(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 202210909210.7 (22)申请日 2022.07.29 (71)申请人 上海弘玑信息技 术有限公司 地址 201240 上海市闵行区紫星路58 8号2 幢13层055室 (72)发明人 黄博　高磊　叶歆怡　张泉　 周元剑　周健　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 何明伦 (51)Int.Cl. G06V 10/28(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/73(2017.01) (54)发明名称 目标对象检测方法、 目标检测模型的训练方 法及电子设备 (57)摘要 本申请提供一种目标对象检测方法、 目标检 测模型的训练方法及电子设备， 该方案根据预设 的目标检测模型确定待检测图像中各像素点的 目标对象概率值和分类概率向量， 然后基于各像 素点的目标对象概率值和分类概率向量自动识 别待检测图像中的目标对象， 并可以自动识别目 标对象所属的类别； 另外， 在上述方案中， 基于各 像素点的目标对象概率值和分类概率向量确定 目标对象和目标对象所属的类别， 将关注点聚焦 在像素点上， 不易受到其他因素的干扰， 提升了 检测结果的准确度。 权利要求书2页 说明书11页 附图3页 CN 115272682 A 2022.11.01 CN 115272682 A 1.一种目标对象检测方法， 其特 征在于， 包括： 获取待检测图像； 根据预设的目标检测模型确定所述待检测图像中各像素点的目标对象概率值和分类 概率向量； 所述目标对象概率值表征所述像素点位于所述待检测图像中的目标对象内的概 率； 所述分类概率向量由至少2个 分类概率值组成， 每一所述分类概率值表征所述像素点所 属的目标对象属于与所述分类概 率值对应的类别的概 率； 基于所述目标对象概 率值确定所述目标对象在所述待检测图像中的位置区域； 根据所述位置区域中各所述像素点的所述分类概率向量， 确定所述目标对象所属的类 别。 2.如权利要求1所述的目标对象检测方法， 其特征在于， 所述基于所述目标对象概率值 确定所述目标对象在所述待检测图像中的位置区域， 包括： 对各所述像素点的所述目标对象概 率值进行二 值化处理， 得到二 值化处理结果； 基于所述二值化处理结果对各所述像素点进行聚合处理， 得到所述目标对象在所述待 检测图像中的位置区域。 3.如权利要求2所述的目标对象检测方法， 其特征在于， 所述对各所述像素点的所述目 标对象概 率值进行二 值化处理， 包括： 将各所述像素点的所述目标对象概 率值与预设概 率阈值进行比较； 当所述目标对象概率值大于或等于所述预设概率阈值 时， 将所述像素点的所述目标对 象概率值重置为第一预设概 率值； 当所述目标对象概率值小于所述预设概率阈值 时， 将所述像素点的所述目标对象概率 值重置为第二预设概 率值。 4.如权利要求2所述的目标对象检测方法， 其特征在于， 所述基于所述二值化处理结果 对各所述像素点进行聚合处 理， 得到所述目标对象在所述待检测图像中的位置区域， 包括： 基于所述 二值化处理结果确定与所述待检测图像对应的二 值图像； 在所述二值图像中对各像素点进行 联通聚合， 得到目标像素区； 根据所述目标像素区确定所述目标对象在所述待检测图像中的位置区域。 5.如权利要求1 ‑4任一项所述的目标对象检测方法， 其特征在于， 所述根据所述位置区 域中各所述像素点的所述分类概 率向量， 确定所述目标对象所属的类别， 包括： 将所述位置区域中各 所述像素点的所述分类概 率向量相加， 得到分类概 率和向量； 将所述分类概 率和向量中最大分量 值所对应的类别， 作为所述目标对象所属的类别。 6.一种目标检测模型的训练方法， 其特 征在于， 包括： 获取图像样本数据集； 所述图像样本数据集包括多个样本 图像的样本数据， 每一所述 样本数据包括对应样本图像中标注的各像素点的标签信息， 以及各所述像素点所属的目标 对象所对应类别的类别信息； 各所述像素点的所述标签信息用于指示所述像素点是否位于 所述样本图像的目标对象内； 基于所述图像样本数据集进行训练， 得到目标检测模型。 7.如权利要求6所述的目标检测模型的训练方法， 其特征在于， 在所述基于所述图像样 本数据集进行训练之前， 所述方法包括： 根据所述样本图像中各所述像素点所属的所述目标对象的面积， 确定各所述像素点的权　利　要　求　书 1/2 页 2 CN 115272682 A 2损失权重系数； 基于所述损失权 重系数确定损失函数； 所述基于所述图像样本数据集进行训练， 得到目标检测模型， 包括： 基于所述图像样本数据集和所述损失函数进行训练， 得到目标检测模型。 8.如权利要求7所述的目标检测模型的训练方法， 其特征在于， 各所述像素点的损失权 重系数为所述像素点所属的所述目标对象的面积的倒数。 9.如权利要求7所述的目标检测模型的训练方法， 其特征在于， 所述目标检测模型包括 第一目标检测子模型和 第二目标检测子模型； 所述基于所述损失权重系数确定损失函数包 括： 基于所述损失权 重系数确定第一损失函数和第二损失函数； 所述基于所述图像样本数据集和所述损失函数进行训练， 得到目标检测模型， 包括： 基于所述样本图像中标注的各所述像素点的标签信息和所述第一损失函数进行第一 模型训练， 得到所述第一 目标检测子模型， 并基于所述样本图像中标注的各像素点所属的 目标对象所对应类别的类别信息和所述第二损失函数进行第二模型训练， 得到所述第二目 标检测子模型。 10.如权利要求9所述的目标检测模型的训练方法， 其特征在于， 所述第 一损失函数为： 所述第二损失函数为： 其中， L1i表示对所述样本图像中第i个像素点的标签信息进行预测的第一损失， L2i表示 对所述样本图像中第i个像素点所属的目标对象所对应类别的类别信息进 行预测的第二损 失， Si表示所述样本图像中第i个像素点所属的目标对象的面积， n表示所述样本图像中像 素点的总数， Loss1表示对所述样本图像的标签信息进行预测的整体损失， Loss2表示对所 述样本图像中目标对象所属类别的类别 信息进行 预测的整体损失。 11.如权利要求7所述的目标检测模型的训练方法， 其特征在于， 所述基于所述损失权 重系数确定损失函数包括： 基于所述损失权 重系数确定一个第三损失函数； 所述基于所述图像样本数据集和所述损失函数进行训练， 得到目标检测模型， 包括： 基于所述样本图像中标注的各所述像素点的标签信息和所述第三损失函数进行第三 模型训练， 得到所述目标检测模型。 12.一种电子设备， 其特征在于， 包括处理器和存储器， 所述存储器中存储有计算机程 序， 所述处 理器执行所述计算机程序， 以实现如权利要求1 ‑11中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115272682 A 3