[发明专利]目标检测模型的训练方法、装置、设备及存储介质

权利要求书

1.一种目标检测模型的训练方法，包括：

通过初始模型的分类网络，对样本图像的特征图进行处理得到所述特征图的热度图和分类预测结果，根据所述分类预测结果和所述样本图像的分类监督数据确定分类损失值，并根据所述特征图的热度图确定所述特征图中像素点的类别概率，以得到所述特征图的概率分布图；

通过所述初始模型的回归网络，对所述特征图进行处理得到回归预测结果，并根据所述概率分布图、所述回归预测结果和所述样本图像的回归监督数据，确定回归损失值；

根据所述回归损失值和所述分类损失值，对所述初始模型进行训练，得到目标检测模型。

2.根据权利要求1所述的方法，其中，通过初始模型的分类网络，对所述特征图进行处理得到所述特征图的热度图，并根据所述特征图的热度图确定所述特征图中像素点的类别概率，包括：

通过所述分类网络中的第一子网络，对所述特征图进行处理，得到所述特征图的热度图；

通过所述分类网络中的第二子网络，对所述特征图的热度图进行降维和激活处理，得到所述特征图中像素点的类别概率。

3.根据权利要求1所述的方法，其中，根据所述概率分布图、所述回归预测结果和所述样本图像的回归监督数据，确定回归损失值，包括：

计算所述回归监督数据和回归预测结果的交并比；

根据所述交并比和所述概率分布图，确定回归损失值。

4.根据权利要求1所述的方法，还包括：

通过初始模型的特征提取网络，提取所述样本图像的特征图。

5.根据权利要求4所述的方法，其中，所述特征提取网络包括骨干网络、上采样网络和特征融合网络，所述骨干网络自底向上包括至少两个特征提取层；

相应地，通过初始模型的特征提取网络，提取所述样本图像的特征图，包括：

将所述样本图像输入所述骨干网络，得到所述至少两个特征提取层的输出结果；

将所述至少两个特征提取层中顶层的输出结果输入所述上采样网络，得到采样结果；

将所述采样结果和所述至少两个特征提取层中底层的输出结果输入到所述特征融合网络，进行特征融合，得到所述样本图像的特征图。

6.根据权利要求4所述的方法，还包括：

采用数据混合算法和/或数据删除算法对原始图像进行数据增强，得到样本图像。

7.根据权利要求1所述的方法，还包括：

将目标图像的特征图输入所述目标检测模型，得到所述目标图像的分类预测结果和回归预测结果。

8.一种目标检测模型的训练装置，包括：

分类处理模块，用于通过初始模型的分类网络，对样本图像的特征图进行处理得到所述特征图的热度图和分类预测结果，根据所述分类预测结果和所述样本图像的分类监督数据确定分类损失值，并根据所述特征图的热度图确定所述特征图中像素点的类别概率，以得到所述特征图的概率分布图；

回归处理模块，用于通过所述初始模型的回归网络，对所述特征图进行处理得到回归预测结果，并根据所述概率分布图、所述回归预测结果和所述样本图像的回归监督数据，确定回归损失值；

模型训练模块，用于根据所述回归损失值和所述分类损失值，对所述初始模型进行训练，得到目标检测模型。

9.根据权利要求8所述的装置，其中，所述分类处理模块具体用于：

通过所述分类网络中的第一子网络，对所述特征图进行处理，得到所述特征图的热度图；

通过所述分类网络中的第二子网络，对所述特征图的热度图进行降维和激活处理，得到所述特征图中像素点的类别概率。

10.根据权利要求8所述的装置，其中，所述回归处理模块具体用于：

计算所述回归监督数据和回归预测结果的交并比；

根据所述交并比和所述概率分布图，确定回归损失值。