[发明专利]目标检测模型训练、检测方法、设备及存储介质

说明书

本申请目标检测模型训练、检测方法、设备及存储介质，其中，目标检测模型训练方法包括：获取训练图像，对其中的样本目标进行标注；将训练图像输入目标检测模型，以获取训练图像的预测目标；其中，目标检测模型包括主干网络，主干网络包括若干个卷积层，每个卷积层包括若干个滤波器组，每各滤波器组包括由一个滤波器旋转和/或翻转获得的预定数量个滤波器，同个滤波器组的滤波器间共享权值；以预测目标与样本目标差异最小化为目标，及每个滤波器组的滤波器间的余弦相似性最小化为目标，训练目标检测模型。从而同组滤波器共享相同参数，减少不相关的滤波器的数量，有效减少目标检测模型的参数数量，同时保证特征提取的有效性和目标检测的精确性。

技术领域

本申请属于目标检测技术领域，具体涉及目标检测模型训练、检测方法、设备及存储介质。

背景技术

图像的目标检测是计算机视觉经典四个任务中的一个，与目标识别不同，其需要检测出同一图片中存在的多个目标。由于该类算法的复杂性，需要神经网络模型包含大量可训练参数，才能达到较好的检测效果，因此神经网络模型效率低；而现有减少参数数量的方法会导致神经网络模型的检测精度降低。

因此，如何减少神经网络模型的参数数量及模型体积，同时保证神经网络的检测精确度是亟待解决的问题。

发明内容

本申请提供目标检测模型训练、检测方法、设备及存储介质，以解决神经网络模型参数数量大的技术问题。

为解决上述技术问题，本申请采用的一个技术方案是：一种目标检测模型训练方法，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。

根据本申请一实施方式，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。

根据本申请一实施方式，所述同组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，同组所述滤波器组的所述滤波器间共享权重和权值修正量。

根据本申请一实施方式，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。

根据本申请一实施方式，每组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。

为解决上述技术问题，本申请采用的又一个技术方案是：一种基于目标检测模型的检测方法，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。