技术特征：
1.一种神经网络训练方法，其特征在于，所述方法包括：获取样本图像集和采集物品图像集，所述样本图像集包括针对同一样本物品采集得到的至少一个样本物品图像，所述采集物品图像包括采集的真实物品摆放图像；基于所述样本图像集，生成模拟物品摆放的样本物品摆放图像，以及所述样本物品摆放图像的样本物品标注信息；将所述样本物品摆放图像和所述真实物品摆放图像输入至神经网络，获取所述神经网络分别对所述样本物品摆放图像和所述真实物品摆放图像进行特征提取得到的第一特征数据和第二特征数据，以及所述神经网络输出的所述样本物品摆放图像的物品检测结果；基于所述物品检测结果和对应的样本物品标注信息，以及所述第一特征数据、所述第二特征数据和针对所述样本物品摆放图像与所述真实物品摆放图像的预设分类结果，调整所述神经网络的网络参数，直至所述神经网络满足训练截止条件，将训练完毕的所述神经网络作为用于对图像中物品进行检测的物品检测模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述样本图像集，生成模拟物品摆放的样本物品摆放图像，以及所述样本物品摆放图像的样本物品标注信息，包括：基于所述样本图像集中的至少一个样本物品图像，生成所述样本图像集对应的样本物品的三维物品虚拟模型；对生成的三维物品虚拟模型进行仿真密集摆放，生成模拟物品摆放的样本物品摆放图像，以及所述样本物品摆放图像的样本物品标注信息，其中，所述样本物品摆放图像包括生成的至少部分三维物品虚拟模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述样本图像集中的至少一个样本物品图像，生成所述样本图像集对应的样本物品的三维物品虚拟模型，包括：基于所述样本图像集中的至少一个样本物品图像，生成所述样本图像集对应的样本物品的初始虚拟模型；按照所述样本物品的物品信息，对所述初始虚拟模型进行纹理渲染和材质渲染，得到所述样本物品的三维物品虚拟模型。4.根据权利要求2所述的方法，其特征在于，所述对生成的三维物品虚拟模型进行仿真密集摆放，生成模拟物品摆放的样本物品摆放图像，以及所述样本物品摆放图像的样本物品标注信息，包括：对生成的三维物品虚拟模型进行仿真密集摆放，得到在目标空间中摆放至少部分三维物品虚拟模型的至少两个物品摆放场景，以及每个物品摆放场景中各个三维物品虚拟模型的摆放信息；针对每个物品摆放场景，按照预设的、针对所述物品摆放场景的场景信息，对所述物品摆放场景中的每个三维物品虚拟模型进行渲染，得到渲染后的物品摆放场景；获取针对所述渲染后的物品摆放场景进行图像采集得到的样本物品摆放图像；基于对应的各个三维物品虚拟模型的摆放信息，确定所述样本物品摆放图像对应的样本物品标注信息。5.根据权利要求1所述的方法，其特征在于，所述将所述样本物品摆放图像和所述真实物品摆放图像输入至神经网络，获取所述神经网络分别对所述样本物品摆放图像和所述真实物品摆放图像进行特征提取得到的第一特征数据和第二特征数据，以及所述神经网络输
出的所述样本物品摆放图像的物品检测结果，包括：将所述样本物品摆放图像和所述真实物品摆放图像输入至神经网络，通过所述神经网络的特征提取层对所述样本物品摆放图像和所述真实物品摆放图像进行特征提取，得到所述样本物品摆放图像的第一特征数据和所述真实物品摆放图像的第二特征数据；将所述第一特征数据输入至所述神经网络的物品检测层中，得到对所述样本物品摆放图像进行物品检测的物品检测结果。6.根据权利要求1所述的方法，其特征在于，将所述第一特征数据和所述第二特征数据作为目标特征数据，将所述样本物品摆放图像和所述真实物品摆放图像作为目标图像，所述基于所述物品检测结果和对应的样本物品标注信息，以及所述第一特征数据、所述第二特征数据和针对所述样本物品摆放图像与所述真实物品摆放图像的预设分类结果，调整所述神经网络的网络参数，直至所述神经网络满足训练截止条件，包括：基于所述目标特征数据和针对所述目标图像的预设分类结果，确定针对所述神经网络在特征提取方面的第一损失值；基于所述物品检测结果和对应的样本物品标注信息，确定针对所述神经网络在物品检测方面的第二损失值；基于所述第一损失值和所述第二损失值，调整所述神经网络的网络参数，直至所述神经网络满足训练截止条件为止。7.根据权利要求6所述的方法，其特征在于，所述基于所述目标特征数据和针对所述目标图像的预设分类结果，确定针对所述神经网络在特征提取方面的第一损失值，包括：基于所述目标特征数据，确定所述目标图像的图像分类结果；基于所述图像分类结果和针对所述目标图像的预设分类结果，确定针对所述神经网络在特征提取方面的第一损失值。8.根据权利要求6所述的方法，其特征在于，所述训练截止条件包括第一截止条件和第二截止条件，所述基于所述第一损失值和所述第二损失值，调整所述神经网络的网络参数，直至所述神经网络满足训练截止条件为止，包括：基于所述第一损失值，调整所述神经网络的特征提取层的网络参数，直至所述神经网络满足所述第一截止条件为止；基于所述第二损失值，调整所述神经网络的物品检测层的网络参数，以及所述物品检测层与所述特征提取层之间的网络参数，直至所述神经网络满足所述第二截止条件为止。9.根据权利要求6所述的方法，其特征在于，所述基于所述第一损失值和所述第二损失值，调整所述神经网络的网络参数，直至所述神经网络满足训练截止条件为止，包括：基于所述第一损失值和所述第二损失值，调整所述神经网络的特征提取层的网络参数和物品检测层的网络参数，以及所述物品检测层与所述特征提取层之间的网络参数，直至所述神经网络满足训练截止条件为止。10.一种物品检测方法，其特征在于，所述方法包括：获取待检测图像；将所述待检测图像输入至根据权利要求1-9中任一项所述的神经网络训练方法训练得到的物品检测模型中，得到针对所述待检测图像中目标物品的检测结果。11.一种神经网络训练装置，其特征在于，所述装置包括：
物品图像获取模块，用于获取样本图像集和采集物品图像集，所述样本图像集包括针对同一样本物品采集得到的至少一个样本物品图像，所述采集物品图像包括采集的真实物品摆放图像；样本图像生成模块，用于基于所述样本图像集，生成模拟物品摆放的样本物品摆放图像，以及所述样本物品摆放图像的样本物品标注信息；样本图像处理模块，用于将所述样本物品摆放图像和所述真实物品摆放图像输入至神经网络，获取所述神经网络分别对所述样本物品摆放图像和所述真实物品摆放图像进行特征提取得到的第一特征数据和第二特征数据，以及所述神经网络输出的所述样本物品摆放图像的物品检测结果；神经网络训练模块，用于基于所述物品检测结果和对应的样本物品标注信息，以及所述第一特征数据、所述第二特征数据和针对所述样本物品摆放图像与所述真实物品摆放图像的预设分类结果，调整所述神经网络的网络参数，直至所述神经网络满足训练截止条件，将训练完毕的所述神经网络作为用于对图像中物品进行检测的物品检测模型。12.一种物品检测装置，其特征在于，所述装置包括：获取模块，用于获取待检测图像；检测模块，用于将所述待检测图像输入至根据权利要求1-9中任一项所述的神经网络训练方法训练得到的物品检测模型中，得到针对所述待检测图像中目标物品的检测结果。13.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至9任一项所述的神经网络训练方法或权利要求10中所述的物品检测方法的步骤。14.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至9任一项所述的神经网络训练方法或权利要求10中所述的物品检测方法的步骤。
技术总结
本公开提供了一种神经网络训练方法、物品检测方法、装置、设备及介质，通过获取样本物品图像，生成模拟样本物品摆放的样本物品摆放图像，并使用样本物品摆放图像，结合真实物品摆放图像对神经网络进行训练，可以大大减少采集和标注训练样本所需的工作量，降低人力、物力等资源和成本的消耗，节省样本构建时间，提高采集训练样本的效率，并且可以有效降低采集真实训练样本时所遇到的环境、时间、光照等因素带来的影响，增加样本的丰富性，有效地提升神经网络训练的鲁棒性和泛化能力。经网络训练的鲁棒性和泛化能力。经网络训练的鲁棒性和泛化能力。
技术研发人员：李思奇 田茂清 刘建博 伊帅
受保护的技术使用者：北京市商汤科技开发有限公司
技术研发日：2022.06.17
技术公布日：2022/9/9