[发明专利]目标检测模型训练、检测方法、设备及存储介质

权利要求书

1.一种目标检测模型训练方法，其特征在于，所述方法包括：

获取训练图像，并处理所述训练图像，以对所述训练图像中的样本目标进行标注；

将所述训练图像输入所述目标检测模型，以获取所述训练图像的预测目标；其中，所述目标检测模型包括主干网络，所述主干网络包括若干个卷积层，每个所述卷积层包括若干个滤波器组，每个所述滤波器组包括由一个所述滤波器旋转和/或翻转获得的预定数量个滤波器，同个所述滤波器组的所述滤波器间共享权值；

以所述预测目标与所述样本目标差异最小化为目标，以及每个所述滤波器组的所述滤波器间的余弦相似性最小化为目标，训练所述目标检测模型。

2.根据权利要求1所述的方法，其特征在于，所述以所述预测目标与所述样本目标差异为目标，且每个所述滤波器组的所述滤波器间的余弦相似性最小化为目标，训练所述目标检测模型包括：

利用反向传播梯度算法对所述目标检测模型进行训练，使得预设损失函数最小化；所述预设损失函数包括目标框损失函数、分类损失函数、置信度损失函数和滤波器组损失函数之和，所述滤波器组损失函数包括：

其中，α′是常数，k_i为所述滤波器组中第i个滤波器，k_j为所述滤波器组中第j个滤波器，n为所述预定数量，K是滤波器组矩阵，tr(KK^T)为K乘以K的转置的迹。

3.根据权利要求1所述的方法，其特征在于，所述同个所述滤波器组的所述滤波器间共享权值包括：

在反向传播梯度算法中，同个所述滤波器组的所述滤波器间共享权重和权值修正量。

4.根据权利要求1所述的方法，其特征在于，所述目标检测模型还包括与所述主干网络依次连接的特征增强网络和检测头模块。

5.根据权利要求1所述的方法，其特征在于，每个所述滤波器组包括由一个所述滤波器不旋转、旋转90°、180°、270°，以及对称变换获得的八个滤波器。

6.一种基于目标检测模型的检测方法，其特征在于，所述方法包括：

获取目标图像；

将所述目标图像输入所述目标检测模型，以获取所述目标图像的检测结果；其中，所述目标检测模型包括主干网络，所述主干网络包括若干个卷积层，每个所述卷积层包括若干个滤波器组，每个所述滤波器组包括由一个所述滤波器旋转和/或翻转获得的预定数量个滤波器，同个所述滤波器组的所述滤波器间共享权值。

7.根据权利要求6所述的方法，其特征在于，所述检测结果包括初始目标的目标框值、所述初始目标的初始分类结果和所述初始目标的初始置信度，所述方法包括：

获得所述初始分类结果中的最大概率的分类索引，并对照索引表获得最终分类结果；

获取所述初始目标的所述目标框值，利用目标框转换方法获得初始目标框；

对所述初始目标框的初始置信度进行重新评分，以筛选出最终目标检测结果。

8.根据权利要求6所述的方法，其特征在于，所述目标检测模型由权利要求1-5中任一项所述的训练方法训练得到。

9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有程序数据，其特征在于，所述程序数据被处理器执行时实现权利要求1至8中任一项所述的方法。