(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211059995.X (22)申请日 2022.09.01 (65)同一申请的已公布的文献号 申请公布号 CN 115131655 A (43)申请公布日 2022.09.30 (73)专利权人 浙江啄云智能科技有限公司 地址 310000 浙江省杭州市滨江区浦沿街 道六和路3 07号2幢9层901室 (72)发明人 王威　李林超　何林阳　周凯　 张腾飞　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 专利代理师 霍文娟 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/75(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) (56)对比文件 CN 113780277 A,2021.12.10 CN 112232450 A,2021.01.15 CN 114429459 A,202 2.05.03 CN 114863091 A,202 2.08.05 CN 113177576 A,2021.07.27 CN 114220063 A,2022.03.22 CN 114586072 A,202 2.06.03 CN 114882324 A,202 2.08.09 WO 2021198446 A1,2021.10.07 US 2022222525 A1,202 2.07.14 李阳等.基 于显著图的弱监 督实时目标检 测. 《自动化学报》 .2019,(第02期),第242-25 5 页. Xuefeng Du et al.Un known-Aware Object Detection: Learn ing What You Do n"t Know from Videos i n the Wild. 《Arxiv》 .202 2,(续) 审查员 崔小利 (54)发明名称 目标检测模 型的训练方法、 装置与目标检测 方法 (57)摘要 本申请提供了一种目标检测模型的训练方 法、 装置与目标检测方法。 该目标检测模型的训 练方法包括： 获取训练图像； 采用第一检测网络 对训练图像中的候选样本区域进行分类和回归 处理， 得到候选样本对应的分类标签和回归位 置； 基于经第一检测网络处理得到的第二类型目 标的分类标签重新分配候选样本的正负样本属 性， 得到分配结果， 且将分配结果输入至第二检 测网络中进行训练， 且确定训练过程中各候选样 本区域的动态损失权重信息； 依据动态损失权重 信息和经第一检测网络处理得到的候选样本对 应的分类标签和回归位置， 进行反向传播， 以调 整第一检测网络的参数和第二检测网络的参数。本方案可以实现对在标注时无法准确确定种类 的目标的种类的确定 。 [转续页] 权利要求书5页 说明书16页 附图4页 CN 115131655 B 2022.11.22 CN 115131655 B (56)对比文件 Zhiheng Wu et al.UC -OWOD: Unknown-Classified Open W orld Object Detecti on. 《Arxiv》 .202 2,2/2 页 2[接上页] CN 115131655 B1.一种目标检测模型的训练方法， 其特 征在于， 包括： 获取训练图像， 所述训练图像中标注有第 一类型目标的位置和所述第 一类型目标的确 定类别、 第二类型目标的位置和所述第二类型目标 的未知类别， 所述第一类型目标指的是 在标注时能够准确确定类别的目标， 所述第二类型目标指的是在标注时无法准确确定类别 的目标； 采用第一检测网络对所述训练图像中的候选样本区域进行分类和回归处理， 得到候选 样本对应的分类标签和回归位置， 所述候选样本区域包括所述第一类型目标所在的区域和 所述第二类型目标 所在的区域； 基于经所述第一检测网络处理得到的所述第二类型目标的所述分类标签重新分配候 选样本的正负样本属 性， 得到分配结果， 且将所述分配结果输入至第二检测网络中进行训 练， 且确定训练过程中各候选样本区域的动态损失权 重信息； 依据所述动态损失权重信息和经所述第一检测网络处理得到的所述候选样本对应的 分类标签和回归位置， 进行反向传播， 以调整所述第一检测网络的参数和所述第二检测网 络的参数； 采用第一检测网络对所述训练图像中的候选样本区域进行分类和回归处理， 得到候选 样本对应的分类标签和回归位置之前， 所述方法还 包括： 采用主干网络模型对所述训练图像进行 特征提取处 理， 得到特 征提取结果； 将所述特征提取结果和预设锚框输入至区域网络模型中进行训练， 得到候选框列表， 所述候选框列表中包括所述第一类型目标对应的候选框和所述第二类型目标对应的候选 框； 所述第一检测网络包括第 一采样器和第 一检测头， 采用第 一检测网络对所述训练图像 中的候选样本区域进行分类和回归处 理， 得到候选样本对应的分类标签和回归位置， 包括： 采用第一采样器将所述候选框列表中的第 二类型候选框去除， 得到第 一类型候选框集 合， 所述第二类型候选框与所述第二类型目标相对应， 所述第一类型候选框与所述第一类 型目标相对应； 对所述第一类型候选 框集合进行随机采样处 理， 得到可信候选 框列表； 采用所述第 一检测头对所述可信候选框列表进行分类和回归处理， 得到所述第 一类型 目标的分类标签和回归位置; 采用第一检测网络对所述训练图像中的候选样本区域进行分类和回归处理， 得到候选 样本对应的分类标签和回归位置的过程中， 所述方法还 包括： 将所述可信候选框列表输入至所述第 一检测头 中进行前向传播处理和反 向传播处理， 以更新所述第一检测头中的参数， 得到更新后的第一检测头； 将所述候选框列表中的所有的候选框输入至所述更新后的第一检测头中进行二次前 向传播处 理， 得到各 所述候选框的预测框， 所述预测框具有回归类别和回归位置 。 2.根据权利要求1所述的方法， 其特征在于， 依据 所述动态损失权重信 息和经所述第 一 检测网络处理得到的所述候选样本对应的分类标签和回归位置， 进行反向传播， 以调整所 述第一检测网络的参数和所述第二检测网络的参数， 包括： 依据所述动态损失权重信息和经所述第一检测网络处理得到的所述候选样本对应的 分类标签和回归位置， 构建联合损失函数；权　利　要　求　书 1/5 页 2 CN 115131655 B 3