CN110827253A - 一种目标检测模型的训练方法、装置及电子设备 - Google Patents

一种目标检测模型的训练方法、装置及电子设备 Download PDF

Info

Publication number
CN110827253A
CN110827253A CN201911047960.2A CN201911047960A CN110827253A CN 110827253 A CN110827253 A CN 110827253A CN 201911047960 A CN201911047960 A CN 201911047960A CN 110827253 A CN110827253 A CN 110827253A
Authority
CN
China
Prior art keywords
target
loss
preset
network model
trained
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911047960.2A
Other languages
English (en)
Inventor
冯文雅
宋丛礼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Reach Best Technology Co Ltd
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Reach Best Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Reach Best Technology Co Ltd filed Critical Reach Best Technology Co Ltd
Priority to CN201911047960.2A priority Critical patent/CN110827253A/zh
Publication of CN110827253A publication Critical patent/CN110827253A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种目标检测模型的训练方法、装置及电子设备，该方法包括：在预设训练图像集中选取样本图像输入待训练的网络模型，得到样本图像中预测目标的预测位置信息与预测概率；根据预测位置信息与预设回归函数，计算待训练的网络模型的第一损失；根据预测概率与预设焦点损失函数，计算待训练的网络模型的第二损失；通过预设目标损失函数计算待训练的网络模型的目标损失；根据目标损失对待训练的网络模型进行调整，得到训练好的网络模型。根据本申请的技术方案实现了通过预设的焦点损失函数根据不同正样本的比例进行权重的修正，从而使训练得到的模型可以适应不同正样本比例，从而提高待检测图像中目标的检测精度。

Description

一种目标检测模型的训练方法、装置及电子设备
技术领域
本申请涉及信息技术领域，特别是涉及一种目标检测模型的训练方法、装置及电子设备。
背景技术
目前，目标检测作为计算机视觉领域的一项关键技术，在很多应用程序中有着广泛的应用。尤其随着近几年移动网络的提速和移动端设备的普及，在移动端等设备运行目标检测算法的需求也越来越多。通过目标检测算法可以对图像中的人或物体等目标进行检测，一般通过获取多个目标候选区域分别判断各个候选区域是否为目标或采用分类和回归混合的损失函数进行目标的检测。
然而，通过获取多个目标候选区域分别判断各个候选区域是否为目标的方法，所需要的计算量比较大所耗费内存也较大，尤其对于移动端往往难以满足计算的需求，而在使用分类和回归混合的损失函数，进行目标检测时，由于自然世界中图像中的目标和非目标比例相差悬殊，往往出现各类样本中目标的不均衡，导致损失函数的收敛情况不佳，收敛后模型检测精度差的问题。
发明内容
本申请实施例的目的在于提供一种目标检测模型的训练方法、装置及电子设备，以实现解决目标检测模型检测精度差的问题。具体技术方案如下：
第一方面，本申请提供了一种目标检测模型的训练方法，包括：
在预设训练图像集中选取样本图像输入待训练的网络模型，通过待训练的网络模型对样本图像进行检测，得到样本图像中预测目标的预测位置信息与预测概率，其中，样本图像包括正样本图像及负样本图像，正样本图像中包括预设检测目标及预设检测目标的标记，负样本图像中不包括预设检测目标，预测概率为预测目标为正确目标的概率；
根据预测位置信息与预设回归函数，计算待训练的网络模型的第一损失；
根据预测概率与预设焦点损失函数，计算待训练的网络模型的第二损失，其中，预设焦点损失函数表示为权重与分类损失函数的乘积，权重与预测概率负相关；
根据第一损失与第二损失，通过预设目标损失函数计算待训练的网络模型的目标损失；
根据目标损失对待训练的网络模型的参数进行调整，直至满足预设的结束条件，得到训练好的网络模型。
可选的，预设回归函数为：
L1＝MSE
其中，MSE为预测位置信息与样本图像中正确位置信息之间的均方误差。
可选的，预设焦点损失函数为：
L2＝-(1-p)αlog(p)
其中，L2为第二损失，p为预测概率，α为权重指数。
可选的，预设目标损失函数为
L3＝w*L1+L2+b
其中，L1为第一损失，L2为第二损失，L3为网络模型的目标损失，w及b均为预设的可学习参数。
可选的，预设的结束条件包括：
待训练的网络模型的目标检测的正确率达到预设正确率阈值；
和/或，待训练的网络模型的训练次数达到预设训练次数阈值。
第二方面，本申请提供了一种目标检测方法，包括：
获取待检测图像；
将待检测图像输入预先训练好的网络模型，得到检测结果，其中，预先训练好的网络模型为通过上述任一目标检测模型的训练方法得到的模型。
第三方面，本申请提供了一种目标检测模型的训练装置，包括：
模型训练模块，用于在预设训练图像集中选取样本图像输入待训练的网络模型，通过待训练的网络模型对样本图像进行检测，得到样本图像中预测目标的预测位置信息与预测概率，其中，样本图像包括正样本图像及负样本图像，正样本图像中包括预设检测目标及预设检测目标的标记，负样本图像中不包括预设检测目标，预测概率为预测目标为正确目标的概率；
损失计算模块，用于根据预测位置信息与预设回归函数，计算待训练的网络模型的第一损失；
第二损失模块，用于根据预测概率与预设焦点损失函数，计算待训练的网络模型的第二损失，其中，预设焦点损失函数表示为权重与分类损失函数的乘积，权重与预测概率负相关；
目标损失模块，用于根据第一损失与第二损失，通过预设目标损失函数计算待训练的网络模型的目标损失；
参数调整模块，用于根据目标损失对待训练的网络模型的参数进行调整，直至满足预设的结束条件，得到训练好的网络模型。
可选的，预设回归函数为：
L1＝MSE
其中，MSE为预测位置信息与样本图像中正确位置信息之间的均方误差。
可选的，预设焦点损失函数为：
L2＝-(1-p)αlog(p)
其中，L2为第二损失，p为预测概率，α为权重指数。
可选的，预设目标损失函数为
L3＝w*L1+L2+b
其中，L1为第一损失，L2为第二损失，L3为网络模型的目标损失，w及b均为预设的可学习参数。
可选的，预设的结束条件包括：
待训练的网络模型的目标检测的正确率达到预设正确率阈值；
和/或，待训练的网络模型的训练次数达到预设训练次数阈值。
第四方面，本申请提供了一种目标检测装置，包括：
图像获取模块，用于获取待检测图像；
样本概率模块，用于将待检测图像输入预先训练好的网络模型，得到检测结果，其中，预先训练好的网络模型为通过上述任一目标检测模型的训练方法得到的模型。
根据本公开实施例的第五方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现上述任一目标检测模型的训练方法。
根据本公开实施例的第六方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现上述任一目标检测方法。
根据本公开实施例的第七方面，提供一种存储介质，
当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一目标检测模型的训练方法。
根据本公开实施例的第八方面，提供一种存储介质，
当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一目标检测方法。
根据本公开实施例的第九方面，提供一种计算机程序产品，当计算机程序产品被计算机执行时，使得计算机能够执行上述任一目标检测模型的训练方法。
根据本公开实施例的第十方面，提供一种计算机程序产品，当计算机程序产品被计算机执行时，使得计算机能够执行上述任一目标检测方法。
本申请实施例提供了一种目标检测模型的训练方法、装置及电子设备，该方法包括：在预设训练图像集中选取样本图像输入待训练的网络模型，通过待训练的网络模型对样本图像进行检测，得到样本图像中预测目标的预测位置信息与预测概率；根据预测位置信息与预设回归函数，计算待训练的网络模型的第一损失；根据预测概率与预设焦点损失函数，计算待训练的网络模型的第二损失；根据第一损失与第二损失，通过预设目标损失函数计算待训练的网络模型的目标损失；根据目标损失对待训练的网络模型的参数进行调整，直至满足预设的结束条件，得到训练好的网络模型。根据本申请的技术方案实现了通过预设回归函数与预设焦点损失函数对上述待训练的网络模型进行修正，通过预设的焦点损失函数根据不同正样本的比例进行权重的修正得到训练好的网络模型，从而使训练得到的模型可以适应不同正样本比例，从而提高待检测图像中目标的检测精度。当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种目标检测模型的训练方法的一种流程图；
图2是根据一示例性实施例示出的一种目标检测模型的训练方法的另一种流程图；
图3是根据一示例性实施例示出的一种目标检测模型的训练装置的一种框图；
图4是根据一示例性实施例示出的一种目标检测模型的训练装置的另一种框图；
图5是根据一示例性实施例示出的一种电子设备示意图；
图6是根据一示例性实施例示出的另一种电子设备示意图；
图7是根据一示例性实施例示出的一种存储介质示意图；
图8是根据一示例性实施例示出的另一种存储介质示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例的目标检测模型的训练方法针对的是智能终端设备中的模型，因此可以通过智能终端设备执行，具体的，该智能终端设备可以为专门用于进行模型训练的设备，也可以为进行模型的训练，并通过自身训练得到的模型进行图像检测的设备，该智能终端设备可以为电脑或服务器等。
图1是根据一示例性实施例示出的一种目标检测模型的训练方法的一种流程图，如图1所示，目标检测方法用于目标检测模型的训练过程中，包括以下步骤。
在步骤S11中，在预设训练图像集中选取样本图像输入待训练的网络模型，通过待训练的网络模型对样本图像进行检测，得到样本图像中预测目标的预测位置信息与预测概率。
其中，样本图像包括正样本图像及负样本图像，正样本图像中包括预设检测目标及预设检测目标的标记，负样本图像中不包括预设检测目标，预测概率为预测目标为正确目标的概率。预测位置信息为预测目标在样本图像中的位置，预测目标为待训练的网络模型判定的预测目标，预测概率为预测目标为正确目标的概率。
其中，预设训练图像集可以包括多张样本图像，样本图像可以为多种类型的图形，例如样本图像可以为直接获取的独立的图像，也可以为所获取的视频中的某一帧。同时本申请实施例对上述待检测图像的格式不进行限定，该图像的格式可以为多种类型的格式，例如JPG(Joint Photographic Experts Group)，PNG(Portable Network Graphics)等。
例如，当上述待训练的网络模型用于对人脸进行检测时，所使用的正样本为包含人脸的图片，负样本为不包含人脸的图片。对图像集中人脸和多只动物的脸部进行人脸检测时，人脸为正确目标，动物的脸为非正确目标。所得到的预测位置为人脸在上述样本图像中的位置。预测概率为上述待训练的网络模型计算得到的所检测的目标为正确目标的概率。例如，待训练的网络模型计算得到的检测目标为目标人脸的概率。
其中，在预设验证图像集中选取样本图像输入待训练的网络模型，通过待训练的网络模型对样本图像进行检测，得到样本图像中预测目标的预测位置信息与预测概率，可以为通过预设回归函数对图像中的预测目标和预测目标的位置进行预测。
可选的，预设回归函数为：
L1＝MSE
其中，MSE为预测位置信息与样本图像中正确位置信息之间的均方误差。
在步骤S12中，根据预测位置信息与预设回归函数，计算待训练的网络模型的第一损失。
其中，上述预设回归函数函数可以为最小二乘损失函数：
L1＝MSE
其中，MSE为均方误差。根据样本图像的预测位置信息通过上述最小二乘损失函数进行计算，可以获取上述最小二乘损失。
在步骤S13中，根据预测概率与预设焦点损失函数，计算待训练的网络模型的第二损失。
其中，预设焦点损失函数表示为权重与分类损失函数的乘积，权重与预测概率负相关。
可选的，预设焦点损失函数为：
L2＝-(1-p)αlog(p)
其中，L2为第二损失，p为预测概率，α为权重指数。
在步骤S14中，根据第一损失与第二损失，通过预设目标损失函数计算待训练的网络模型的目标损失。
可选的，预设目标损失函数为
L3＝w*L1+L2+b
其中，L1为第一损失，L2为第二损失，L3为网络模型的目标损失，w及b均为预设的可学习参数。
通过上述预设目标损失函数可以根据验证图像的检测结果对上述待训练的网络模型进行判断。其中，通过预设目标损失函数计算得到的损失越大表示模型记性目标检测的质量越差，反之损失越小表示模型进行目标检测的质量越好，即精度越高。可选的在模型训练过程中，上述w与b的初始值可以分别设为1，0。
在步骤S15中，根据目标损失对待训练的网络模型的参数进行调整，直至满足预设的结束条件，得到训练好的网络模型。
其中，对待训练的网络模型的参数进行调整可以为对上述待训练的网络模型的多种参数进行调整。可选的，权重包括权重指数，基于减小目标损失的原则，对待训练的网络模型的参数进行调整，包括：基于减小目标损失的原则，对焦点损失函数的权重指数进行调整。在本申请实施例中还可以包括对预设损失函数的参数进行调整。例如，对焦点损失函数中权重指数α进行调整，对预设目标损失函数中w与b进行调整。
其中，基于减小目标损失的原则，对焦点损失函数的权重指数进行调整。由于本申请中正负样本的比例不同，因此所得到的正负样本的权重(1-p)α也不同，通过对焦点损失函数的权重指数进行调整，可以提高正样本的权重，减少负样本的权重，从而使模型的训练聚焦在无法正确分类的样本上而不是大量的可以正确分类的样本上。
通过本申请实施例的目标检测方法，通过预设回归函数与预设焦点损失函数对上述待训练的网络模型进行修正，通过预设的焦点损失函数根据不同正样本的比例进行权重的修正得到训练好的网络模型，从而使训练得到的模型可以适应不同正样本比例，从而提高待检测图像中目标的检测精度。
图2是根据一示例性实施例示出的一种目标检测模型的训练方法的另一种流程图，如图2所示，目标检测方法用于目标检测模型的训练过程中，包括以下步骤。
在步骤S11中，在预设训练图像集中选取样本图像输入待训练的网络模型，通过待训练的网络模型对样本图像进行检测，得到样本图像中预测目标的预测位置信息与预测概率.
其中，样本图像包括正样本图像及负样本图像，正样本图像中包括预设检测目标及预设检测目标的标记，负样本图像中不包括预设检测目标，预测概率为预测目标为正确目标的概率。
在步骤S12中，根据预测位置信息与预设回归函数，计算待训练的网络模型的第一损失。
在步骤S13中，根据预测概率与预设焦点损失函数，计算待训练的网络模型的第二损失。
其中，预设焦点损失函数表示为权重与分类损失函数的乘积，权重与预测概率负相关
可选的，预设焦点损失函数为：
L2＝-(1-p)αlog(p)
其中，L2为第二损失，p为预测概率，α为权重指数。
在步骤S14中，根据第一损失与第二损失，通过预设目标损失函数计算待训练的网络模型的目标损失。
可选的，预设目标损失函数为
L3＝w*L1+L2+b
其中，L1为第一损失，L2为第二损失，L3为网络模型的目标损失，w及b均为预设的可学习参数。
在步骤S21中，根据目标损失对待训练的网络模型的参数进行调整，直至待训练的网络模型的目标检测的正确率达到预设正确率阈值；和/或，待训练的网络模型的训练次数达到预设训练次数阈值，得到训练好的网络模型。
其中，待训练的网络模型的目标检测的正确率达到预设正确率阈值，可以为待训练的网络模型的目标检测的正确率达到预设正确率阈值；和/或，待训练的网络模型的训练次数达到预设训练次数阈值，则判定训练结束，得到训练好的网络模型。或训练的网络模型的训练次数达到预设训练次数阈值，例如训练500次后判定训练结束，得到训练好的网络模型。
通过本申请实施例的目标检测方法，通过预设回归函数与预设焦点损失函数对上述待训练的网络模型进行修正，通过预设的焦点损失函数根据不同正样本的比例进行权重的修正得到训练好的网络模型，从而使训练得到的模型可以适应不同正样本比例，从而提高待检测图像中目标的检测精度。
本申请实施例还提供了一种目标检测方法，包括：
在步骤A中，获取待检测图像。
在步骤B中，将待检测图像输入预先训练好的网络模型，得到检测结果。
其中，预先训练好的网络模型为通过上述任一目标检测模型的训练方法得到的模型。
通过本申请实施例的目标检测方法，实现了通过预设回归函数与预设焦点损失函数对上述待训练的网络模型进行修正，通过预设的焦点损失函数根据不同正样本的比例进行权重的修正得到训练好的网络模型，从而使所得到的网络模型适应不同正样本比例，从而提高待检测图像中目标的检测精度。
图3是根据一示例性实施例示出的一种目标检测模型的训练装置的一种框图。参照图3，该装置包括模型训练模块121，损失计算模块122，第二损失模块123，目标损失模块124，参数调整模块125。
该模型训练模块121被配置为模型训练模块，用于在预设训练图像集中选取样本图像输入待训练的网络模型，通过待训练的网络模型对样本图像进行检测，得到样本图像中预测目标的预测位置信息与预测概率。
其中，样本图像包括正样本图像及负样本图像，正样本图像中包括预设检测目标及预设检测目标的标记，负样本图像中不包括预设检测目标，预测概率为预测目标为正确目标的概率。
该损失计算模块122被配置为用于根据预测位置信息与预设回归函数，计算待训练的网络模型的第一损失。
该第二损失模块123被配置为用于根据预测概率与预设焦点损失函数，计算待训练的网络模型的第二损失。
其中，预设焦点损失函数表示为权重与分类损失函数的乘积，权重与预测概率负相关。
该目标损失模块124被配置为用于根据第一损失与第二损失，通过预设目标损失函数计算待训练的网络模型的目标损失。
该参数调整模块125被配置为用于根据目标损失对待训练的网络模型的参数进行调整，直至满足预设的结束条件，得到训练好的网络模型。
可选的，上述装置还包括：
样本获取模块，用于获取预设训练图像集和待训练的网络模型；
模型训练模块，用于在预设训练图像集中选取未选取过的样本图像输入到待训练的网络模型中，对待训练的网络模型进行训练。
可选的，预设焦点损失函数为：
L2＝-(1-p)αlog(p)
其中，L2为第二损失，p为预测概率，α为权重指数。
可选的，预设目标损失函数为
L3＝w*L1+L2+b
其中，L1为第一损失，L2为第二损失，L3为网络模型的目标损失，w及b均为预设的可学习参数。
可选的，预设的结束条件包括：
待训练的网络模型的目标检测的正确率达到预设正确率阈值；
和/或，待训练的网络模型的训练次数达到预设训练次数阈值。
通过本申请实施例的目标检测装置，通过预设回归函数与预设焦点损失函数对上述待训练的网络模型进行修正，通过预设的焦点损失函数根据不同正样本的比例进行权重的修正得到训练好的网络模型，从而使训练得到的模型可以适应不同正样本比例，从而提高待检测图像中目标的检测精度。
图4是根据一示例性实施例示出的一种目标检测模型的训练装置的另一种框图。参照图4，该装置包括模型训练模块121，损失计算模块122，第二损失模块123，目标损失模块124，参数调整子模块131。
该模型训练模块121被配置为模型训练模块，用于在预设训练图像集中选取样本图像输入待训练的网络模型，通过待训练的网络模型对样本图像进行检测，得到样本图像中预测目标的预测位置信息与预测概率。
其中，样本图像包括正样本图像及负样本图像，正样本图像中包括预设检测目标及预设检测目标的标记，负样本图像中不包括预设检测目标，预测概率为预测目标为正确目标的概率。
该损失计算模块122被配置为用于根据预测位置信息与预设回归函数，计算待训练的网络模型的第一损失。
该第二损失模块123被配置为用于根据预测概率与预设焦点损失函数，计算待训练的网络模型的第二损失。
其中，预设焦点损失函数表示为权重与分类损失函数的乘积，权重与预测概率负相关。
该目标损失模块124被配置为用于根据第一损失与第二损失，通过预设目标损失函数计算待训练的网络模型的目标损失。
该参数调整子模块131被配置为用于根据目标损失对待训练的网络模型的参数进行调整，直至待训练的网络模型的目标检测的正确率达到预设正确率阈值；和/或，待训练的网络模型的训练次数达到预设训练次数阈值，得到训练好的网络模型。
通过本申请实施例的目标检测装置，通过预设回归函数与预设焦点损失函数对上述待训练的网络模型进行修正，通过预设的焦点损失函数根据不同正样本的比例进行权重的修正得到训练好的网络模型，从而使训练得到的模型可以适应不同正样本比例，从而提高待检测图像中目标的检测精度。
本申请实施例还提供了一种目标检测装置，该装置包括图像获取模块1，样本概率模块2。
该图像获取模块1被配置为用于获取待检测图像。
该样本概率模块2被配置为用于将待检测图像输入预先训练好的网络模型，得到检测结果，其中，预先训练好的网络模型为通过上述任一目标检测模型的训练装置得到的模型。
其中，上述预先训练好的网络模型为通过上述任一网络模型训练方法所得到的网络模型。
通过本申请实施例的目标检测装置，实现了通过预设回归函数与预设焦点损失函数对上述待训练的网络模型进行修正，通过预设的焦点损失函数根据不同正样本的比例进行权重的修正得到训练好的网络模型，从而使所得到的网络模型适应不同正样本比例，从而提高待检测图像中目标的检测精度。
图5是根据一示例性实施例示出的一种电子设备示意图。例如，装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)接口512，传感器组件514，以及通信组件516。
处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理***，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当设备500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
I/O接口512为处理组件502和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到设备500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述目标检测模型的训练方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图6是根据一示例性实施例示出的另一种电子设备示意图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)接口612，传感器组件614，以及通信组件616。
处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理***，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述目标检测方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器620执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图7是根据一示例性实施例示出的一种存储介质示意图。例如，装置700可以被提供为一服务器。参照图7，装置700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行上述目标检测模型的训练方法。
装置700还可以包括一个电源组件726被配置为执行装置700的电源管理，一个有线或无线网络接口750被配置为将装置700连接到网络，和一个输入输出(I/O)接口758。装置700可以操作基于存储在存储器732的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
图8是根据一示例性实施例示出的另一种存储介质示意图。例如，装置800可以被提供为一服务器。参照图8，装置800包括处理组件822，其进一步包括一个或多个处理器，以及由存储器832所代表的存储器资源，用于存储可由处理组件822的执行的指令，例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件822被配置为执行指令，以执行上述目标检测方法。
装置800还可以包括一个电源组件826被配置为执行装置800的电源管理，一个有线或无线网络接口850被配置为将装置800连接到网络，和一个输入输出(I/O)接口858。装置800可以操作基于存储在存储器832的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
根据本公开实施例还提供一种计算机程序产品，当计算机程序产品被计算机执行时，使得计算机能够执行上述任一目标检测模型的训练方法。
根据本公开实施例还提供另一种计算机程序产品，当计算机程序产品被计算机执行时，使得计算机能够执行上述任一目标检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种目标检测模型的训练方法，其特征在于，包括：
在预设训练图像集中选取样本图像输入待训练的网络模型，通过所述待训练的网络模型对所述样本图像进行检测，得到所述样本图像中预测目标的预测位置信息与预测概率，其中，所述样本图像包括正样本图像及负样本图像，所述正样本图像中包括预设检测目标及预设检测目标的标记，所述负样本图像中不包括所述预设检测目标，所述预测概率为所述预测目标为正确目标的概率；
根据所述预测位置信息与预设回归函数，计算所述待训练的网络模型的第一损失；
根据所述预测概率与预设焦点损失函数，计算所述待训练的网络模型的第二损失，其中，所述预设焦点损失函数表示为权重与分类损失函数的乘积，所述权重与所述预测概率负相关；
根据所述第一损失与所述第二损失，通过预设目标损失函数计算所述待训练的网络模型的目标损失；
根据所述目标损失对所述待训练的网络模型的参数进行调整，直至满足预设的结束条件，得到训练好的网络模型。
2.根据权利要求1所述的方法，其特征在于，所述预设焦点损失函数为：
L2＝-(1-p)αlog(p)
其中，L2为第二损失，p为所述预测概率，α为权重指数。
3.根据权利要求1所述的方法，其特征在于，所述预设目标损失函数为
L3＝w*L1+L2+b
其中，L1为第一损失，L2为第二损失，L3为所述网络模型的目标损失，w及b均为预设的可学习参数。
4.一种目标检测方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入预先训练好的网络模型，得到检测结果，其中，所述预先训练好的网络模型为通过权利要求1至3任一所述的目标检测模型的训练方法得到的模型。
5.一种目标检测模型的训练装置，其特征在于，包括：
模型训练模块，用于在预设训练图像集中选取样本图像输入待训练的网络模型，通过所述待训练的网络模型对所述样本图像进行检测，得到所述样本图像中预测目标的预测位置信息与预测概率，其中，所述样本图像包括正样本图像及负样本图像，所述正样本图像中包括预设检测目标及预设检测目标的标记，所述负样本图像中不包括所述预设检测目标，所述预测概率为所述预测目标为正确目标的概率；
损失计算模块，用于根据所述预测位置信息与预设回归函数，计算所述待训练的网络模型的第一损失；
第二损失模块，用于根据所述预测概率与预设焦点损失函数，计算所述待训练的网络模型的第二损失，其中，所述预设焦点损失函数表示为权重与分类损失函数的乘积，所述权重与所述预测概率负相关；
目标损失模块，用于根据所述第一损失与所述第二损失，通过预设目标损失函数计算所述待训练的网络模型的目标损失；
参数调整模块，用于根据所述目标损失对所述待训练的网络模型的参数进行调整，直至满足预设的结束条件，得到训练好的网络模型。
6.一种目标检测装置，其特征在于，包括：
图像获取模块，用于获取待检测图像；
样本概率模块，用于将所述待检测图像输入预先训练好的网络模型，得到检测结果，其中，所述预先训练好的网络模型为通过权利要求1至3任一所述的目标检测模型的训练方法得到的模型。
7.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至3中任一项所述的目标检测模型的训练方法。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求4所述的目标检测方法。
9.一种存储介质，当所述存储介质中的指令由电子设备执行时，使得所述电子设备能够执行如权利要求1至3中任一项所述的目标检测模型的训练方法。
10.一种存储介质，当所述存储介质中的指令由电子设备执行时，使得所述电子设备能够执行如权利要求4所述的目标检测方法。
CN201911047960.2A 2019-10-30 2019-10-30 一种目标检测模型的训练方法、装置及电子设备 Pending CN110827253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911047960.2A CN110827253A (zh) 2019-10-30 2019-10-30 一种目标检测模型的训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911047960.2A CN110827253A (zh) 2019-10-30 2019-10-30 一种目标检测模型的训练方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN110827253A true CN110827253A (zh) 2020-02-21

Family

ID=69551519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911047960.2A Pending CN110827253A (zh) 2019-10-30 2019-10-30 一种目标检测模型的训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110827253A (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111385295A (zh) * 2020-03-04 2020-07-07 深信服科技股份有限公司 一种WebShell检测方法、装置、设备及存储介质
CN111460150A (zh) * 2020-03-27 2020-07-28 北京松果电子有限公司 一种分类模型的训练方法、分类方法、装置及存储介质
CN111507989A (zh) * 2020-04-15 2020-08-07 上海眼控科技股份有限公司 语义分割模型的训练生成方法、车辆外观检测方法、装置
CN111563367A (zh) * 2020-05-06 2020-08-21 首都师范大学 基于FocalGAN的短文本自动生成方法、装置、设备及存储介质
CN111709336A (zh) * 2020-06-08 2020-09-25 杭州像素元科技有限公司 一种高速公路行人检测方法、设备及可读存储介质
CN111709890A (zh) * 2020-06-12 2020-09-25 北京小米松果电子有限公司 一种图像增强模型的训练方法、装置及存储介质
CN111738072A (zh) * 2020-05-15 2020-10-02 北京百度网讯科技有限公司 目标检测模型的训练方法、装置及电子设备
CN111881764A (zh) * 2020-07-01 2020-11-03 深圳力维智联技术有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112184688A (zh) * 2020-10-10 2021-01-05 广州极飞科技有限公司 网络模型的训练方法、目标检测方法及相关装置
CN112258563A (zh) * 2020-09-23 2021-01-22 成都旷视金智科技有限公司 图像对齐方法、装置、电子设备及存储介质
CN112463918A (zh) * 2020-10-13 2021-03-09 腾讯科技（深圳）有限公司 一种信息推荐方法、***及存储介质和终端设备
CN112748941A (zh) * 2020-08-06 2021-05-04 腾讯科技（深圳）有限公司 基于反馈信息的目标应用程序的更新方法和装置
CN112866505A (zh) * 2021-01-18 2021-05-28 北京小米松果电子有限公司 图像处理方法、装置及存储介质
CN112861997A (zh) * 2021-03-15 2021-05-28 北京小米移动软件有限公司 信息的处理方法、装置、存储介质和电子设备
CN112906732A (zh) * 2020-12-31 2021-06-04 杭州旷云金智科技有限公司 目标检测方法、装置、电子设备及存储介质
CN113065614A (zh) * 2021-06-01 2021-07-02 北京百度网讯科技有限公司 分类模型的训练方法和对目标对象进行分类的方法
CN113110887A (zh) * 2021-03-31 2021-07-13 联想(北京)有限公司 一种信息处理方法、装置、电子设备和存储介质
CN113255820A (zh) * 2021-06-11 2021-08-13 成都通甲优博科技有限责任公司 落石检测模型训练方法、落石检测方法及相关装置
CN113283345A (zh) * 2021-05-27 2021-08-20 新东方教育科技集团有限公司 板书书写行为检测方法、训练方法、装置、介质及设备
CN113378872A (zh) * 2020-03-10 2021-09-10 Sap欧洲公司 多标记分类神经网络的可靠性校准
WO2021179498A1 (zh) * 2020-03-11 2021-09-16 上海商汤智能科技有限公司 目标检测方法及其模型的训练方法、装置及电子设备
CN113807147A (zh) * 2020-06-15 2021-12-17 北京达佳互联信息技术有限公司 一种目标检测及其网络的训练方法、装置
CN114970651A (zh) * 2021-02-26 2022-08-30 北京达佳互联信息技术有限公司 和弦生成模型的训练方法、和弦生成方法、装置及设备
CN115239025A (zh) * 2022-09-21 2022-10-25 荣耀终端有限公司 一种支付预测方法及电子设备
WO2024119492A1 (zh) * 2022-12-09 2024-06-13 Oppo广东移动通信有限公司 无线通信的方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102502A (zh) * 2018-08-03 2018-12-28 西北工业大学 基于三维卷积神经网络的肺结节检测方法
CN109117836A (zh) * 2018-07-05 2019-01-01 中国科学院信息工程研究所 一种基于焦点损失函数的自然场景下文字检测定位方法和装置
CN109583412A (zh) * 2018-12-07 2019-04-05 中国科学院遥感与数字地球研究所 一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法
WO2019103836A1 (en) * 2017-11-21 2019-05-31 Zoox, Inc. Sensor data segmentation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019103836A1 (en) * 2017-11-21 2019-05-31 Zoox, Inc. Sensor data segmentation
CN109117836A (zh) * 2018-07-05 2019-01-01 中国科学院信息工程研究所 一种基于焦点损失函数的自然场景下文字检测定位方法和装置
CN109102502A (zh) * 2018-08-03 2018-12-28 西北工业大学 基于三维卷积神经网络的肺结节检测方法
CN109583412A (zh) * 2018-12-07 2019-04-05 中国科学院遥感与数字地球研究所 一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹俊豪: "基于深度学习的行人检测算法研究", 《中国优秀硕士学无论文全文数据库（电子期刊）》 *

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111385295B (zh) * 2020-03-04 2022-11-22 深信服科技股份有限公司 一种WebShell检测方法、装置、设备及存储介质
CN111385295A (zh) * 2020-03-04 2020-07-07 深信服科技股份有限公司 一种WebShell检测方法、装置、设备及存储介质
CN113378872A (zh) * 2020-03-10 2021-09-10 Sap欧洲公司 多标记分类神经网络的可靠性校准
WO2021179498A1 (zh) * 2020-03-11 2021-09-16 上海商汤智能科技有限公司 目标检测方法及其模型的训练方法、装置及电子设备
CN111460150B (zh) * 2020-03-27 2023-11-10 北京小米松果电子有限公司 一种分类模型的训练方法、分类方法、装置及存储介质
CN111460150A (zh) * 2020-03-27 2020-07-28 北京松果电子有限公司 一种分类模型的训练方法、分类方法、装置及存储介质
CN111507989A (zh) * 2020-04-15 2020-08-07 上海眼控科技股份有限公司 语义分割模型的训练生成方法、车辆外观检测方法、装置
CN111563367A (zh) * 2020-05-06 2020-08-21 首都师范大学 基于FocalGAN的短文本自动生成方法、装置、设备及存储介质
CN111738072A (zh) * 2020-05-15 2020-10-02 北京百度网讯科技有限公司 目标检测模型的训练方法、装置及电子设备
CN111709336B (zh) * 2020-06-08 2024-04-26 杭州像素元科技有限公司 一种高速公路行人检测方法、设备及可读存储介质
CN111709336A (zh) * 2020-06-08 2020-09-25 杭州像素元科技有限公司 一种高速公路行人检测方法、设备及可读存储介质
CN111709890B (zh) * 2020-06-12 2023-11-24 北京小米松果电子有限公司 一种图像增强模型的训练方法、装置及存储介质
CN111709890A (zh) * 2020-06-12 2020-09-25 北京小米松果电子有限公司 一种图像增强模型的训练方法、装置及存储介质
CN113807147A (zh) * 2020-06-15 2021-12-17 北京达佳互联信息技术有限公司 一种目标检测及其网络的训练方法、装置
CN113807147B (zh) * 2020-06-15 2024-05-21 北京达佳互联信息技术有限公司 一种目标检测及其网络的训练方法、装置
CN111881764A (zh) * 2020-07-01 2020-11-03 深圳力维智联技术有限公司 一种目标检测方法、装置、电子设备及存储介质
CN111881764B (zh) * 2020-07-01 2023-11-03 深圳力维智联技术有限公司 一种目标检测方法、装置、电子设备及存储介质
CN112748941A (zh) * 2020-08-06 2021-05-04 腾讯科技（深圳）有限公司 基于反馈信息的目标应用程序的更新方法和装置
CN112748941B (zh) * 2020-08-06 2023-12-12 腾讯科技（深圳）有限公司 基于反馈信息的目标应用程序的更新方法和装置
CN112258563A (zh) * 2020-09-23 2021-01-22 成都旷视金智科技有限公司 图像对齐方法、装置、电子设备及存储介质
CN112184688B (zh) * 2020-10-10 2023-04-18 广州极飞科技股份有限公司 网络模型的训练方法、目标检测方法及相关装置
CN112184688A (zh) * 2020-10-10 2021-01-05 广州极飞科技有限公司 网络模型的训练方法、目标检测方法及相关装置
CN112463918B (zh) * 2020-10-13 2023-10-31 腾讯科技（深圳）有限公司 一种信息推荐方法、***及存储介质和终端设备
CN112463918A (zh) * 2020-10-13 2021-03-09 腾讯科技（深圳）有限公司 一种信息推荐方法、***及存储介质和终端设备
CN112906732B (zh) * 2020-12-31 2023-12-15 杭州旷云金智科技有限公司 目标检测方法、装置、电子设备及存储介质
CN112906732A (zh) * 2020-12-31 2021-06-04 杭州旷云金智科技有限公司 目标检测方法、装置、电子设备及存储介质
CN112866505B (zh) * 2021-01-18 2023-04-25 北京小米松果电子有限公司 图像处理方法、装置及存储介质
CN112866505A (zh) * 2021-01-18 2021-05-28 北京小米松果电子有限公司 图像处理方法、装置及存储介质
CN114970651A (zh) * 2021-02-26 2022-08-30 北京达佳互联信息技术有限公司 和弦生成模型的训练方法、和弦生成方法、装置及设备
CN112861997A (zh) * 2021-03-15 2021-05-28 北京小米移动软件有限公司 信息的处理方法、装置、存储介质和电子设备
CN113110887B (zh) * 2021-03-31 2023-07-21 联想(北京)有限公司 一种信息处理方法、装置、电子设备和存储介质
CN113110887A (zh) * 2021-03-31 2021-07-13 联想(北京)有限公司 一种信息处理方法、装置、电子设备和存储介质
CN113283345A (zh) * 2021-05-27 2021-08-20 新东方教育科技集团有限公司 板书书写行为检测方法、训练方法、装置、介质及设备
CN113283345B (zh) * 2021-05-27 2023-11-24 新东方教育科技集团有限公司 板书书写行为检测方法、训练方法、装置、介质及设备
CN113065614B (zh) * 2021-06-01 2021-08-31 北京百度网讯科技有限公司 分类模型的训练方法和对目标对象进行分类的方法
CN113065614A (zh) * 2021-06-01 2021-07-02 北京百度网讯科技有限公司 分类模型的训练方法和对目标对象进行分类的方法
CN113255820A (zh) * 2021-06-11 2021-08-13 成都通甲优博科技有限责任公司 落石检测模型训练方法、落石检测方法及相关装置
CN115239025A (zh) * 2022-09-21 2022-10-25 荣耀终端有限公司 一种支付预测方法及电子设备
WO2024119492A1 (zh) * 2022-12-09 2024-06-13 Oppo广东移动通信有限公司 无线通信的方法及设备

Similar Documents

Publication Publication Date Title
CN110827253A (zh) 一种目标检测模型的训练方法、装置及电子设备
CN109446994B (zh) 手势关键点检测方法、装置、电子设备及存储介质
CN110782468B (zh) 图像分割模型的训练方法及装置及图像分割方法及装置
CN109871896B (zh) 数据分类方法、装置、电子设备及存储介质
CN110443280B (zh) 图像检测模型的训练方法、装置及存储介质
CN108256555B (zh) 图像内容识别方法、装置及终端
CN111160448B (zh) 一种图像分类模型的训练方法及装置
US20160027191A1 (en) Method and device for adjusting skin color
EP2977956A1 (en) Method, apparatus and device for segmenting an image
CN110557547B (zh) 镜头位置调整方法及装置
CN107480785B (zh) 卷积神经网络的训练方法及装置
CN109360197B (zh) 图像的处理方法、装置、电子设备及存储介质
CN109670077B (zh) 视频推荐方法、装置和计算机可读存储介质
US10009283B2 (en) Method and device for processing information
EP2986020A1 (en) Method and apparatus for adjusting video quality based on network environment
CN110619350A (zh) 图像检测方法、装置及存储介质
CN112150457A (zh) 视频检测方法、装置及计算机可读存储介质
CN110059548B (zh) 目标检测方法及装置
CN108629814B (zh) 相机调整方法及装置
CN111614990A (zh) 加载时长的获取方法、装置及电子设备
CN109214175B (zh) 基于样本特征训练分类器的方法、装置及存储介质
CN111859097B (zh) 数据处理方法、装置、电子设备及存储介质
CN111125388A (zh) 多媒体资源的检测方法、装置及设备和存储介质
CN107480773B (zh) 训练卷积神经网络模型的方法、装置及存储介质
CN112884813A (zh) 图像处理方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200221