[发明专利]基于SE-FPN的目标检测模型训练方法、目标检测方法及装置

权利要求书

1.一种基于SE-FPN的目标检测模型训练方法，其特征在于，包括步骤：

对从数据集获取的多张训练图片按不同的缩放系数进行缩放后，拼接成一张新的图片，并将多张训练图片对应的目标标签做相同的缩放和拼接处理，所述新的图片包括多个不同大小的目标；

将所述多个不同大小的目标按照预定的分配策略分配到SE-FPN目标检测模型的不同金字塔特征层；

在每个金字塔特征层中，根据分配到该层的训练样本的真值找到离中心点最近的m个位置，分别计算m个位置所有锚与真值的DIoUD_g，计算D_g的均值m_g和标准差v_g，得到阈值t_g=max(0.2，|m_g-v_g|)，选择大于t_g且在目标框内的中心位置和锚输出；若没有符合条件的锚，则选择D_g最大的锚和中心位置输出；

分别计算分类损失函数和位置回归函数，并通过反向传播算法训练模型。

2.根据权利要求1所述的基于SE-FPN的目标检测模型训练方法，其特征在于，SE-FPN目标检测模型包括三层特征金字塔，将所述多个不同大小的目标按照如下分配策略分配到SE-FPN目标检测模型的不同金字塔特征层：

如果目标的宽和高都大于等于第一分配阈值T_l，分配到第一层特征金字塔，即最上层的金字塔层；

如果目标的宽和高都大于第二分配阈值T_m但小于第一分配阈值T_l，则分配到第二个金字塔层;

否则分配到第三个金字塔层；

所述第一分配阈值T_l大于第二分配阈值T_m。

3.根据权利要求1所述的基于SE-FPN的目标检测模型训练方法，其特征在于，DIoUD_g的计算公式为：

，

其中，IoU表示预测和样本真值之间的IoU数值，表示预测中心b与目标真实中心b^gt的欧式距离，d表示能够同时覆盖锚和目标框的最小矩形的对角线距离。

4.根据权利要求1所述的基于SE-FPN的目标检测模型训练方法，其特征在于，分类损失函数采用交叉熵损失函数，位置回归函数采用CIoU损失函数。