[发明专利]目标检测模型的训练方法、目标检测方法及相关装置

权利要求书

1.一种目标检测模型的训练方法，其特征在于，所述训练方法包括：

对样本图像进行特征提取以获得特征提取图像；

对所述特征提取图像进行特征融合以获得特征融合图像；

基于无锚框算法对所述特征融合图像进行预测以获得相应的第一损失、以及基于有锚框算法对所述特征融合图像进行预测以获得相应的第二损失；

基于所述第一损失以及所述第二损失获得总损失；

基于所述总损失调整所述目标检测模型的参数，以使得将待测图像输入至训练后的所述目标检测模型后能够基于无锚框算法获得相应的预测目标框。

2.根据权利要求1所述的训练方法，其特征在于，所述基于所述第一目标框对应的第一损失以及所述第二目标框对应的第二损失获得总损失的步骤，包括：

基于所述第一目标框与所述样本图像的真实值获得所述第一损失、以及基于所述第二目标框与所述样本图像的真实值获得所述第二损失；其中，所述第一损失和所述第二损失分别包括相应的分类损失、回归损失和置信度损失；

获得所述第一损失与第一权重的第一乘积、以及所述第二损失与第二权重的第二乘积；其中，所述第一权重大于0、所述第二权重大于0、且所述第一权重大于所述第二权重；

将所述第一乘积与所述第二乘积之和作为所述总损失。

3.根据权利要求1所述的训练方法，其特征在于，所述基于无锚框算法对所述特征融合图像进行预测以获得相应的第一损失、以及基于有锚框算法对所述特征融合图像进行预测以获得相应的第二损失的步骤，包括：

获得基于无锚框算法对所述特征融合图像进行预测得到的多个第一样本、以及基于有锚框算法对所述特征融合图像进行预测得到的多个第二样本；

基于第一样本分配方式从所述多个第一样本和所述多个第二样本中获得多个正样本；

基于无锚框算法对所述多个正样本进行预测以获得相对应的第一损失、以及基于有锚框算法对所述多个正样本进行预测以获得相对应的第二损失。

4.根据权利要求3所述的训练方法，其特征在于，

所述第一样本分配算法包括SimOTA算法。

5.根据权利要求1所述的训练方法，其特征在于，

所述对样本图像进行特征提取以获得特征提取图像的步骤，包括：对所述样本图像依次进行下采样和最大池化操作以获得样本特征图；对所述样本特征图进行特征提取以获得第一特征提取图像；对所述第一特征提取图像进行特征提取以获得第二特征提取图像；对所述第二特征提取图像进行特征提取以获得第三特征提取图像；

所述对所述特征提取图像进行特征融合以获得特征融合图像的步骤，包括：基于所述第二特征提取图像和所述第三特征提取图像获得第一中间融合图像；基于所述第一特征提取图像和所述第一中间融合图像获得第一特征融合图像；基于所述第一特征融合图像和所述第一中间融合图像获得第二特征融合图像；基于所述第二特征融合图像和所述第三特征提取图像获得第三特征融合图像。

6.根据权利要求1所述的训练方法，其特征在于，

所述目标检测模型包括特征提取网络和特征融合网络、以及并排设置的基于无锚框算法的第一预测网络和基于有锚框算法的第二预测网络；其中，

所述特征提取网络用于对样本图像进行特征提取以获得特征提取图像；

所述特征融合网络与所述特征提取网络连接，用于对所述特征提取图像进行特征融合以获得特征融合图像；

所述第一预测网络与所述特征融合网络连接，用于基于无锚框算法对所述特征融合图像进行预测以获得相应的第一损失；

所述第二预测网络与所述特征融合网络连接，用于基于有锚框算法对所述特征融合图像进行预测以获得相应的第二损失。

7.根据权利要求6所述的训练方法，其特征在于，

所述特征提取网络包括多个轻量级特征提取模块，每个所述轻量级特征提取模块输出一个特征提取图像至所述特征融合网络；

且相邻的两个轻量级特征提取模块中的一个轻量级特征提取模块的输出为另一个轻量级特征提取模块的输入，不同轻量级特征提取模块输出的特征提取图像的尺寸不同。