[发明专利]分类网络及物体检测模型构建方法、装置、设备及介质

说明书

本发明实施例提供了一种分类网络及物体检测模型构建方法、装置、设备及介质，对样本物体的多个图像分别进行特征提取，得到对应的多个特征图像，所述多个图像具有不同的图像分布域，将每两个图像分布域不同的图像各自对应的特征图像成对输入预设网络，得到多个第一分类结果和多个第二分类结果；根据所述多个第一分类结果与所述多个第二分类结果之间的距离以及所述样本物体的类别标签，对所述预设网络的参数进行更新；将经过多次更新后的预设网络确定为分类网络。

技术领域

本发明涉及计算机处理技术领域，特别是涉及一种分类网络及物体检测模型构建方法、装置、设备及介质。

背景技术

物体检测(Object Detection)是计算机视觉的一项核心技术，旨在定位图片中每一个物体的同时给出正确的物体类别，物体检测作为基础的视觉算法有着广泛的应用。目前，一般是基于深度神经网络进行物体检测。

但是目前的物体检测都存在一个比较明显的问题，就是当所检测的物体处于不同的环境条件或是在不同风格下拍摄的情况时，例如处于白天/黑夜/雾天等不同的条件，或者，是采用油画、素描等风格所拍摄时，对同一个物体的物体检测会出现较大差距。因此，相关技术中的深度神经网络无法在环境条件多变的情况下，准确地进行物体检测。

发明内容

鉴于上述问题，提出了本发明实施例的一种分类网络及物体检测模型构建方法、装置、设备及介质，以便克服上述问题或者至少部分地解决上述问题。

为了解决上述问题，本发明的第一方面，公开了一种分类网络构建方法、所述方法包括：

对样本物体的多个图像分别进行特征提取，得到对应的多个特征图像，所述多个图像具有不同的图像分布域；

将每两个图像分布域不同的图像各自对应的特征图像成对输入预设网络，得到多个第一分类结果和多个第二分类结果；

根据所述多个第一分类结果与所述多个第二分类结果之间的距离以及所述样本物体的类别标签，对所述预设网络的参数进行更新；

将经过多次更新后的预设网络确定为分类网络。

可选地，根据所述多个第一分类结果与所述多个第二分类结果之间的距离以及所述样本物体的类别标签，对所述预设网络的参数进行更新，包括：

根据所述多个第一分类结果与所述多个第二分类结果之间的距离，确定目标损失值；

根据所述多个第一分类结果与所述样本物体的类别标签，确定第一分类损失值，以及，根据所述多个第二分类结果与所述样本物体的类别标签，确定第二分类损失值；

根据所述目标损失值、所述第一分类损失值以及所述第二分类损失值，对所述预设网络的参数进行更新。

可选地，所述方法还包括：

对所述多个第一分类结果进行处理，确定第一结果中心，以及，对所述多个第二分类结果进行处理，确定第二结果中心；

根据所述多个第一分类结果与所述多个第二分类结果之间的距离，确定目标损失值，包括：

根据所述第一结果中心与所述第二结果中心的差距，确定目标损失值。

可选地，根据所述第一结果中心与所述第二结果中心的差距，确定目标损失值，包括：

按照以下公式确定目标损失值：

其中，Loss_cosine为所述目标损失值，为所述第一分类结果中心的向量表示，为所述第二分类结果中心的向量表示。

本发明实施例的第二方面，提供了一种物体检测模型构建方法，所述方法包括：