目标检测模型的训练方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及计算机视觉技术领域，尤其涉及一种目标检测模型的训练方法、装置、电子设备及存储介质。


背景技术：

2.目标检测作为计算机视觉领域在很多领域得到广泛应用，通过目标检测可以对图像中人或物体等目标进行检测。
3.由于图像失真严重、目标极端角度、目标遮挡过多以及目标类别模糊等问题，会导致无法确定是何种类目标，可能会对模型学习造成一定不利影响，而常规的填充方案会把所有特征都删掉，降低模型的学习效果。另外，模型较难学习容易犯错造成漏检或误检的目标，而常规的在线选择难例样本强制将难例样本加入训练，难例质量不高，无法着重提升模型对难例的训练。


技术实现要素：

4.本发明实施例中提供了一种目标检测模型的训练方法、装置、电子设备及存储介质，以实现增强模型对难例样本的学习及抑制模型对忽略样本的关注。
5.第一方面，本发明实施例中提供了一种目标检测模型的训练方法，包括：
6.通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置；
7.依据所述候选样本的分类置信度与回归位置以及参考样本区域的位置，确定模型训练过程中所述候选样本区域采用的损失权重信息；其中所述参考样本区域包括图像中模糊目标对应的忽略样本区域和图像中的难例样本区域；
8.依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。
9.第二方面，本发明实施例中还提供了一种目标检测模型的训练装置，包括：
10.分类置信度与回归位置获取模块，用于通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置；
11.损失权重信息获取模块，用于依据所述候选样本的分类置信度与回归位置以及参考样本区域的位置，确定模型训练过程中所述候选样本区域采用的损失权重信息；其中所述参考样本区域包括图像中模糊目标对应的忽略样本区域和图像中的难例样本区域；
12.目标检测模型获取模块，用于依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。
13.第三方面，本发明实施例中还提供了一种电子设备，包括：
14.一个或多个处理装置；
15.存储装置，用于存储一个或多个程序；
16.当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如本发明任意实施例中提供的所述目标检测模型的训练方法。
17.第四方面，本发明实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现如本发明任意实施例中提供的所述目标检测模型的训练方法。
18.本发明实施例中提供了一种目标检测模型的训练方法、装置、电子设备及存储介质，所述方法包括：通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置；依据所述候选样本的分类置信度与回归位置以及参考样本区域的位置，确定模型训练过程中所述候选样本区域采用的损失权重信息；其中所述参考样本区域包括图像中模糊目标对应的忽略样本区域和图像中的难例样本区域；依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。实现增强模型对难例样本的学习及抑制模型对忽略样本的关注。
19.上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
20.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
21.图1是本发明实施例一提供的一种目标检测模型的训练方法的流程图；
22.图2是本发明实施例二提供的一种目标检测模型的训练方法的流程图；
23.图2a是本发明实施例中提供的候选样本区域与参考样本区域的交集区域图例；
24.图2b是本发明实施例中提供的候选样本区域与参考样本区域的并集区域图例；
25.图3是本发明实施例三提供的一种目标检测模型的训练装置的结构框图；
26.图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
27.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
28.在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
29.下面通过以下各个实施例及其可选方案对本技术中提供的目标检测模型的训练方法、装置、电子设备及存储介质进行详细阐述。
30.实施例一
31.图1是本发明实施例一提供的一种目标检测模型的训练方法的流程图。本发明实施例可适用于对目标检测模型训练的情况。该方法可由目标检测模型的训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并集成在任何具有网络通信功能的电子设备上。如图1所示，本技术实施例中提供的目标检测模型的训练方法，可包括以下步骤：
32.s110、通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置。
33.其中，目标检测可以是指在图像中找出所有感兴趣的物体，对物体进行特征提取，同时对物体进行分类与定位。例如在图像出找出所有的忽略样本和难例样本，根据忽略样本和难例样本的特征将两样本进行分类识别与定位。
34.前向传播可以是指在一神经网络中从输入层开始，逐层向前传播，经过隐藏层到达输出层的一个从前往后传播的过程。例如可以是将模型在目标检测网络中从输入层开始，逐层向前传播，经过隐藏层到达输出层，从而得到候选框的过程。
35.候选样本区域可以是指图像中候选样本所在的区域，例如包含但不限于图像中的锚框区域以及经过前向传播输出的样本区域。
36.分类置信度可以是指某样本出现在样本区域内的概率，例如可以是候选样本出现在图像中的概率，通常情况下，置信度的设定值为95％。将目标检测网络前向传播直接对锚框进行分类和回归，从而获取每个样本的分类置信度。
37.可选的，在单阶段目标检测时，所述目标检测网络包括单个阶段的卷积神经网络，所述候选样本区域包括图像中的锚框区域；以及，在两阶段目标检测时，所述目标检测网络包括两阶段目标检测的第二个阶段的卷积神经网络，所述候选样本区域包括通过两阶段目标检测的第一阶段的候选区域网络进行前向传播输出的样本区域。
38.s120、依据所述候选样本的分类置信度与回归位置以及参考样本区域的位置，确定模型训练过程中所述候选样本区域采用的损失权重信息。
39.其中，权重可以是指根据候选框与真实标注框之间的差异确定的，例如可以是候选框与真实标注框之间的类别差异，可以是候选框的位置相对于真实标注框的偏移量。
40.其中所述参考样本区域包括但不限于图像中模糊目标对应的忽略样本区域和图像中的难例样本区域。
41.s130、依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。
42.其中，反向传播可以是指通过损失函数相对于每个参数的梯度不断调整的过程，例如可以是使用梯度下降法对每个参数进行调整，使用损失权重更新模型的参数，从而减小权重引起的误差。
43.忽略样本可以是指由于图像失真严重、目标极端角度、目标遮挡过多、目标类别模糊等问题导致无法确定是何种类的目标；也可以是在一些特殊图像领域，包含但不限于x光安检机图像、医学图像、水下图像等，由于采集技术手段与场景的特殊性，导致图像中出现模棱两可目标的频率更高，并且这些场景下标注人员事先并无法得知目标真实的类别。
44.难例样本可以是指由于物品数据量不足或本身特征比较难导致，模型对这些物品学习不充分，容易犯错造成漏检或误检的目标。例如可以是在目标检测时，经常会将目标所
在的背景作为目标进行检测，从而造成误检。
45.本发明实施例提供了一种目标检测模型的训练方法，通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置；依据所述候选样本的分类置信度与回归位置以及参考样本区域的位置，确定模型训练过程中所述候选样本区域采用的损失权重信息；其中所述参考样本区域包括图像中模糊目标对应的忽略样本区域和图像中的难例样本区域；依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。通过动态调整样本权重，对于忽略样本通过软化的方式丢弃部分特征；对于难例样本，较为缓和的提高模型对难例的学习，使模型训练更稳定，实现增强模型对难例样本的学习及抑制模型对忽略样本的关注。
46.实施例二
47.图2是本发明实施例二提供的一种目标检测模型的训练方法的流程图，本发明实施例在上述实施例的基础上对前述实施例进行进一步优化，本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示，本技术实施例中提供的目标检测模型的训练方法，可包括以下步骤：
48.s210、通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置。
49.其中，候选样本包含但不限于忽略样本和难例样本，在训练前需要获取忽略样本与难例样本标注信息。对于忽略样本人工标注成某个类或者不进行标注都不利于模型的学习。如果标成目标，则可能会对模型正样本的学习带来离群的噪声；若不标成目标，模型在学习时会当成负样本处理，但该区域本身包含部分目标的特征，这样会导致假阴的升高。对于难例样本，实际检测中往往会出现模型对某些类似的物品经常漏检或误检，由于这些物品数据量不足或本身特征比较难，导致模型对这些物品学习不充分。
50.可选地，忽略样本包括训练前预先在图像中标注的由于角度、扭曲、遮挡和/或成像噪声问题失去原有特征，导致人工无法做出判断的模棱两可的目标；所述难例样本包括训练前预先在图像中标注的，模型实际使用时模型漏检或误检概率大于预设概率值的目标，其中，模型漏检概率大于预设漏检概率值的目标标注为难例正样本，模型误检概率大于预设误检概率值的目标标注为难例负样本。
51.可选的，人工对忽略样本进行标注，模型训练前选择图像中由于角度、扭曲、遮挡和/或成像噪声等问题的造成失去原有特征检测目标，或者由于模棱两可导致人工判断难度增大的目标，对其位置坐标进行标注，不区分类别。避免暴力填充将区域中部分有用特征删除，影响图像特征原本的分布。
52.可选的，人工对难例样本进行标注，模型训练前选择图像中经常造成模型漏检或误检的目标，对其位置坐标进行标注，经常漏检的或类别间误检的目标标为正难例，经常误检的背景目标标为负难例。同时，也可采用模型检验的方式替代人工标注，即使用训练好的模型在训练数据上进行推理，根据推理结果与真实标注信息计算得到误检与漏检的目标。有利于提高难例样本选取的质量，着重提升了模型对难例的训练。
53.示例性地，难例样本包括训练前预先在图像中标注的，模型实际使用时模型漏检或误检概率大于预设概率值的目标，其中，模型漏检概率大于预设漏检概率值的目标标注
为难例正样本，模型误检概率大于预设误检概率值的目标标注为难例负样本。通过预设漏检概率值可以将易造成漏检的目标筛选出来，作为易漏检目标；通过预设误检概率值可以将易造成误检的目标筛选出来，作为易误检目标。
54.可选的，将模型进行前向传播计算得到区域生成网络输出的候选框，将候选框中的候选特征固定到相同尺度，最后对这些样本进行第二阶段的分类与回归，得到这每个样本的分类置信度与回归后的坐标。此外，若是一阶段网络如ssd、yolo等，将网络前向传播直接对锚框进行分类和回归，从而获取每个样本的分类置信度与回归后的坐标。
55.其中，将候选框中的候选特征固定到相同尺度可以选用roi pooling，能够用于目标检测，允许对神经网络中的特征图进行反复利用，显著增加训练和检测的速度，同时允许end
‑
to
‑
end的形式训练目标检测系统。
56.s220、依据所述候选样本的回归位置与参考样本区域的位置，计算图像中候选样本区域与参考样本区域的交集区域相对候选样本区域的区域占比。
57.其中，图像中候选样本区域与参考样本区域的交集区域如图2a所示，可以是指候选样本区域与参考样本区域相重合的部分；图像中候选样本区域与参考样本区域的并集区域如图2b所示，可以是指将候选样本区域与参考样本区域相加得到的全部区域。
58.可选的，对于候选框中正负样本的定义，一般采用交并比(iou)，可以是指候选样本区域与参考样本区域的交集和候选样本区域与参考样本区域的并集的比值。当候选样本区域与参考样本区域的iou≥0.5时认为是正样本；当候选样本区域与参考样本区域的iou<0.5时认为是负样本。
59.s230、依据所述相对候选样本区域的区域占比与所述候选样本的分类置信度，确定所述候选样本区域下所述参考样本区域的影响程度取值。
60.其中，所述影响程度取值包括图像中忽略样本的忽略程度得分和图像中难例样本的难例程度得分。
61.可选的，定义忽略标注框的集合为i，忽略标注框不区分正负。若确定候选样本区域属于正样本区域，则采用公式
[0062][0063]
计算得到所述候选样本区域下图像中忽略样本的忽略程度得分；
[0064]
若确定候选样本区域属于负样本区域，则采用公式
[0065][0066]
计算得到所述候选样本区域下图像中忽略样本的忽略程度得分；
[0067]
其中，c
i
表示图像中第i个候选样本的分类置信度，b
i
表示图像中第i个候选样本的位置坐标，n为忽略框的总数量，i
j
为图像中第j个忽略样本的位置坐标，iof(b,i)表示为忽略样本区域在候选样本区域中的区域占比。
[0068]
可选的，难例样本标注框的集合为h，难例样本区分正难例标注框与负难例标注框，正难例标注框集合为hp(hard positive)，负难例标注框集合为hn(hard negative)。若
确定候选样本区域属于正样本区域，则采用公式
[0069][0070]
计算得到所述候选样本区域下图像中难例样本的难例程度得分；
[0071]
若确定候选样本区域属于负样本区域，则采用公式
[0072][0073]
计算得到所述候选样本区域下图像中难例样本的难例程度得分；
[0074]
其中，c
i
表示图像中第i个候选样本的分类置信度，b
i
表示图像中第i个候选样本的位置坐标，i为难例样本的总数量，hp
k
为第k个难例正样本的位置坐标，hn
k
为第k个难例负样本的位置坐标，iof(b,hn)表示为难例样本区域在候选样本区域中的区域占比。
[0075]
s240、依据所述候选样本区域下参考样本区域的影响程度取值，确定所述候选样本区域的损失权重信息。
[0076]
可选的，依据所述候选样本区域下图像中忽略样本的忽略程度得分和图像中难例样本的难例程度得分，采用公式lw＝1
‑
s
ignore
s
hard
计算得到所述候选样本区域的损失权重信息；
[0077]
其中，lw表示候选样本区域的损失权重信息，s
ignore
表示候选样本区域下图像中忽略样本的忽略程度得分，s
hard
表示候选样本区域下图像中难例样本的难例程度得分。
[0078]
s250、依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。
[0079]
其中，计算集合l中每个样本的动态损失权重时，使用该权重更新原损失权重，通常原损失权重默认都是1，模型反向传播计算时使用该损失权重更新模型参数，使用该方法从头训练或微调模型，定量抑制忽略样本与定量增强难例样本。通过抑制忽略样本对模型的影响，增强模型对难例样本的学习，并通过一个通用的范式，同时较好的处理了两类问题，且不影响模型的耗时。
[0080]
本发明实施例中提供了一种目标检测模型的训练方法，通过人工对忽略样本的位置坐标进行标注，避免直接暴力填充时将该区域可能存在的有用特征删掉，避免填充后异常的边缘影响图像特征原本的分布；通过人工对难例样本位置坐标进行标注，将经常漏检的或类别间误检的目标标为正难例，将经常误检的背景目标标为负难例，避免模型在线选择的难例质量不高；同时，也可采用模型检验的方式替代人工标注，即使用训练好的模型在训练数据上进行推理，根据推理结果与真实标注信息计算得到误检与漏检的目标。通过定量抑制忽略样本对模型的影响，定量增强模型对难例样本的学习，并通过一个通用的范式，同时较好的处理了两类问题，且不影响模型的耗时。通过动态调整样本权重的方式起到一种软化影响的作用，对于抑制样本，通过软化的方式丢弃部分特征；对于难例样本，通过该方法较为缓和的提高模型对难例的学习，使模型训练更稳定，着重提升了模型对难例的训练；实现增强模型对难例样本的学习及抑制模型对忽略样本的关注。
[0081]
实施例三
[0082]
图3是本发明实施例三提供的一种目标检测模型的训练装置的结构框图。本发明实施例可适用于目标检测模型的训练的情况。该装置可以采用软件和/或硬件的方式实现，并集成在任何具有网络通信功能的电子设备上。如图3所示，本技术实施例中提供的目标检测模型的训练装置，可包括以下：分类置信度与回归位置获取模块310、损失权重信息获取模块320和目标检测模型获取模块330。其中：
[0083]
分类置信度与回归位置获取模块310，用于通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置；
[0084]
损失权重信息获取模块320，用于依据所述候选样本的分类置信度与回归位置以及参考样本区域的位置，确定模型训练过程中所述候选样本区域采用的损失权重信息；其中所述参考样本区域包括图像中模糊目标对应的忽略样本区域和图像中的难例样本区域；
[0085]
目标检测模型获取模块330，用于依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。
[0086]
在上述实施例的基础上，可选的，分类置信度与回归位置获取模块310包括：
[0087]
在单阶段目标检测时，所述目标检测网络包括单个阶段的卷积神经网络，所述候选样本区域包括图像中的锚框区域；以及，在两阶段目标检测时，所述目标检测网络包括两阶段目标检测的第二个阶段的卷积神经网络，所述候选样本区域包括通过两阶段目标检测的第一阶段的候选区域网络进行前向传播输出的样本区域。
[0088]
在上述实施例的基础上，可选的，所述忽略样本包括训练前预先在图像中标注的由于角度、扭曲、遮挡和/或成像噪声问题导致失去原有特征，从而导致人工无法做出判断的模棱两可的目标；所述难例样本包括训练前预先在图像中标注的，模型实际使用时容易造成模型漏检或误检的目标，其中，容易漏检的目标标注为难例正样本，容易误检的目标标注为难例负样本。比如，难例样本包括训练前预先在图像中标注的，模型实际使用时模型漏检或误检概率大于预设概率值的目标，其中，模型漏检概率大于预设漏检概率值的目标标注为难例正样本，模型误检概率大于预设误检概率值的目标标注为难例负样本。通过预设漏检概率值可以将易造成漏检的目标筛选出来，作为易漏检目标；通过预设误检概率值可以将易造成误检的目标筛选出来，作为易误检目标。
[0089]
在上述实施例的基础上，可选的，损失权重信息获取模块320包括：
[0090]
依据所述候选样本的回归位置与参考样本区域的位置，计算图像中候选样本区域与参考样本区域的交集区域相对候选样本区域的区域占比；依据所述相对候选样本区域的区域占比与所述候选样本的分类置信度，确定所述候选样本区域下所述参考样本区域的影响程度取值；所述影响程度取值包括图像中忽略样本的忽略程度得分和图像中难例样本的难例程度得分；
[0091]
依据所述候选样本区域下参考样本区域的影响程度取值，确定所述候选样本区域的损失权重信息。
[0092]
在上述实施例的基础上，可选的，在参考样本区域为忽略样本区域时，依据所述相对候选样本区域的区域占比与所述候选样本的分类置信度，确定所述候选样本区域下所述参考样本区域的影响程度取值，包括：
[0093]
若确定候选样本区域属于正样本区域，则采用公式
[0094][0095]
计算得到所述候选样本区域下图像中忽略样本的忽略程度得分；
[0096]
若确定候选样本区域属于负样本区域，则采用公式
[0097][0098]
计算得到所述候选样本区域下图像中忽略样本的忽略程度得分；
[0099]
其中，c
i
表示图像中第i个候选样本的分类置信度，b
i
表示图像中第i个候选样本的位置坐标，n为忽略框的总数量，i
j
为图像中第j个忽略样本的位置坐标，iof(b,i)表示为忽略样本区域在候选样本区域中的区域占比。
[0100]
在上述实施例的基础上，可选的，在参考样本区域为难例样本区域时，依据所述相对候选样本区域的区域占比与所述候选样本的分类置信度，确定所述候选样本区域下所述参考样本区域的影响程度取值，包括：
[0101]
若确定候选样本区域属于正样本区域，则采用公式
[0102][0103]
计算得到所述候选样本区域下图像中难例样本的难例程度得分；
[0104]
若确定候选样本区域属于负样本区域，则采用公式
[0105][0106]
计算得到所述候选样本区域下图像中难例样本的难例程度得分；
[0107]
其中，c
i
表示图像中第i个候选样本的分类置信度，b
i
表示图像中第i个候选样本的位置坐标，i为难例样本的总数量，hp
k
为第k个难例正样本的位置坐标，hn
k
为第k个难例负样本的位置坐标，iof(b,hn)表示为难例样本区域在候选样本区域中的区域占比。
[0108]
在上述实施例的基础上，可选的，依据所述候选样本区域下参考样本区域的影响程度取值，确定所述候选样本区域的损失权重信息，包括：
[0109]
依据所述候选样本区域下图像中忽略样本的忽略程度得分和图像中难例样本的难例程度得分，采用公式lw＝1
‑
s
ignore
s
hard
计算得到所述候选样本区域的损失权重信息；
[0110]
其中，s
ignore
表示候选样本区域下图像中忽略样本的忽略程度得分，s
hard
表示候选样本区域下图像中难例样本的难例程度得分。
[0111]
本发明实施例中所提供的目标检测模型的训练装置可执行上述本发明任意实施例中所提供的目标检测模型的训练方法，具备执行该目标检测模型的训练方法相应的功能和有益效果，详细过程参见前述实施例中目标检测模型的训练方法的相关操作。
[0112]
实施例四
[0113]
图4是本发明实施例四提供的一种电子设备的结构示意图。如图4所示结构，本发明实施例中提供的电子设备包括：一个或多个处理器410和存储装置420；该电子设备中的处理器410可以是一个或多个，图4中以一个处理器410为例；存储装置420用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器410执行，使得所述一个或多个处理器410实现如本发明实施例中任一项所述的目标检测模型的训练方法。
[0114]
该电子设备还可以包括：输入装置430和输出装置440。
[0115]
该电子设备中的处理器410、存储装置420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
[0116]
该电子设备中的存储装置420作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中所提供的目标检测模型的训练方法对应的程序指令/模块。处理器410通过运行存储在存储装置420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中目标检测模型的训练方法。
[0117]
存储装置420可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储装置420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0118]
输入装置430可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
[0119]
并且，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器410执行时，程序进行如下操作：
[0120]
通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置；
[0121]
依据所述候选样本的分类置信度与回归位置以及参考样本区域的位置，确定模型训练过程中所述候选样本区域采用的损失权重信息；其中所述参考样本区域包括图像中模糊目标对应的忽略样本区域和图像中的难例样本区域；
[0122]
依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。
[0123]
当然，本领域技术人员可以理解，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器410执行时，程序还可以进行本发明任意实施例中所提供的目标检测模型的训练方法中的相关操作。
[0124]
实施例五
[0125]
本发明实施例中提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时用于执行目标检测模型的训练方法，该方法包括：
[0126]
通过目标检测网络前向传播对图像中候选样本区域进行分类与回归，得到图像中候选样本的分类置信度与回归位置；
[0127]
依据所述候选样本的分类置信度与回归位置以及参考样本区域的位置，确定模型
训练过程中所述候选样本区域采用的损失权重信息；其中所述参考样本区域包括图像中模糊目标对应的忽略样本区域和图像中的难例样本区域；
[0128]
依据候选样本区域采用的损失权重信息进行反向传播，控制目标检测网络的参数向抑制忽略样本与增强难例样本的方向调整，得到训练的目标检测模型。
[0129]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(random access memory，ram)、只读存储器(read only memory，rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式cd
‑
rom、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0130]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0131]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(radiofrequency，rf)等等，或者上述的任意合适的组合。
[0132]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0133]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0134]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。