CN115359335B 一种视觉目标检测网络模型的训练方法 （湖南艾凯瑞斯智能科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115359335B(45)授权公告日2025.07.08

(21)申请号202210875511.2

(22)申请日2022.07.25

(65)同一申请的已公布的文献号申请公布号CN115359335A

(43)申请公布日2022.11.18

(73)专利权人湖南艾凯瑞斯智能科技有限公司地址410000湖南省长沙市长沙高新开发

区谷苑路186号工程孵化中心大楼-西区102号

(72)发明人陈逢军龚胜王涛胡天

徐志强

(74)专利代理机构长沙中科启明知识产权代理事务所(普通合伙)43226

专利代理师谭勇

(51)Int.CI.

GO6V10/82(2022.01)

GO6V10/774(2022.01)

GO6V10/764(2022.01)

GO6V10/766(2022.01)

GO6V10/80(2022.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

GO6N3/09(2023.01)

G06N3/0985(2023.01)

(56)对比文件

曾浩.《基于深度学习的遥感影像旋转目标检测》.万方学位论文.2022,第1-81页.

审查员曾伟振

权利要求书2页说明书4页附图2页

(54)发明名称

一种视觉目标检测网络模型的训练方法

(57)摘要

CN115359335B本发明涉及一种视觉目标检测网络模型的训练方法，其包括获取图像并标注，将数据按比例划分为训练集和验证集；建立一个目标检测网络模型；利用训练集对目标网络检测模型使用多样本匹配策略进行第一阶段训练，并利用验证集对正在训练的模型进行验证；利用训练集对目标检测网络模型使用单样本匹配策略进行第二阶段训练，并利用验证集对正在训练的模型进行验证；最后将待检测的图像输入训练好的目标检测网络模型，检测出图像中的主体，并且给出每个目标的类别、中心位置和大小。本发明首次提出了一种二阶段的目标检测网络模型的训练方法，在部署后无需进行非极大值抑制处理即可实现

CN115359335B

结束

结束

lecpochs

前向传播

配训练

匹配策略计算代价矩阵

Tos-1cos3-

计算代价矩啤

EpochMuitiepochs

计算Lm

前向传播

反向传播

反向传播

改变样本

计算L0·

配训练

CN115359335B权利要求书1/2页

2

1.一种视觉目标检测网络模型的训练方法，其特征在于，包括以下步骤：

S1,获取图像样本，对于每张图像样本中出现的目标，根据位置、类别和边界标注它们的围框和类别，并将数据集按比例划分为训练集和验证集；

S2,建立一个目标检测网络模型，所述目标检测网络模型包括主干网络、特征融合网络和解耦预测网络，所述主干网络用于特征提取，并将不同尺度的语义特征传入特征融合网络，所述特征融合网络将不同尺度的语义特征进行融合，并将融合后的语义特征传入解耦预测网络，所述解耦预测网络根据融合后的语义特征对每个锚点进行预测；

所述解耦预测网络包括一个分类分支、一个预测分支和一个回归分支，所述分类分支用于预测锚点对应目标类别，所述预测分支用于预测锚点是否包含目标，所述回归分支用于预测锚点对应包围框的位置偏移量和大小；

S3,多样本第一阶段匹配训练，利用训练集对目标网络检测模型使用多样本匹配策略进行训练，并利用验证集对正在训练的模型进行验证；

S4,单样本第二阶段匹配训练，利用训练集对目标检测网络模型使用单样本匹配策略进行训练，并利用验证集对正在训练的模型进行验证；

所述单样本第二阶段匹配训练为预测分支的单独训练；

S5,将待检测的图像输入训练好的目标检测网络模型，检测出图像中的主体，并且给出每个目标的类别、中心位置和大小。

2.根据权利要求1所述视觉目标检测网络模型的训练方法，其特征在于：所述步骤S2中的主干网络为基于卷积神经网络的特征提取器，所述特征提取器包括Resnet和CSPDarknet。

3.根据权利要求1所述视觉目标检测网络模型的训练方法，其特征在于：所述步骤S2中特征融合网络将不同尺度的语义特征进行融合，使得浅层特征具有深层的语义信息，深层