目标检测模型训练方法和目标检测方法与流程

本发明涉及遥感图像及目标检测，尤其涉及一种目标检测模型训练方法和目标检测方法。

背景技术：

1、目标检测是从图像中精确且高效地识别、定位出预定义类别的物体实例。现有目标检测方法主要分为两类，一是基于卷积神经网络(convolutional neural network，cnn)的方法，即cnn-based方法，二是目标检测网络(detection transformer，detr)类方法，即transformer-based方法。

2、cnn-based方法通常都会因检测结果存在大量冗余而需要非极大值抑制(non-maximum suppression，nms)作为后处理来得到最终的检测结果。但由于分类和回归任务的不一致性，使用常规的nms算子会影响检测精度，比如检测结果中有的检测框分类置信度高但是定位不够准确，有的定位更为准确但是分类置信度低，使用常规的nms采用分类置信度作为排序标准，分类置信度高但定位不准确的检测框就会压制分类置信度低但定位较为准确的检测框，导致定位性能不佳。而detr类方法，对于遥感图像，由于遥感图像范围广、背景较为复杂、目标尺寸小等，存在检测精度低、误检率和漏检率高的问题。因此，亟需一种有效的方案以解决上述问题。

技术实现思路

1、针对现有技术存在的问题，本发明实施例提供一种目标检测模型训练方法和目标检测方法。

2、本发明提供一种目标检测模型训练方法，包括：

3、获取携带有第一标注信息的训练样本图，并将所述训练样本图输入至初始检测模型中进行目标检测，得到预测结果；

4、在所述第一标注信息为标签框的情况下，根据所述预测结果中各初始预测框的综合度量值，从各所述初始预测框中筛选目标候选框；

5、根据所述目标候选框和所述标签框计算损失值，并根据所述损失值调整所述初始检测模型的模型参数；

6、继续执行所述获取携带有第一标注信息的训练样本图的步骤，直至达到训练停止条件，得到训练好的目标检测模型。

7、根据本发明提供的一种目标检测模型训练方法，

8、所述根据所述预测结果中各初始预测框的综合度量值，从各所述初始预测框中筛选目标候选框之前，还包括：

9、针对所述预测结果中的每个所述初始预测框，获取所述初始预测框对应的分类置信度，并计算所述初始预测框与所述标签框的交并比；

10、根据所述分类置信度和所述交并比，确定所述初始预测框的综合度量值。

11、根据本发明提供的一种目标检测模型训练方法，所述根据所述预测结果中各初始预测框的综合度量值，从各所述初始预测框中筛选目标候选框，包括：

12、按照所述综合度量值从大到小的顺序，从所述预测结果中选取前k个初始预测框作为目标候选框，k为正整数。

13、根据本发明提供的一种目标检测模型训练方法，所述根据所述损失值调整所述初始检测模型的模型参数之前，还包括：

14、计算各所述目标候选框与所述标签框的交并比；

15、相应地，所述根据所述损失值调整所述初始检测模型的模型参数，包括：

16、将各所述交并比嵌入到所述初始检测模型的分类分支中，并根据所述损失值调整所述初始检测模型的模型参数。

17、根据本发明提供的一种目标检测模型训练方法，所述继续执行所述获取携带有第一标注信息的训练样本图的步骤，直至达到训练停止条件，得到训练好的目标检测模型之后，还包括：

18、获取携带有第二标注信息的验证样本图，并将所述验证样本图输入至所述目标检测模型中进行目标检测，得到第一检测结果；

19、对所述第一检测结果中的各检测框进行去重处理，得到第二检测结果；

20、根据所述第二检测结果和所述第二标注信息，确定所述目标检测模型的验证结果。

21、根据本发明提供的一种目标检测模型训练方法，所述对所述第一检测结果中的各检测框进行去重处理，得到目标检测结果，包括：

22、计算所述第一检测结果中各检测框的综合度量值；

23、以所述综合度量值为排序标准，采用非极大值抑制对所述第一检测结果中的各检测框进行去重处理，得到第二检测结果。

24、根据本发明提供的一种目标检测模型训练方法，所述继续执行所述获取携带有第一标注信息的训练样本图的步骤，直至达到训练停止条件，得到训练好的目标检测模型之后，还包括：

25、获取携带有第三标注信息的测试样本图，并将所述测试样本图输入至所述目标检测模型中进行目标检测，得到第三检测结果；

26、获取所述第三检测结果中各检测框的分类置信度；

27、以所述分类置信度为排序标准，采用非极大值抑制对所述第三检测结果中的各检测框进行去重处理，得到第四检测结果；

28、根据所述第四检测结果和所述第三标注信息，确定所述目标检测模型的测试结果。

29、根据本发明提供的一种目标检测模型训练方法，所述获取携带有第一标注信息的训练样本图之前，还包括：

30、获取多个携带有标注信息的初始图像；

31、针对每个所述初始图像，将各初始图像缩放至第一设定大小，得到第一目标图像，并将所述初始图像进行多尺度变换和图像块切分，得到至少一个第二目标图像，所述目标图像为第二设定大小；根据所述初始图像，对各所述第二目标图像携带的标注信息进行调整；

32、将各所述第一目标图像和各所述第二目标图像进行划分，得到训练集、验证集和测试集中的至少一个。

33、根据本发明提供的一种目标检测模型训练方法，所述将所述初始图像进行多尺度变换和图像块切分，得到至少一个第二目标图像，包括：

34、将所述初始图像进行多尺度变换，得到备用图像；

35、按照设定重叠间隔和所述第二设定大小，对所述备用图像进行图像块切分，得到至少一个第二目标图像。

36、本发明还提供一种目标检测方法，包括：

37、获取待检测图像；

38、将所述待检测图像输入至训练好的目标检测模型中进行目标检测，得到携带有至少一个初始检测框的中间图像，所述目标检测模型基于前述的目标检测模型训练方法训练得到；

39、对所述中间图像中的至少一个初始检测框进行去重处理，得到携带有目标检测框的目标图像。

40、本发明还提供一种目标检测模型训练装置，包括：

41、训练样本图获取模块，被配置为获取携带有第一标注信息的训练样本图，并将所述训练样本图输入至初始检测模型中进行目标检测，得到预测结果；

42、筛选模块，被配置为在所述第一标注信息为标签框的情况下，根据所述预测结果中各初始预测框的综合度量值，从各所述初始预测框中筛选目标候选框；

43、调整模块，被配置为根据所述目标候选框和所述标签框计算损失值，并根据所述损失值调整所述初始检测模型的模型参数；

44、训练模块，被配置为继续执行所述获取携带有第一标注信息的训练样本图的步骤，直至达到训练停止条件，得到训练好的目标检测模型。

45、本发明还提供一种目标检测装置，包括：

46、待检测图像获取模块，被配置为获取待检测图像；

47、检测模块，被配置为将所述待检测图像输入至训练好的目标检测模型中进行目标检测，得到携带有至少一个初始检测框的中间图像，所述目标检测模型基于前述的目标检测模型训练方法训练得到；

48、去重模块，被配置为对所述中间图像中的至少一个初始检测框进行去重处理，得到携带有目标检测框的目标图像。

49、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在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如上述任一种所述目标检测模型训练方法或目标检测方法。

50、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述目标检测模型训练方法或目标检测方法。

51、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述目标检测模型训练方法或目标检测方法。

52、本发明提供的目标检测模型训练方法和目标检测方法，获取携带有第一标注信息的训练样本图，并将所述训练样本图输入至初始检测模型中进行目标检测，得到预测结果；在所述第一标注信息为标签框的情况下，根据所述预测结果中各初始预测框的综合度量值，从各所述初始预测框中筛选目标候选框；根据所述目标候选框和所述标签框计算损失值，并根据所述损失值调整所述初始检测模型的模型参数；继续执行所述获取携带有第一标注信息的训练样本图的步骤，直至达到训练停止条件，得到训练好的目标检测模型。通过将表征定位能力和分类能力的综合度量值作为选取目标候选框的指标，通过相应的损失函数在训练中进行联合优化，可以同时控制分类得分和定位的优化来实现任务的一致性对齐，引导网络动态的关注高质量的预测框，提高了目标检测模型的鲁棒性和预测准确率。