[发明专利]多目标检测方法、装置、电子设备及存储介质

权利要求书

1.一种多目标检测方法，其特征在于，所述方法包括：

初始化学生模型的第一网络结构和教师模型的第二网络结构；

根据给定的多个类别的样本数据集确定批次训练中单个类别的样本采样数量，根据所述样本采样数量从所述给定的多个类别的样本数据集中获取多个训练样本数据；

将所述多个训练样本数据输入所述第一网络结构中进行训练得到多个第一预测类别标签，及输入所述第二网络结构中进行训练得到多个第二预测类别标签；

根据所述多个第一预测类别标签及所述多个第二预测类别标签更新所述学生模型的网络参数；

根据所述学生模型更新后的网络参数，对所述教师模型的网络参数进行更新；

当满足迭代训练结束条件时，结束对所述学生模型和所述教师模型的训练过程，得到多目标检测器；

使用所述多目标检测器对目标数据进行检测。

2.如权利要求1所述的多目标检测方法，其特征在于，所述初始化学生模型的第一网络结构和教师模型的第二网络结构包括：

初始化网络结构相同的所述第一网络结构和所述第二网络结构，其中，所述第一网络结构和所述第二网络结构采用共享的骨干网络；

将所述第一网络结构的骨干网络与多个第一检测分支进行连接；

将所述第二网络结构的骨干网络与多个第二检测分支进行连接；

其中，所述多个第一检测分支的数量与所述多个第二检测分支的数量均与所述样本数据集的类别的数量一致，且每个所述第一检测分支及每个所述第二检测分支均用于检测一个所述类别。

3.如权利要求2所述的多目标检测方法，其特征在于，所述根据给定的多个类别的样本数据集确定批次训练中单个类别的样本采样数量包括：

计算每个类别的样本数据集的样本数量；

根据多个所述样本数量确定最小样本数量；

根据所述最小样本数量确定所述样本采样数量，其中，所述样本采样数量小于或等于所述最小样本数量。

4.如权利要求2所述的多目标检测方法，其特征在于，所述根据所述多个第一预测类别标签及所述多个第二预测类别标签更新所述学生模型的网络参数包括：

对于所述学生模型的每个所述第一检测分支，判断所述多个训练样本数据中是否存在与所述第一检测分支对应的目标训练样本数据；

当存在所述目标训练样本数据，根据所述第一检测分支输出的所述第一预测类别标签及所述目标训练样本数据的标注类别标签，计算第一损失函数值；

获取所述多个训练样本数据中除所述目标训练样本数据之外的多个剩余样本数据；

对于每个所述剩余样本数据，根据所述剩余样本数据对应的所述第二检测分支输出的所述第二预测类别标签，及所述剩余样本数据对应的所述第一检测分支输出的所述第一预测类别标签，计算第二损失函数值；

根据所述第一损失函数值及所述第二损失函数值对对应的所述第一检测分支进行迭代训练，并更新所述学生模型的网络参数。

5.如权利要求4所述的多目标检测方法，其特征在于，所述根据所述第一损失函数值及所述第二损失函数值对对应的所述第一检测分支进行迭代训练，并更新所述学生模型的网络参数包括：

获取所述学生模型的网络参数的梯度；

对所述梯度与预设梯度阈值进行比较，得到比较结果；

根据所述比较结果将所述梯度更新为目标梯度；

根据所述第一损失函数值及所述第二损失函数值计算总损失函数值；

基于所述总损失函数值、所述目标梯度以及获取的预设学习率，更新所述学生模型的网络参数。

6.如权利要求5所述的多目标检测方法，其特征在于，所述根据所述比较结果将所述梯度更新为目标梯度包括：

当所述比较结果为所述梯度大于所述预设梯度阈值，计算所述梯度的范数；

计算所述范数与所述预设梯度阈值的比值，确定缩放因子；

基于所述缩放因子与所述梯度的乘积，得到所述目标梯度。