CN115204383A - 中心点预测模型的训练方法及装置 - Google Patents
中心点预测模型的训练方法及装置 Download PDFInfo
- Publication number
- CN115204383A CN115204383A CN202110396674.8A CN202110396674A CN115204383A CN 115204383 A CN115204383 A CN 115204383A CN 202110396674 A CN202110396674 A CN 202110396674A CN 115204383 A CN115204383 A CN 115204383A
- Authority
- CN
- China
- Prior art keywords
- central point
- point
- prediction model
- target
- neural network
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 90
- 238000010586 diagram Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种中心点预测模型的训练方法及装置。包括:获取包含目标对象的初始图像;将初始图像输入至卷积神经网络模型,通过卷积神经网络模型获取初始图像中目标对象对应的矩形框的中心点和邻域点;调用卷积神经网络模型对中心点和邻域点进行处理得到中心点和邻域点中的目标中心点;根据目标中心点对初始图像进行标注生成标注样本图像;将标注样本图像输入至待训练中心点预测模型,对待训练中心点预测模型进行训练;迭代执行设定次数的将初始图像输入至卷积神经网络模型,至将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。本公开可以提高中心点选择的精度和模型测试速度。
Description
技术领域
本公开的实施例涉及模型训练技术领域,尤其涉及一种中心点预测模型的训练方法及装置。
背景技术
随着移动互联网的快速发展,大多数用户已经***台智能规划路线,在一定时间内将订单物品递送至指定地点的服务人员)。
为了对网约配送人员的着装进行规范的管理,提升各平台在客户心中的服务形象,需要通过监督,保证每天作业的网约配送人员身上穿的是指定配送平台的衣服、头戴有指定配送平台的头盔等。利用视觉图像技术,可以通过让被抽检网约配送人员上传自拍照片,AI(Artificial Intelligence,人工智能)算法通过对自拍照片进行分析,判断网约配送人员上传的自拍照片中,头盔是否是指定配送平台的合格头盔,衣服是否是指定配送平台的合格衣服等。
目前,通常是采用anchor free的目标检测的方法,检测出自拍照片中的头盔和衣服,同时判断出类别所穿的衣服和头盔,是否为指定配送平台的衣服和头盔。然而,该方法需要选定一个或者几个点来代表矩形(bbox)的中心、或者角点,这些点在网络训练的时候,被当成是正样本,而其他的点,都被当成的负样本,所以会有正负样本不均衡的问题。
发明内容
本公开的实施例提供一种中心点预测模型的训练方法及装置,用以改进了中心点选择的方法,随着训练的进行,从标记的物体的中心点以及周围选择出最优的一些点作为物体的中心点的正样本,来指导中心点预测模型的训练。
根据本公开的实施例的第一方面,提供了一种中心点预测模型的训练方法,包括:
获取包含目标对象的初始图像;
将所述初始图像输入至卷积神经网络模型,并通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点;
调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点;
根据所述目标中心点对所述初始图像进行标注,生成标注样本图像;
将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练;
迭代执行设定次数的所述将所述初始图像输入至卷积神经网络模型,至所述将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。
可选地,所述通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点,包括:
调用所述卷积神经网络模型对所述初始图像进行处理,并获取由所述卷积神经网络模型输出的所述初始图像对应的三幅特征图;所述特征图包括:中心点特征图、分类特征图和像素偏移特征图;
根据所述中心点特征图、所述分类特征图和所述像素偏移特征图,确定所述目标对象的对象类别、所述目标对象对应的矩形框的中心点及所述中心点对应的邻域点。
可选地,所述调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点,包括:
调用所述卷积神经网络模型计算得到所述中心点对应的第一指标,及所述邻域点对应的第二指标;
根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选得到所述目标中心点。
可选地,所述根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选得到所述目标中心点,包括:
根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选出指标最大的点,并将所述指标最大的点作为目标中心点。
根据本公开的实施例的第二方面,提供了一种中心点预测模型的训练装置,包括:
初始图像获取模块,用于获取包含目标对象的初始图像;
中心点获取模块,用于将所述初始图像输入至卷积神经网络模型,并通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点;
目标中心点获取模块,用于调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点;
标注样本图像生成模块,用于根据所述目标中心点对所述初始图像进行标注,生成标注样本图像;
预测模型训练模块,用于将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练;
中心点预测模型获取模块,用于迭代执行设定次数的所述中心点获取模块、所述目标中心点获取模块、所述目标中心点获取模块、所述标注样本图像生成模块和所述预测模型训练模块,得到训练后的中心点预测模型。
可选地,所述中心点获取模块包括:
特征图获取单元,用于调用所述卷积神经网络模型对所述初始图像进行处理,并获取由所述卷积神经网络模型输出的所述初始图像对应的三幅特征图;所述特征图包括:中心点特征图、分类特征图和像素偏移特征图;
中心点确定单元,用于根据所述中心点特征图、所述分类特征图和所述像素偏移特征图,确定所述目标对象的对象类别、所述目标对象对应的矩形框的中心点及所述中心点对应的邻域点。
可选地,所述目标中心点获取模块包括:
中心点指标获取单元,用于调用所述卷积神经网络模型计算得到所述中心点对应的第一指标,及所述邻域点对应的第二指标;
目标中心点获取单元,用于根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选得到所述目标中心点。
可选地,所述目标中心点获取单元包括:
目标中心点获取子单元,用于根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选出指标最大的点,并将所述指标最大的点作为目标中心点。
根据本公开的实施例的第三方面,提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述的中心点预测模型的训练方法。
根据本公开的实施例的第四方面,提供了一种可读存储介质,当所述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项所述的中心点预测模型的训练方法。
本公开的实施例提供了一种中心点预测模型的训练方法及装置,通过获取包含目标对象的初始图像,将初始图像输入至卷积神经网络模型,并通过卷积神经网络模型获取初始图像中所述目标对象对应的矩形框的中心点和中心点对应的邻域点,调用卷积神经网络模型对中心点和邻域点进行处理,得到中心点和邻域点中的目标中心点,根据目标中心点对初始图像进行标注,生成标注样本图像,将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练,迭代执行设定次数的将所述初始图像输入至卷积神经网络模型,至将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。本公开的实施例通过改进中心点选择的方法,随着训练的进行,从标记的物体的中心点以及周围选择出最优的一些点,作为物体的中心点的正样本,来指导中心点heatmap的训练。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的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公开的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开的实施例提供的一种中心点预测模型的训练方法的步骤流程图;
图2为本公开的实施例提供的另一种中心点预测模型的训练方法的步骤流程图;
图3为本公开的实施例提供的一种整体流程的示意图;
图4为本公开的实施例提供的一种单个中心点的示意图;
图5为本公开的实施例提供的一种单个中心点加四邻域点的示意图;
图6为本公开的实施例提供的一种mean-max函数的示意图;
图7为本公开的实施例提供的一种mean-max中的值IOU的示意图;
图8为本公开的实施例提供的一种中心点预测模型的训练装置的结构示意图;
图9为本公开的实施例提供的另一种中心点预测模型的训练装置的结构示意图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的实施例一部分实施例,而不是全部的实施例。基于本公开的实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开的实施例保护的范围。
实施例一
参照图1,示出了本公开的实施例提供的一种中心点预测模型的训练方法的步骤流程图,如图1所示,该中心点预测模型的训练方法具体可以包括如下步骤:
步骤101:获取包含目标对象的初始图像。
本公开的实施例可以应用于结合中心点改进算法对中心点预测模型进行训练的场景中。
目标对象是指初始图像中的需要进行中心点识别的对象,在本示例中,目标对象可以为人物、动物、汽车等对象,具体地,可以根据业务需求而定,本实施例对此不加以限制。
初始图像是指包含目标对象的图像。
在需要进行中心点预测模型的训练时,可以获取包含目标对象的初始图像,具体地,初始图像可以为从预先生成的图像数据库中筛选得到图像,也可以为从互联网平台上下载的图像,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在获取到包含目标对象的初始图像之后,执行步骤102。
步骤102:将所述初始图像输入至卷积神经网络模型,并通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点。
在本实施例中,卷积神经网络模型是指用于框选目标对象的矩形框的中心点和领域点的神经网络模型,在本示例中,卷积神经网络模型可以为CNN网络模型等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在获取到包含目标对象的初始图像之后,可以将初始图像输入至卷积神经网络模型,并通过卷积神经网络模型获取初始图像中目标对象对应的矩形框,并识别出矩形框的中心点和中心点对应的邻域点,例如,中心点对应的四邻域点或八邻域点等等。
在通过卷积神经网络模型获取到初始图像中目标对象对应的矩形框的中心点和中心点对应的邻域点之后,执行步骤103。
步骤103:调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点。
目标中心点是指从中心点和中心点对应的邻域点中选择的一个作为框选目标对象的矩形框的点。
在获取初始图像中目标对象对应的矩形框的中心点和中心点对应的邻域点之后,可以调用卷积神经网络模型对中心点和邻域点进行处理,以得到中心点和邻域点中的目标中心点,在本示例中,在上述过程中,选择了多个点,本示例中采用mean-max函数(如图5所示),不断的迭代计算,来选择出最适合的中心点。训练的时候,用mean-max函数,来作为CNN的一个损失函数项,不断的迭代计算,最后选择出最适合的中心点。Mean-max函数中的一共5个变量,分别是x1,x2,x3,x4,x5分别对应上面提到的中心点和中心点周围的4个像素,x的值是预测的bbox和gt的bbox的IOU值(IOU计算如图Fig6所示)。在计算得到中心点和中心点对应的邻域点分别对应的IOU值之后,则可以结合IOU值从中心点和邻域点中选择一个点作为目标中心点。
在调用卷积神经网络模型对中心点和邻域点进行处理得到中心点和邻域点中的目标中心点之后,执行步骤104。
步骤104:根据所述目标中心点对所述初始图像进行标注,生成标注样本图像。
标注样本图像是指根据目标中心点对初始图像进行标注之后得到的图像。
在得到目标中心点之后,可以根据目标中心点对初始图像进行标注,以得到标注后的图像(即标注样本图像),并将标注后的图像作为样本图像,以进行后续的中心点预测模型的训练过程。
在根据中心点和中心点对应的邻域点对初始图像进行标注以生成标注样本图像之后,执行步骤105。
步骤105:将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练。
待训练中心点预测模型是指需要进行训练的用于对图像中的对象的中心点进行预测的模型。
在根据目标中心点对初始图像进行标注生成标注样本图像之后,可以将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练。
在将标注样本图像输入至待训练中心点预测模型对待训练中心点预测模型进行训练之后,执行步骤106。
步骤106:迭代执行设定次数的所述将所述初始图像输入至卷积神经网络模型,至所述将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。
设定次数是指由业务人员预先设置的用于对中心点预测模型进行训练的次数,在本示例中,设定次数可以为100次、800次、2000次等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在本示例中,可以执行设定次数的上述步骤101至上述步骤105,以将训练后的待训练中心点预测模型作为最终的中心点预测模型。
本公开的实施例通过改进中心点选择的方法,随着训练的进行,从标记的物体的中心点以及周围选择出最优的一些点,作为物体的中心点的正样本,来指导中心点heatmap的训练。
本公开的实施例提供的中心点预测模型的训练方法,通过获取包含目标对象的初始图像,将初始图像输入至卷积神经网络模型,并通过卷积神经网络模型获取初始图像中所述目标对象对应的矩形框的中心点和中心点对应的邻域点,调用卷积神经网络模型对中心点和邻域点进行处理,得到中心点和邻域点中的目标中心点,根据目标中心点对初始图像进行标注,生成标注样本图像,将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练,迭代执行设定次数的将所述初始图像输入至卷积神经网络模型,至将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。本公开的实施例通过改进中心点选择的方法,随着训练的进行,从标记的物体的中心点以及周围选择出最优的一些点,作为物体的中心点的正样本,来指导中心点heatmap的训练。
实施例二
参照图2,示出了本公开的实施例提供的另一种中心点预测模型的训练方法的步骤流程图,如图2所示,该中心点预测模型的训练方法具体可以包括如下步骤:
步骤201:获取包含目标对象的初始图像。
本公开的实施例可以应用于结合中心点改进算法对中心点预测模型进行训练的场景中。
目标对象是指初始图像中的需要进行中心点识别的对象,在本示例中,目标对象可以为人物、动物、汽车等对象,具体地,可以根据业务需求而定,本实施例对此不加以限制。
初始图像是指包含目标对象的图像,如图3所示,初始图像中把汗的目标对象为动物“狗”和“自行车”等。
在需要进行中心点预测模型的训练时,可以获取包含目标对象的初始图像,具体地,初始图像可以为从预先生成的图像数据库中筛选得到图像,也可以为从互联网平台上下载的图像,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在获取到包含目标对象的初始图像之后,执行步骤202。
步骤202:调用所述卷积神经网络模型对所述初始图像进行处理,并获取由所述卷积神经网络模型输出的所述初始图像对应的三幅特征图;所述特征图包括:中心点特征图、分类特征图和像素偏移特征图。
在获取到包含目标对象的初始图像之后,可以将初始图像输入至卷积神经网络模型,并调用卷积神经网络模型对初始图像进行处理,以获取到由卷积神经网络模型输出的初始图像对应的三幅特征图,例如,如图3所示,如图3所示,在获取到初始图像之后,可以将初始图像输入至CNN网络模型,进而可以获取到由CNN网络模型输出的三幅特征图。三幅特征图分别为中心点特征图、分类特征图和像素偏移特征图。
其中分类特征图可以用于指示特征图像中框选的目标对象的类别,如人物、动物、车辆等。中心点特征图可以用于指示特征图像中框选目标对象的矩形框的中心点的坐标。像素偏移特征图可以用于指示特征图像中像素的偏移。
在获取到由卷积神经网络模型输出的初始图像对应的三幅特征图之后,执行步骤203。
步骤203:根据所述中心点特征图、所述分类特征图和所述像素偏移特征图,确定所述目标对象的对象类别、所述目标对象对应的矩形框的中心点及所述中心点对应的邻域点。
在获取到由卷积神经网络模型输出的初始图像对应的三幅特征图之后,可以根据中心点特征图、分类特征图和像素偏移特征图,确定出目标对象的对象类别、目标对象对应的矩形框的中心点及中心点对应的邻域点。如图4所示,可以将图中央的一个像素点作为中心点。如图5所示,在获取到中心点之后,则可以将中心点周围的四个像素点作为邻域点。当然,在具体实现中,也可以将中心点周围的八个像素点作为邻域点等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在根据中心点特征图、分类特征图和像素偏移特征图确定出目标对象的对象类别、目标对象对应的矩形框的中心点及中心点对应的邻域点之后,执行步骤204。
步骤204:调用所述卷积神经网络模型计算得到所述中心点对应的第一指标,及所述邻域点对应的第二指标。
在本示例中,指标是指用于从中心点和邻域点中筛选框选特征图中的对象的矩形框的中心点的指标,在本示例中,指标可以为IOU值。
在根据中心点特征图、分类特征图和像素偏移特征图确定出目标对象的对象类别、目标对象对应的矩形框的中心点及中心点对应的邻域点之后,可以调用卷积神经网络模型计算得到中心点对应的第一指标,及中心点对应的邻域点对应的第二指标,具体地计算过程可以如图6和图7所示。
在调用卷积神经网络模型计算得到中心点对应的第一指标及邻域点对应的第二指标之后,执行步骤205。
步骤205:根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选得到所述目标中心点。
目标中心点是指从中心点和中心点对应的邻域点中筛选得到一个用于指示框选对象的矩形框的中心点的点。
在调用卷积神经网络模型计算得到中心点对应的第一指标及邻域点对应的第二指标之后,可以根据第一指标和第二指标从中心点和邻域点中筛选得到目标中心点,具体地,可以根据第一指标和第二指标从中心点和邻域点中筛选出指标值最大的一个点,进而可以将该指标值最大的点作为目标中心点。
在根据第一指标和第二指标从中心点和邻域点中筛选得到目标中心点之后,执行步骤206。
步骤206:根据所述目标中心点对所述初始图像进行标注,生成标注样本图像。
标注样本图像是指根据目标中心点对初始图像进行标注之后得到的图像。
在根据第一指标和第二指标从中心点和邻域点中筛选得到目标中心点之后,可以根据目标中心点对初始图像进行标注,以生成标注样本图像,具体地,可以在初始图像中添加目标中心点对应的坐标,以作为框选初始图像中的目标对象的矩形框的中心点,进而可以得到标注后的样本图像。
在根据目标中心点对初始图像进行标注生成标注样本图像之后,执行步骤207。
步骤207:将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练。
待训练中心点预测模型是指需要进行训练的用于对图像中的对象的中心点进行预测的模型。
在根据目标中心点对初始图像进行标注生成标注样本图像之后,可以将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练。
在将标注样本图像输入至待训练中心点预测模型对待训练中心点预测模型进行训练之后,执行步骤208。
步骤208:迭代执行设定次数的所述将所述初始图像输入至卷积神经网络模型,至所述将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。
设定次数是指由业务人员预先设置的用于对中心点预测模型进行训练的次数,在本示例中,设定次数可以为100次、800次、2000次等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在本示例中,可以执行设定次数的上述步骤101至上述步骤105,以将训练后的待训练中心点预测模型作为最终的中心点预测模型。
本公开的实施例通过改进中心点选择的方法,随着训练的进行,从标记的物体的中心点以及周围选择出最优的一些点,作为物体的中心点的正样本,来指导中心点heatmap的训练。
本公开的实施例提供的中心点预测模型的训练方法,通过获取包含目标对象的初始图像,将初始图像输入至卷积神经网络模型,并通过卷积神经网络模型获取初始图像中所述目标对象对应的矩形框的中心点和中心点对应的邻域点,调用卷积神经网络模型对中心点和邻域点进行处理,得到中心点和邻域点中的目标中心点,根据目标中心点对初始图像进行标注,生成标注样本图像,将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练,迭代执行设定次数的将所述初始图像输入至卷积神经网络模型,至将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。本公开的实施例通过改进中心点选择的方法,随着训练的进行,从标记的物体的中心点以及周围选择出最优的一些点,作为物体的中心点的正样本,来指导中心点heatmap的训练。
实施例三
参照图8,示出了本公开的实施例提供的一种中心点预测模型的训练装置的结构示意图,如图8所示,该中心点预测模型的训练装置300具体可以包括如下模块:
初始图像获取模块310,用于获取包含目标对象的初始图像;
中心点获取模块320,用于将所述初始图像输入至卷积神经网络模型,并通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点;
目标中心点获取模块330,用于调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点;
标注样本图像生成模块340,用于根据所述目标中心点对所述初始图像进行标注,生成标注样本图像;
预测模型训练模块350,用于将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练;
中心点预测模型获取模块360,用于迭代执行设定次数的所述中心点获取模块、所述目标中心点获取模块、所述目标中心点获取模块、所述标注样本图像生成模块和所述预测模型训练模块,得到训练后的中心点预测模型。
本公开的实施例提供的中心点预测模型的训练装置,通过获取包含目标对象的初始图像,将初始图像输入至卷积神经网络模型,并通过卷积神经网络模型获取初始图像中所述目标对象对应的矩形框的中心点和中心点对应的邻域点,调用卷积神经网络模型对中心点和邻域点进行处理,得到中心点和邻域点中的目标中心点,根据目标中心点对初始图像进行标注,生成标注样本图像,将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练,迭代执行设定次数的将所述初始图像输入至卷积神经网络模型,至将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。本公开的实施例通过改进中心点选择的方法,随着训练的进行,从标记的物体的中心点以及周围选择出最优的一些点,作为物体的中心点的正样本,来指导中心点heatmap的训练。
实施例四
参照图9,示出了本公开的实施例提供的另一种中心点预测模型的训练装置的结构示意图,如图9所示,该中心点预测模型的训练装置400具体可以包括如下模块:
初始图像获取模块410,用于获取包含目标对象的初始图像;
中心点获取模块420,用于将所述初始图像输入至卷积神经网络模型,并通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点;
目标中心点获取模块430,用于调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点;
标注样本图像生成模块440,用于根据所述目标中心点对所述初始图像进行标注,生成标注样本图像;
预测模型训练模块450,用于将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练;
中心点预测模型获取模块460,用于迭代执行设定次数的所述中心点获取模块、所述目标中心点获取模块、所述目标中心点获取模块、所述标注样本图像生成模块和所述预测模型训练模块,得到训练后的中心点预测模型。
可选地,所述中心点获取模块420包括:
特征图获取单元421,用于调用所述卷积神经网络模型对所述初始图像进行处理,并获取由所述卷积神经网络模型输出的所述初始图像对应的三幅特征图;所述特征图包括:中心点特征图、分类特征图和像素偏移特征图;
中心点确定单元422,用于根据所述中心点特征图、所述分类特征图和所述像素偏移特征图,确定所述目标对象的对象类别、所述目标对象对应的矩形框的中心点及所述中心点对应的邻域点。
可选地,所述目标中心点获取模块430包括:
中心点指标获取单元431,用于调用所述卷积神经网络模型计算得到所述中心点对应的第一指标,及所述邻域点对应的第二指标;
目标中心点获取单元432,用于根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选得到所述目标中心点。
可选地,所述目标中心点获取单元432包括:
目标中心点获取子单元,用于根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选出指标最大的点,并将所述指标最大的点作为目标中心点。
本公开的实施例提供的中心点预测模型的训练装置,通过获取包含目标对象的初始图像,将初始图像输入至卷积神经网络模型,并通过卷积神经网络模型获取初始图像中所述目标对象对应的矩形框的中心点和中心点对应的邻域点,调用卷积神经网络模型对中心点和邻域点进行处理,得到中心点和邻域点中的目标中心点,根据目标中心点对初始图像进行标注,生成标注样本图像,将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练,迭代执行设定次数的将所述初始图像输入至卷积神经网络模型,至将标注样本图像输入至待训练中心点预测模型,以对待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。本公开的实施例通过改进中心点选择的方法,随着训练的进行,从标记的物体的中心点以及周围选择出最优的一些点,作为物体的中心点的正样本,来指导中心点heatmap的训练。
本公开的实施例还提供了一种电子设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述实施例的中心点预测模型的训练方法。
本公开的实施例还提供了一种可读存储介质,当所述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前述实施例的中心点预测模型的训练方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种中心点预测模型的训练方法,其特征在于,包括:
获取包含目标对象的初始图像;
将所述初始图像输入至卷积神经网络模型,并通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点;
调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点;
根据所述目标中心点对所述初始图像进行标注,生成标注样本图像;
将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练;
迭代执行设定次数的所述将所述初始图像输入至卷积神经网络模型,至所述将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练的步骤,得到训练后的中心点预测模型。
2.根据权利要求1所述的方法,其特征在于,所述通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点,包括:
调用所述卷积神经网络模型对所述初始图像进行处理,并获取由所述卷积神经网络模型输出的所述初始图像对应的三幅特征图;所述特征图包括:中心点特征图、分类特征图和像素偏移特征图;
根据所述中心点特征图、所述分类特征图和所述像素偏移特征图,确定所述目标对象的对象类别、所述目标对象对应的矩形框的中心点及所述中心点对应的邻域点。
3.根据权利要求2所述的方法,其特征在于,所述调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点,包括:
调用所述卷积神经网络模型计算得到所述中心点对应的第一指标,及所述邻域点对应的第二指标;
根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选得到所述目标中心点。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选得到所述目标中心点,包括:
根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选出指标最大的点,并将所述指标最大的点作为目标中心点。
5.一种中心点预测模型的训练装置,其特征在于,包括:
初始图像获取模块,用于获取包含目标对象的初始图像;
中心点获取模块,用于将所述初始图像输入至卷积神经网络模型,并通过所述卷积神经网络模型获取所述初始图像中所述目标对象对应的矩形框的中心点和所述中心点对应的邻域点;
目标中心点获取模块,用于调用所述卷积神经网络模型对所述中心点和所述邻域点进行处理,得到所述中心点和所述邻域点中的目标中心点;
标注样本图像生成模块,用于根据所述目标中心点对所述初始图像进行标注,生成标注样本图像;
预测模型训练模块,用于将所述标注样本图像输入至待训练中心点预测模型,以对所述待训练中心点预测模型进行训练;
中心点预测模型获取模块,用于迭代执行设定次数的所述中心点获取模块、所述目标中心点获取模块、所述目标中心点获取模块、所述标注样本图像生成模块和所述预测模型训练模块,得到训练后的中心点预测模型。
6.根据权利要求5所述的装置,其特征在于,所述中心点获取模块包括:
特征图获取单元,用于调用所述卷积神经网络模型对所述初始图像进行处理,并获取由所述卷积神经网络模型输出的所述初始图像对应的三幅特征图;所述特征图包括:中心点特征图、分类特征图和像素偏移特征图;
中心点确定单元,用于根据所述中心点特征图、所述分类特征图和所述像素偏移特征图,确定所述目标对象的对象类别、所述目标对象对应的矩形框的中心点及所述中心点对应的邻域点。
7.根据权利要求6所述的装置,其特征在于,所述目标中心点获取模块包括:
中心点指标获取单元,用于调用所述卷积神经网络模型计算得到所述中心点对应的第一指标,及所述邻域点对应的第二指标;
目标中心点获取单元,用于根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选得到所述目标中心点。
8.根据权利要求7所述的装置,其特征在于,所述目标中心点获取单元包括:
目标中心点获取子单元,用于根据所述第一指标和所述第二指标,从所述中心点和所述邻域点中筛选出指标最大的点,并将所述指标最大的点作为目标中心点。
9.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至4中任一项所述的中心点预测模型的训练方法。
10.一种可读存储介质,其特征在于,当所述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权利要求1至4中任一项所述的中心点预测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396674.8A CN115204383A (zh) | 2021-04-13 | 2021-04-13 | 中心点预测模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396674.8A CN115204383A (zh) | 2021-04-13 | 2021-04-13 | 中心点预测模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204383A true CN115204383A (zh) | 2022-10-18 |
Family
ID=83570622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110396674.8A Pending CN115204383A (zh) | 2021-04-13 | 2021-04-13 | 中心点预测模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204383A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164702A (zh) * | 2011-12-13 | 2013-06-19 | 李卫伟 | 标记中心点提取方法、装置及图像处理*** |
CN106529485A (zh) * | 2016-11-16 | 2017-03-22 | 北京旷视科技有限公司 | 用于获取训练数据的方法及装置 |
WO2017096814A1 (zh) * | 2015-12-07 | 2017-06-15 | 乐视控股(北京)有限公司 | 一种图像处理方法及装置 |
CN108734193A (zh) * | 2018-03-27 | 2018-11-02 | 合肥麟图信息科技有限公司 | 一种深度学习模型的训练方法及装置 |
CN110223279A (zh) * | 2019-05-31 | 2019-09-10 | 上海商汤智能科技有限公司 | 一种图像处理方法和装置、电子设备 |
CN110738647A (zh) * | 2019-10-12 | 2020-01-31 | 成都考拉悠然科技有限公司 | 融合多感受野特征映射与高斯概率模型的老鼠检测方法 |
CN111259779A (zh) * | 2020-01-13 | 2020-06-09 | 南京大学 | 一种基于中心点轨迹预测的视频动作检测方法 |
CN111640089A (zh) * | 2020-05-09 | 2020-09-08 | 武汉精立电子技术有限公司 | 一种基于特征图中心点的缺陷检测方法及装置 |
CN111815519A (zh) * | 2020-09-01 | 2020-10-23 | 南京甄视智能科技有限公司 | 旋转目标检测方法、装置、***与可读介质 |
CN111933253A (zh) * | 2020-07-14 | 2020-11-13 | 北京邮电大学 | 基于神经网络的骨骼结构图像的标志点标注方法和装置 |
CN112232432A (zh) * | 2020-10-26 | 2021-01-15 | 西安交通大学 | 基于改进中心点检测的安检x光图像目标检测与识别方法 |
CN112381183A (zh) * | 2021-01-12 | 2021-02-19 | 北京易真学思教育科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN112614133A (zh) * | 2021-03-05 | 2021-04-06 | 北京小白世纪网络科技有限公司 | 一种无锚点框的三维肺结节检测模型训练方法及装置 |
-
2021
- 2021-04-13 CN CN202110396674.8A patent/CN115204383A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164702A (zh) * | 2011-12-13 | 2013-06-19 | 李卫伟 | 标记中心点提取方法、装置及图像处理*** |
WO2017096814A1 (zh) * | 2015-12-07 | 2017-06-15 | 乐视控股(北京)有限公司 | 一种图像处理方法及装置 |
CN106529485A (zh) * | 2016-11-16 | 2017-03-22 | 北京旷视科技有限公司 | 用于获取训练数据的方法及装置 |
CN108734193A (zh) * | 2018-03-27 | 2018-11-02 | 合肥麟图信息科技有限公司 | 一种深度学习模型的训练方法及装置 |
CN110223279A (zh) * | 2019-05-31 | 2019-09-10 | 上海商汤智能科技有限公司 | 一种图像处理方法和装置、电子设备 |
CN110738647A (zh) * | 2019-10-12 | 2020-01-31 | 成都考拉悠然科技有限公司 | 融合多感受野特征映射与高斯概率模型的老鼠检测方法 |
CN111259779A (zh) * | 2020-01-13 | 2020-06-09 | 南京大学 | 一种基于中心点轨迹预测的视频动作检测方法 |
CN111640089A (zh) * | 2020-05-09 | 2020-09-08 | 武汉精立电子技术有限公司 | 一种基于特征图中心点的缺陷检测方法及装置 |
CN111933253A (zh) * | 2020-07-14 | 2020-11-13 | 北京邮电大学 | 基于神经网络的骨骼结构图像的标志点标注方法和装置 |
CN111815519A (zh) * | 2020-09-01 | 2020-10-23 | 南京甄视智能科技有限公司 | 旋转目标检测方法、装置、***与可读介质 |
CN112232432A (zh) * | 2020-10-26 | 2021-01-15 | 西安交通大学 | 基于改进中心点检测的安检x光图像目标检测与识别方法 |
CN112381183A (zh) * | 2021-01-12 | 2021-02-19 | 北京易真学思教育科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN112614133A (zh) * | 2021-03-05 | 2021-04-06 | 北京小白世纪网络科技有限公司 | 一种无锚点框的三维肺结节检测模型训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
易诗;沈练;周思尧;朱竞铭;袁学松;: "基于增强型Tiny-YOLOV3模型的野鸡识别方法", 农业工程学报, no. 13, 8 July 2020 (2020-07-08) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876791B (zh) | 图像处理方法、装置和***及存储介质 | |
CN109508681A (zh) | 生成人体关键点检测模型的方法和装置 | |
CN108875537B (zh) | 对象检测方法、装置和***及存储介质 | |
CN108197658A (zh) | 图像标注信息处理方法、装置、服务器及*** | |
CN108229307A (zh) | 用于物体检测的方法、装置和设备 | |
CN109165645A (zh) | 一种图像处理方法、装置以及相关设备 | |
CN106327546B (zh) | 人脸检测算法的测试方法和装置 | |
CN108280455A (zh) | 人体关键点检测方法和装置、电子设备、程序和介质 | |
US20220207266A1 (en) | Methods, devices, electronic apparatuses and storage media of image processing | |
CN108229418A (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN110222641B (zh) | 用于识别图像的方法和装置 | |
CN112052840B (zh) | 图片筛选方法、***、设备及存储介质 | |
CN109740567A (zh) | 关键点定位模型训练方法、定位方法、装置及设备 | |
CN108229291A (zh) | 特征点检测、网络训练方法、装置、电子设备和存储介质 | |
CN107944374A (zh) | 视频数据中特定对象检测方法及装置、计算设备 | |
CN112668675B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
Nassar et al. | Assessing data quality of annotations with Krippendorff alpha for applications in computer vision | |
CN112633066A (zh) | 一种航拍小目标检测方法、装置、设备及存储介质 | |
CN115204383A (zh) | 中心点预测模型的训练方法及装置 | |
CN110222652A (zh) | 行人检测方法、装置及电子设备 | |
CN111724143A (zh) | 基于rpa的流程元素定位方法及装置、计算设备、存储介质 | |
CN114140751B (zh) | 一种考场监控方法及*** | |
CN112861678B (zh) | 一种图像识别方法及装置 | |
CN115131826A (zh) | 物品检测识别方法、网络模型的训练方法和装置 | |
CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 |
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 |