[发明专利]一种基于神经网络的目标检测方法和装置

说明书

本发明涉及一种基于神经网络的目标检测方法和装置，获取初始训练样本集，基于预设的分类模型以及损失预测模型，获取各初始样本对应的第一损失预测结果，并根据第一损失预测结果，从各初始样本中筛选出目标样本，各目标样本构成目标训练样本集，对目标训练样本集进行标注，得到标注数据，将训练样本集和标注数据输入至预设神经网络中进行训练，得到目标检测模型，根据目标检测模型进行目标检测。相较于人工获取的方式，本发明提供的目标检测方法节约时间，无需投入人力，而且，能够降低其中存在的质量较差或者毫不相关的样本个数，进而提升后续训练得到的网络模型的检测性能，最终提升检测结果。

技术领域

本发明涉及一种基于神经网络的目标检测方法和装置。

背景技术

目前，基于神经网络的数据处理方法的应用越来越广泛，比较主流的神经网络包括深度神经网络DNN(Deep Neural Network)、卷积神经网络CNN(Convolutional NeuralNetworks)、循环神经网RNN(Recurrent Neural Networks)和基于注意力机制的Transformer模型。比较主流的基于神经网络的数据处理方法为基于神经网络的目标检测方法，在不同应用场景中目标是不同的，可以为缺陷检测方法、故障检测方法等等。基于神经网络的目标检测方法的第一步均为获取训练样本集，训练样本集包括多个样本数据，比如样本图像。然而，目前的训练样本集的获取方式为人工获取的方式，费时费力，而且，可能存在质量较差或者毫不相关的样本数据，进而影响后续训练得到的网络模型的检测性能，最终影响检测结果。

发明内容

本发明提供一种基于神经网络的目标检测方法和装置，用于解决现有的基于神经网络的目标检测方法中训练得到的网络模型的检测性能较差，进而影响检测结果的技术问题。

本发明采用以下技术方案：

一种基于神经网络的目标检测方法，包括：

获取初始训练样本集，所述初始训练样本集包括至少两个初始样本；

基于预设的分类模型以及损失预测模型，获取各初始样本对应的第一损失预测结果，并根据各初始样本对应的第一损失预测结果，从各初始样本中筛选出目标样本，各目标样本构成目标训练样本集；

对所述目标训练样本集进行标注，得到标注数据；

将所述训练样本集和标注数据输入至预设神经网络中进行训练，得到目标检测模型；

根据所述目标检测模型进行目标检测。

更优地，所述基于预设的分类模型以及损失预测模型，获取各初始样本对应的第一损失预测结果，具体为：

根据所述分类模型中的卷积层获得初始样本的第一层特征向量；

根据所述损失预测模型获得所述第一层特征向量的第一损失预测结果。

更优地，所述分类模型包括至少两个卷积层，每一个卷积层输出一个第一层特征向量；

所述损失预测模型包括至少两个损失预测子模型和分类器，各损失预测子模型与各卷积层一一对应，每一个损失预测子模型的输入为对应的卷积层所输出的第一层特征向量；

相应地，所述根据所述损失预测模型获得所述第一层特征向量的第一损失预测结果，具体为：

对于任意一个第一层特征向量，将该第一层特征向量输入至该第一层特征向量对应的损失预测子模型中，获得该损失预测子模型针对该第一层特征向量所输出的第一向量；

根据各个第一向量，获得第二向量；

根据所述第二向量和所述分类器，获得所述第一损失预测结果。

更优地，各初始样本对应的第一损失预测结果包括各初始样本对应的预测损失值；