要研究工作之一。目前，交通场景下的目标检测方法中，目标边界框的回归计算，通常是从预测框和真实框交叠面积的角度，计算边界框在回归训练过程中的损失，在模型的训练过程中，仍然存在收敛速度慢、训练时间长的问题，并且在模型应用中，存在目标定位不准的问题。

发明内容

本申请的目的在于提供一种目标检测模型的训练方法、目标检测方法及装置，能够提高模型的收敛速度，提高模型的目标检测精准度。

第一方面，本申请实施例提供一种目标检测模型的训练方法，方法包括：获取训练样本集；训练样本集中的样本为包含对象的图像；每个图像标注有对象对应的真实边界框；将训练样本集中的样本输入至预设神经网络模型中进行训练，得到对象对应的预测边界框；基于对象对应的真实边界框、预测边界框和预设损失函数计算模型误差损失，并基于模型误差损失调整模型参数；预设损失函数为基于边界框面积、边界框中心点距离和边界框宽高比确定的函数关系；当模型误差损失收敛时，终止模型训练，得到训练好的目标检测模型。

进一步的，上述预设损失函数如下：

L_RIoU＝1-IoU(b^t,b^p)+P_CDIoU+R^*；

其中，L_RIoU表示鲁棒边界框损失函数，IoU(b^t,b^p)表示真实边界框b^t和预测边界框b^p的交面积与并面积之比，P_CDIoU表示真实边界框b^t与预测边界框b^p、真实边界框b^t与最小外接边界框b^c的中心点欧式距离惩罚项，R^*为真实边界框b^t与预测边界框b^p，真实边界框b^t与最小外接边界框b^c的宽高比惩罚项；