[发明专利]模型训练方法、目标检测方法及相关装置

说明书

本申请提供了模型训练方法、目标检测方法及相关装置，所述模型训练方法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。模型训练方法可以得到一种更加稳定、准确率更高、适用范围广的目标检测模型。

技术领域

本申请涉及深度学习技术领域，尤其涉及模型训练方法、目标检测方法及相关装置。

背景技术

目标检测是目前计算机视觉领域非常热门的研究方向，是无人驾驶技术等领域中的重要环节。

现有技术CN110942000A公开了一种基于深度学习的无人驾驶车辆目标检测方法，该方法通过生成目标物体的三维模板对目标物体进行采样，结合生成的三维模板和物体采样策略对输入的图像生成候选框；对生成的候选框进行特征提取，构建目标函数；基于得到的目标函数，使用结构化支持向量机分类器完成对目标函数权值的训练和目标物体的初步检测；改进区域候选网络，构建效率更高的HRPN网络；基于构建的HRPN网络，训练FasterRCNN监测模型，再将结构化支持向量机分类器得到的初步检测结果输入网络进行训练，训练结束后将模型参数信息和结构信息保存，用于进行目标检测。

但是上述目标检测方法，还存在一个很关键的问题，就是稳定性较差，准确率低，适用范围受影响。

发明内容

本申请的目的在于提供模型训练方法、目标检测方法及相关装置，使训练得到的目标检测模型更加稳定、准确率更高且适用范围广。

本申请的目的采用以下技术方案实现：

第一方面，本申请提供了一种模型训练方法，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。

该技术方案的有益效果在于，使用CBNet作为Cascade RCNN的特征提取网络，CBNet对特征提取能力更强，精度更高，进而可以适用在更多场景中。利用该方法训练得到的目标检测模型用于执行目标检测任务，更加稳定、准确率更高、适用范围广。

在一些可选的实施例中，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。