[发明专利]模型训练方法、目标检测方法及相关装置

权利要求书

1.一种模型训练方法，其特征在于，用于对预设深度神经网络进行训练，所述预设深度神经网络包括预测模块，所述预测模块使用Cascade RCNN且使用CBNet作为Cascade RCNN的特征提取网络，所述模型训练方法包括：

获取训练数据集，所述训练数据集中的每个训练数据包括一个训练图像和所述训练图像对应的标注检测信息，所述训练图像对应的标注检测信息包括所述训练图像对应的标注分类信息和标注边界框信息；

利用所述训练数据集训练所述预设深度神经网络，得到目标检测模型。

2.根据权利要求1所述的模型训练方法，其特征在于，所述预设深度神经网络还包括数据增广模块，所述利用所述训练数据集训练所述预设深度神经网络，得到目标检测模型，包括：

将至少一个所述训练图像输入所述数据增广模块，得到至少一个所述训练图像对应的增广图像；

以至少一个所述训练图像及其对应的标注检测信息作为源域，以至少一个所述训练图像对应的增广图像作为增广域，利用所述源域和所述增广域对所述预设深度神经网络进行训练，以减小所述增广域和所述源域的数据分布差异；

获取至少一个所述训练图像对应的增广图像的标注检测信息；

获取目标域；

以至少一个所述训练图像对应的增广图像及其对应的标注检测信息作为新的增广域，利用所述新的增广域和所述目标域对所述预设深度神经网络进行训练，以减小所述增广域与所述目标域的数据分布差异；

将训练出的所述预设深度神经网络作为所述目标检测模型。

3.根据权利要求2所述的模型训练方法，其特征在于，所述数据增广模块是生成器，所述预设深度神经网络还包括特征提取模块、梯度反转层和域鉴别器，所述对所述预设深度神经网络进行训练，包括：

将输入图像输入所述特征提取模块，得到所述输入图像对应的第一特征信息和第二特征信息，所述输入图像具有对应的标注检测信息或者不具有对应的标注检测信息；

将所述输入图像对应的第一特征信息输入所述预测模块，得到所述输入图像对应的预测检测信息，所述输入图像对应的预测检测信息包括所述输入图像对应的预测分类信息和预测边界框信息；

当所述输入图像具有对应的标注检测信息时，基于所述输入图像对应的标注检测信息和预测检测信息，对所述预测模块进行训练；

将所述输入图像对应的第一特征信息和第二特征信息输入所述梯度反转层，得到所述输入图像对应的梯度反转信息；

将所述输入图像对应的梯度反转信息输入所述域鉴别器，得到所述输入图像对应的域鉴别信息；

基于所述输入图像对应的域鉴别信息，以对抗学习方式对所述生成器和所述域鉴别器进行训练。

4.根据权利要求3所述的模型训练方法，其特征在于，所述预测模块包括特征提取网络和双头结构；

所述将所述输入图像对应的第一特征信息输入所述预测模块，得到所述输入图像对应的预测检测信息，包括：

将所述输入图像对应的第一特征信息输入所述特征提取网络，得到所述输入图像对应的特征提取信息；

将所述输入图像对应的特征提取信息输入所述双头结构，得到所述输入图像对应的预测检测信息。

5.根据权利要求4所述的模型训练方法，其特征在于，所述将所述输入图像对应的第一特征信息输入所述特征提取网络，得到所述输入图像对应的特征提取信息，包括：

将所述输入图像的宽和高中的长边缩放至预设长度值，将所述输入图像的宽和高中的短边缩放至预设长度范围中的任意值；

确定包含所述输入图像的多个输入图像；

以所述多个输入图像中短边的最大值为基准值，将其余输入图像的短边填充至所述基准值；

将所述多个输入图像以批的形式输入所述特征提取网络，得到所述多个输入图像对应的特征提取信息，所述多个输入图像对应的特征提取信息包括所述输入图像对应的特征提取信息。