(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 202210611399.1 (22)申请日 2022.05.30 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 陈子亮　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 吴晓兵 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 深度学习模 型的训练方法、 目标对象检测方 法和装置 (57)摘要 本公开提供了一种深度学习模型的训练方 法和装置、 一种目标对象检测方法和装置、 电子 设备、 存储介质和计算机程序产品， 涉及人工智 能领域， 尤其涉及深度学习、 图像处理和计算机 视觉技术领域， 可用于物体检测和物体识别等场 景。 具体实现方案为： 根据 样本图像， 确定样本图 像中目标对象的样本类别和样 本边框； 样本图像 包括目标对象的标签； 根据样本类别、 样本边框 和标签， 确定分类损失值和第一回归损失值； 利 用调整因子修正第一回归损失值， 得到第二回归 损失值， 调整因子指示了样本图像的回归难易程 度； 以及根据分类损失值和第二回归损失值来调 整深度学习模型的参数。 权利要求书3页 说明书11页 附图5页 CN 114882321 A 2022.08.09 CN 114882321 A 1.一种深度学习模型的训练方法， 包括： 根据样本 图像， 确定所述样本 图像中目标对象的样本类别和样本边框； 所述样本 图像 包括所述目标对象的标签； 根据所述样本类别、 所述样本边框和所述标签， 确定分类损失值和第一回归损失值； 利用调整因子修正所述第一回归损 失值， 得到第二回归损 失值， 所述调整因子指示了 所述样本图像的回归 难易程度； 以及 根据所述分类损失值和所述第二回归损失值 来调整所述深度学习模型的参数。 2.根据权利要求1所述的方法， 其中， 所述标签包括类别标签和位置标签； 所述方法还 包括： 根据所述样本边框和所述 位置标签， 确定所述调整因子 。 3.根据权利要求2所述的方法， 其中， 所述根据所述样本边框和所述位置标签， 确定所 述调整因子包括： 计算所述样本边框与所述 位置标签的交并比； 以及 根据所述交并比， 确定所述调整因子 。 4.根据权利要求3所述的方法， 其中， 所述调整因子与所述交并比呈负相关 关系。 5.根据权利要求2所述的方法， 其中， 所述根据所述样本类别、 所述样本边框和所述标 签， 确定分类损失值和第一回归损失值包括： 根据所述样本类别和所述类别标签， 确定所述分类损失值； 以及 根据所述样本边框和所述 位置标签， 确定所述第一回归损失值。 6.根据权利要求5所述的方法， 其中， 所述根据所述样本类别和所述类别标签， 确定所 述分类损失值包括： 根据所述样本类别和所述类别标签 基于Focal  loss损失函数来确定所述分类损失值。 7.根据权利要求1所述的方法， 其中， 所述根据样本 图像， 确定所述样本 图像中目标对 象的样本类别和样本边框包括： 对所述样本图像执 行特征提取操作， 得到多个多尺度特 征图； 对所述多个多尺度特 征图进行多尺度融合处 理， 得到多个多尺度融合特 征图； 以及 根据所述多个多尺度融合特征图， 确定所述样本图像中目标对象的样本类别和样本边 框。 8.根据权利要求1所述的方法， 其中， 所述深度学习模型包括特征提取模块、 特征融合 模块和目标检测模块； 所述根据所述分类损失值和所述第二回归损失值来调整所述深度学 习模型的参数包括： 根据所述分类损失值和所述第二回归损失值， 确定联合损失值； 以及 根据所述联合损失值 来调整特 征提取模块、 特 征融合模块和目标检测模块的参数。 9.一种目标对象检测方法， 包括： 将待检测图像输入深度 学习模型， 得到所述待检测图像中目标对象的类别信 息和定位 信息， 其中， 所述深度学习模型 是利用权利要求1～8中任一项所述的方法训练得到的。 10.一种深度学习模型的训练装置， 包括： 第一确定模块， 用于根据样本 图像， 确定所述样本 图像中目标对象的样本类别和样本权　利　要　求　书 1/3 页 2 CN 114882321 A 2边框； 所述样本图像包括所述目标对象的标签； 计算模块， 用于根据 所述样本类别、 所述样本边框和所述标签， 确定分类损失值和第一 回归损失值； 修正模块， 用于利用调整因子修正所述第一 回归损失值， 得到第二 回归损失值， 所述调 整因子指示了所述样本图像的回归 难易程度； 以及 调整模块， 用于根据 所述分类损失值和所述第 二回归损失值来调整所述深度 学习模型 的参数。 11.根据权利要求10所述的装置， 其中， 所述标签包括类别标签和位置标签； 所述装置 还包括： 第二确定模块， 用于根据所述样本边框和所述 位置标签， 确定所述调整因子 。 12.根据权利要求1 1所述的装置， 其中， 所述第二确定模块包括： 第一计算单 元， 用于计算所述样本边框与所述 位置标签的交并比； 以及 确定单元， 用于根据所述交并比， 确定所述调整因子 。 13.根据权利要求12所述的装置， 其中， 所述调整因子与所述交并比呈负相关 关系。 14.根据权利要求1 1所述的装置， 其中， 所述计算模块包括： 第二计算单 元， 用于根据所述样本类别和所述类别标签， 确定所述分类损失值； 以及 第三计算单 元， 用于根据所述样本边框和所述 位置标签， 确定所述第一回归损失值。 15.根据权利要求14所述的装置， 其中， 所述第二计算单 元包括： 计算子单元， 用于根据所述样本类别和所述类别标签基于Focal  loss损失函数来确定 所述分类损失值。 16.根据权利要求10所述的装置， 其中， 所述第一确定模块包括： 特征提取单元， 用于对所述样本图像执 行特征提取操作， 得到多个多尺度特 征图； 融合单元， 用于对所述多个多尺度特征图进行多尺度融合处理， 得到多个多尺度融合 特征图； 以及 检测单元， 用于根据所述多个多尺度融合特征图， 确定所述样本 图像中目标对象的样 本类别和样本边框 。 17.根据权利要求10所述的装置， 其中， 所述深度学习模型包括特征提取模块、 特征融 合模块和目标检测模块； 所述调整模块包括： 第四计算单元， 用于根据 所述分类损失值和所述第 二回归损失值， 确定联合损失值； 以 及 调整单元， 用于根据所述联合损 失值来调整特征提取模块、 特征融合模块和目标检测 模块的参数。 18.一种目标对象检测装置， 包括： 检测模块， 用于将待检测图像输入深度学习模型， 得到所述待检测图像中目标对象的 类别信息和定位信息， 其中， 所述深度学习模型 是利用权利要求10～17中任一项所述的装置训练得到的。 19.一种电子设备， 包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中，权　利　要　求　书 2/3 页 3 CN 114882321 A 3