(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210993151.6 (22)申请日 2022.08.18 (71)申请人 安徽大学 地址 230000 安徽省合肥市九龙路1 11号 (72)发明人 贾兆红　操震　唐俊　段章领　 王坤　周行云　仰劲涛　彭志　 宋俊材　朱杰　王梦然　 (74)专利代理 机构 合肥汇融专利代理有限公司 34141 专利代理师 赵宗海 (51)Int.Cl. G06V 10/82(2022.01) G06V 20/70(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06V 10/766(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 10/26(2022.01) G06V 10/22(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种目标检测模型的构建方法及装置 (57)摘要 本发明涉及计算机视觉技术领域， 解决了 现 有建模方法越来越复杂的技术问题， 尤其涉及一 种目标检测模型的构建方法， 包括以下步骤： 根 据基础目标检测网络， 通过采用多层注意力机制 构建网络 预测辅助头； 根据网络预测辅助头的预 测结果， 在标签 分配任务中动态自适应寻优划分 正负样本， 并对预设的训练损失函数进行优化， 得到优化后的训练损失函数， 设计新的加权策 略； 采用优化后的训练损失函数和新的加权策略 对基础目标检测网络进行优化； 对优化后的基础 目标检测 网络进行训练， 得到目标检测模型。 本 发明通过构建目标检测网络预测辅助头并计算 网络预测辅助头的预测结果， 从而能够在无需复 杂建模的情况下提升目标检测模型的性能和检 测精度。 权利要求书3页 说明书12页 附图6页 CN 115240052 A 2022.10.25 CN 115240052 A 1.一种目标检测模型的构建方法， 其特 征在于， 包括以下步骤： S1、 根据目标检测标签分配方向通用算法， 确定基础目标检测网络； S2、 采用多层注意力机制根据所述基础目标检测网络， 构建网络预测辅助头； S3、 根据所述网络预测辅助头的预测结果， 在标签分配任务中动态自适应寻优划分正 负样本； S4、 根据所述网络预测辅助头的预测结果， 对预设的训练损失函数进行优化， 得到优化 后的训练损失函数并设计新的加权策略； S5、 采用优化后的训练损失函数和新的加权策略， 对所述基础目标检测网络进行优化； S6、 根据随机梯度下降法， 对优化后的基础目标检测网络进行优化训练， 得到目标检测 模型。 2.根据权利要求1所述的目标检测模型的构建方法， 其特征在于， 所述步骤S2的具体步 骤如下： S21、 根据基础目标检测网络的特征金字塔模块输出的初步特征图， 得到动态任务感知 模块增强后的第一特 征图； S22、 根据动态任务感知模块得到的第一特征图， 进行多次卷积操作得到增强后的第二 特征图； S23、 根据动态任务交互增强模块得到的第二特征图， 通过不同的卷积操作 得到网络预 测辅助头 。 3.根据权利要求1所述的目标检测模型的构建方法， 其特征在于， 步骤S3 中所述网络预 测辅助头的预测结果包括分类任务分支预测结果、 回归任务分支预测结果以及质量评估分 支预测结果。 4.根据权利要求3所述的目标检测模型的构建方法， 其特征在于， 所述步骤S3具体包括 以下步骤： S31、 获取基础目标检测网络的特 征金字塔模块输出的所有特 征图上生成的锚框； S32、 根据获取的锚框和网络预测辅助头的预测结果， 得到网络预测的分类、 回归和质 量评估得分， 并构造预测样本 评分函数和先验样本 评分函数； S33、 根据网络预测的分类、 回归和质量评估得分， 计算每个锚框的综合得分， 并合计所 有锚框的回归得分之和k； S34、 根据先验样本 评分函数， 选取 前Top‑k锚框作为 正样本锚框候选集； S35、 根据正样本锚框候选集， 动态更新k值， 使其为正样本锚框候选集中所有锚框的回 归得分之和； S36、 根据预测样本评分函数和更新后的k值， 选取前Top ‑k锚框作为正样本， 剩余锚框 设置为负 样本。 5.根据权利要求4所述的目标检测模型的构建方法， 其特征在于， 所述预测样本评分函 数指基于网络预测辅助头中分类任务分支和质量评估任务分支的预测结果， 得到的分类得 分和中心度得分的乘积； 所述先验样本评 分函数指 基于网络预测辅助头中回归任务分支的 预测结果以及真实标签中心点先验， 得到的回归得分和中心先验得分的乘积。 6.根据权利要求1所述的目标检测模型的构建方法， 其特征在于， 步骤S4中所述优化后 的训练损失函数的表达式为：权　利　要　求　书 1/3 页 2 CN 115240052 A 2L＝α Lcls+β Lloc+γLcenter‑iou 式中， α、 β 、 γ是训练中用到的超参数， Lcls是分类任务分支的损失函数， Lreg是回归任务 分支的损失函数， Lcenter‑iou是质量评估 任务分支的损失函数。 7.一种目标检测模型的构建装置， 其特 征在于， 包括： 基础目标检测网络确定模块(10)， 所述基础目标检测网络确定模块(10)用于根据目标 检测标签分配方向通用算法， 确定基础目标检测网络； 网络预测辅助头构 建模块(20)， 所述网络预测辅助头构建模块(20)用于采用多层注意 力机制根据所述基础目标检测网络， 构建网络预测辅助头； 正负样本划分模块(30)， 所述正负样本划分模块(30)用于根据网络预测辅助头的预测 结果， 在标签分配任务中动态自适应寻优划分正负 样本； 损失函数优化模块(40)， 所述损失函数优化模块(40)用于根据所述网络预测辅助头的 预测结果， 对预设的训练损失函数进 行优化， 得到优化后的训练损失函数， 并设计新的加权 策略； 模型优化模块(50)， 所述模型优化模块(50)用于采用优化后的训练损失函数和新的加 权策略， 对所述基础目标检测网络进行优化； 模型训练模块(60)， 所述模型训练模块(60)用于根据随机梯度下降法， 对优化后的基 础目标检测网络进行优化训练， 得到目标检测模型。 8.根据权利要求7所述的目标检测模型的构建装置， 其特征在于， 所述网络预测辅助头 构建模块(20)包括： 第一特征图获取单元(201)， 所述第一特征图获取单元(201)用于根据基础目标检测网 络的特征金字塔模块输出的初步特 征图， 得到动态任务感知模块增强后的第一特 征图； 第二特征图获取单元(202)， 所述第二特征图获取单元(202)用于根据动态任务感知模 块得到的第一特 征图， 进行多次卷积 操作得到增强后的第二特 征图； 网络预测辅助头生成单元(203)， 所述网络预测辅助头生成单元(203)用于根据动态任 务交互增强模块得到的第二特 征图， 通过不同的卷积 操作得到网络预测辅助头 。 9.根据权利要求7所述的目标检测模型的构建装置， 其特征在于， 所述正负样本划分模 块(30)包括： 锚框获取单元(301)， 所述锚框获取单元(301)用于获取基础目标检测网络的特征金字 塔模块输出的所有特 征图上生成的锚框； 第一计算单元(302)， 所述第一计算单元(302)用于根据获取的锚框和网络预测辅助头 的预测结果， 得到网络预测的分类、 回归和质量评估得分， 并构造预测样本评分函数和先验 样本评分函数； 第二计算单元(303)， 所述第二计算单元(303)用于根据网络预测的分类、 回归和质量 评估得分， 计算每 个锚框的综合得分， 并合计所有锚框的回归得分之和k； 正样本锚框候选集生成单元(304)， 所述正样本锚框候选集生成单元(304)用于根据先 验样本评分函数， 选取 前Top‑k锚框作为 正样本锚框候选集； 动态更新单元(305)， 所述动态更新单元(305)用于根据 正样本锚框候选集， 动态更新k 值， 使其为正样本锚框候选集中所有锚框的回归得分之和； 正负样本生成单元(306)， 所述正负样本生成单元(306)用于根据预测样本评分函数和权　利　要　求　书 2/3 页 3 CN 115240052 A 3