(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 202211112982.4 (22)申请日 2022.09.14 (66)本国优先权数据 202210904560.4 2022.07.29 CN (71)申请人 中国科学院空天信息创新研究院 地址 100190 北京市海淀区北四环西路19 号 (72)发明人 纪奕才　程璐　李超　刘小军　 方广有　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 专利代理师 金怡 (51)Int.Cl. G06V 10/764(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 目标识别网络模 型的训练方法、 电子 设备及 程序产品 (57)摘要 本公开实施例公开了一种目标识别网络模 型的训练方法、 电子设备及程序产品， 所述方法 包括： 获取样本数据集； 样本数据集包括样本图 像以及样 本图像的标注信息； 标注信息包括样本 图像中样 本目标的位置信息； 将样 本图像进行对 比度增强预处理后， 输入至目标识别网络模型 中， 获得预测结果； 目标识别网络模型包括附加 特征提取模块和分类回归模块； 附加特征提取模 块包括作为基础网络的ResNet ‑50残差网络和多 个第一卷积层， 多个第一卷积层用于从基础网络 提取的特征图获得不同尺度的特征图； 分类回归 模块用于从不同尺度的特征图中识别样本目标， 并得到预测结果； 基于预测结果以及样本图像的 标注信息对目标识别网络模型进行训练。 权利要求书2页 说明书14页 附图5页 CN 115439693 A 2022.12.06 CN 115439693 A 1.一种目标识别网络模型的训练方法， 其特 征在于， 包括： 获取样本数据集； 所述样本数据集包括样本 图像以及所述样本 图像的标注信息； 所述 标注信息包括所述样本图像中样本目标的位置信息； 将所述样本 图像进行对比度增强预处理后， 输入至目标识别网络模型中， 获得预测结 果； 所述目标识别网络模型包括附加特征提取模块和分类回归模块； 所述附加特征提取模 块包括作为基础网络的ResNet ‑50残差网络和多个第一卷积层， 所述多个第一卷积层用于 从所述基础网络提取的特征图获得不同尺度的特征图； 所述分类回归模块用于从所述不同 尺度的特 征图中识别所述样本目标， 并得到所述预测结果； 基于所述预测结果以及所述样本图像的标注信息对所述目标识别网络模型进行训练。 2.根据权利要求1所述的方法， 其特征在于， 所述对比度增强预处理采用如下公式实 现： 其中， H和W是样本图像的长和宽， hist(k)是第k级灰度值的像素个数， P是所述样本图 像中原始像素点的灰度值， q是对比度增强预处 理后的灰度值。 3.根据权利要求1或2所述的方法， 其特 征在于， 所述方法还 包括： 对所述多个目标 卷积层和所述前一卷积层的输出分别进行批量归一 化处理。 4.根据权利要求1或2所述的方法， 其特征在于， 所述目标识别网络还包括位于所述附 加特征提取模块和分类回归 模块之间的双重注意力机制模块； 所述方法还 包括： 将所述多个第 一卷积层输出的结果分别输入至双重注意力 机制模块， 获得经过注意力 机制处理的所述多个不同尺度的特 征图。 5.根据权利要求1或2所述的方法， 其特征在于， 所述双重注意力机制模块包括空间注 意力子模块和通道间注意力子模块； 将所述多个第一卷积层输出的结果分别输入至双重注 意力机制模块， 获得 经过注意力机制处 理的所述多个不同尺度的特 征图， 包括： 所述多个第 一卷积层输出的结果先输入至所述通道间注意力 子模块， 所述通道间注意 力子模块输出的结果输入至所述空间注意力子模块； 所述空间注意力子模块的输出为所述 多个不同尺度的特 征图； 基于所述预测结果以及所述样本图像的标注信 息对所述目标识别网络模型进行训练， 包括： 利用所述预测结果以及所述标注信 息构建损失函数； 所述损失函数包括分类任务的损 失函数和回归 任务的损失函数； 基于损失函数对所述目标识别网络模型的参数进行更新； 其中， 分类任务的损 失函数 如下表示： Lconf＝FL(pt)＝‑at(1‑pt)γlog(pt) 其中， Lconf指分类任务的损失函数， pt是所述预测结果中不同类别的分类概率； γ是大 于零的值， 用于调节易分样本 权重降低的速率； at为0到1之间的小数。 6.一种目标识别网络模型的训练方法， 其特征在于， 包括： 利用权利要求1 ‑5任一项所 述的方法得到的目标识别网络模型对图像进行目标识别与检测。权　利　要　求　书 1/2 页 2 CN 115439693 A 27.一种目标识别网络模型的训练装置， 其特 征在于， 包括： 获取模块， 被配置为获取样本数据集； 所述样本数据集包括样本 图像以及所述样本 图 像的标注信息； 所述标注信息包括所述样本图像中样本目标的位置信息； 输入模块， 被配置为将所述样本 图像进行对比度增强预处理后， 输入至目标识别网络 模型中， 获得预测结果； 所述目标识别网络模型包括附加特征提取模块和分类回归模块； 所 述附加特征提取模块包括作为基础网络的ResNet ‑50残差网络和多个第一卷积层， 所述多 个第一卷积层用于从所述基础网络提取的特征图获得不同尺度的特征图； 所述分类回归模 块用于从所述 不同尺度的特 征图中识别所述样本目标， 并得到所述预测结果； 训练模块， 被配置为基于所述预测结果以及所述样本图像的标注信 息对所述目标识别 网络模型进行训练。 8.一种电子设备， 其特征在于， 包括存储器、 处理器以及存储在存储器上的计算机程 序， 其中， 所述处 理器执行所述计算机程序以实现权利要求1 ‑6任一项所述的方法。 9.一种计算机可读存储介质， 其上存储有计算机指令， 其特征在于， 该计算机指令被处 理器执行时实现权利要求1 ‑6任一项所述的方法。 10.一种计算机程序产品， 其包括计算机指令， 其特征在于， 该计算机指令被处理器执 行时实现权利要求1 ‑6任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115439693 A 3