基于跟踪质量评估的模型训练方法、装置及可读介质

1.本发明涉及人工智能网络的技术领域，尤其是涉及一种基于跟踪质量评估的模型训练方法、装置及可读介质。

背景技术：

2.目标跟踪是计算机视觉研究中一个重要分支，其广泛应用于自动驾驶，智能视频监控等领域，所以受到国内众多科研工作者的高度关注。目前的跟踪方法往往大多采用目标模板更新机制捕捉目标的表观变化，然而，不适当的目标模板更新会严重影响目标模板的可靠性，从而降低跟踪器的性能。如果跟踪器可以获取当前的跟踪质量，则可以根据此跟踪质量做出相应决策，例如删除不可靠的样本或者拒绝不适当的更新等。
3.跟踪器的跟踪质量可以由好到坏可以分为三个阶段：正阶段，漂移阶段和负阶段，其中漂移阶段的样本尤为重要，因为该阶段的样本包含大量导致跟踪器漂移的信息，例如目标受到严重遮挡或者突然的形变等等。二跟踪评估检测往往采用固定阈值标注的形式，基于固定阈值的标注策略没有考虑跟踪器的漂移阶段，因此导致跟踪评估的准确性有待提高
4.综上所述现有技术中，跟踪评估由于采用固定阈值的方式，存在着准确性低的技术问题。

技术实现要素：

5.有鉴于此，本发明的目的在于提供基于跟踪质量评估的模型训练方法、装置及可读介质，以缓解跟踪评估准确性低的技术问题。
6.第一方面，本发明提供了一种基于跟踪质量评估的模型训练方法，包括：
7.获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图样本；
8.利用预测框获取第一iou以及第二iou，所述第一iou为训练集中该帧的iou，所述第二iou为训练集中所有帧的iou平均值；
9.利用所述第一iou以及第二iou生成响应图样本标签。
10.一种可能的实施方式是，利用所述第一iou以及第二iou生成响应图样本标签的步骤包括：
11.判定所述第一iou是否大于第二iou；
12.若是，则标注样本标签为跟踪质量良好；
13.若否，则标注样本标签为跟踪质量差。
14.一种可能的实施方式是，所述数据集还包括目标跟踪训练结果的响应图样本，所述利用所述第一iou以及第二iou标注样本标签的步骤之后，所述方法还包括：
15.利用深度神经网络对带标签的响应图样本进行学习。
16.一种可能的实施方式是，所述深度神经网络包括骨干网络、softmax分类器。
17.一种可能的实施方式是，将响应图样本输入至深度神经网络中进行学习的步骤包括：
18.利用骨干网络提取所述响应图样本的特征，并利用二值交叉熵损失函数调节所述softmax分类器的参数。
19.一种可能的实施方式是，所述二值交叉熵损失函数为：
20.l＝-∑iyilog(pi)+(1-yi)log(1-pi)；
21.p
i-第i帧相应预测分类结果，且{p∈(0，1)}；
22.y
i-样本标签。
23.一种可能的实施方式是，所述骨干网络包括resnet34。
24.一种可能的实施方式是，所述获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图的步骤之前，所述方法包括：
25.获取目标跟踪训练结果，生成目标跟踪训练结果的预测框以及响应图样本。
26.第二方面，本发明提供了一种基于跟踪质量评估的模型训练装置，包括：
27.数据获取模块：用于获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图样本；
28.iou获取模块：用于利用预测框获取第一iou以及第二iou，所述第一iou为训练集中该帧的iou，所述第二iou为训练集中所有帧的iou平均值；
29.标签生成模块：用于利用所述第一iou以及第二iou生成响应图样本标签。
30.第三方面，本发明提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求第一方面任一种所述方法。
31.本发明实施例带来了以下有益效果：本发明提供了一种基于跟踪质量评估的模型训练方法、装置及可读介质，包括：获取数据集并划分训练集，数据集包括目标跟踪训练结果的预测框以及响应图样本；利用预测框获取第一iou以及第二iou，第一iou为训练集中该帧的iou，第二iou为训练集中所有帧的iou平均值；利用第一iou以及第二iou生成响应图样本标签。通过本发明可以缓解现有技术中由于固定阈值标注而产生的跟踪评估准确性低的技术问题。
32.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
33.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
34.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1为本发明一示例性实施例视出的一种基于跟踪质量评估的模型训练方法流程
图；
36.图2为本发明又一示例性实施例视出的一种基于跟踪质量评估的模型训练方法流程图；
37.图3为本发明提供的一种基于跟踪质量评估的模型可读介质结构图。
具体实施方式
38.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.目前，跟踪器的跟踪质量可以由好到坏可以分为三个阶段：正阶段，漂移阶段和负阶段，其中漂移阶段的样本尤为重要，因为该阶段的样本包含大量导致跟踪器漂移的信息，例如目标受到严重遮挡或者突然的形变等等。二跟踪评估检测往往采用固定阈值标注的形式，基于固定阈值的标注策略没有考虑跟踪器的漂移阶段，因此导致跟踪评估的准确性有待提高，基于此，本发明实施例提供的一种基于跟踪质量评估的模型训练方法、装置及可读介质，可以缓解现有技术中由于固定阈值标注而产生的跟踪评估准确性低的技术问题。
40.为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于跟踪质量评估的模型训练方法进行详细介绍。
41.在介绍此次实施例之前，将此的实现基础做一下简单的介绍：
42.在此实施例之前，需使用dimp算法在公共数据集got10k产生的跟踪结果，用的训练集是利用本地跟踪器dimp跟踪算法在vot2018公共数据集上产生的结果所产生的响应图样本以及预测框，
43.示例性的，经dimp跟踪算法对vot2018公共数据集的目标跟踪训练结果记录
44.在此，v是跟踪器结果列数量，v是视频序列，tv为序列长度，t＝1表示从第一帧开始训练；
45.由于响应图样本中包含大量关于目标的信息。当跟踪良好时，跟踪响应图呈现出一种规则的形式；当跟踪质量不好时，响应图马上做出改变，呈现出一种不规则的变化形式，因此基于响应图我们可以有效判断当前跟踪质量。
46.实施例一：
47.图1提供了一示例性实施例示出的一种基于跟踪质量评估的模型训练方法流程图，具体包括：
48.s101：获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图样本；
49.s102：获取第一iou以及第二iou，所述第一iou为训练集中某帧的iou，所述第二iou为训练集中所有帧的iou平均值；
50.一种可实现的方式是，判定所述第一iou是否大于第二iou；
51.若是，则标注样本标签为跟踪质量良好；
52.若否，则标注样本标签为跟踪质量差。
53.利用所述第一iou以及第二iou生成响应图样本标签。
54.具体的，根据目标跟踪训练结果预测框每帧的groundtruth和跟踪结果计算每帧的iou值，对每帧的iou值进行加权平均即可求取平均iou值；
55.进一步的，标注样本标签为跟踪质量良好的为正样本，标注样本标签为跟踪质量差的为负样本。
56.s102：获取第一iou以及第二iou，所述第一iou为训练集中某帧的iou，所述第二iou为训练集中所有帧的iou平均值
57.s103：利用所述第一iou以及第二iou生成响应图样本标签。
58.通过s101至s103将漂移阶段的样本考虑在内，尽早识别漂移部分的跟踪质量评价，及时为跟踪器提供矫正信号，使跟踪器进行不更新模板操作，有效阻止目标模板的污染，缓解现有技术中基于固定阈值的标注策略极其容易导致训练样本标注不精确和不完整的技术问题。
59.实施例二
60.图2提供了又一示例性实施例视出的一种基于跟踪质量评估的模型训练方法流程图，在图1的基础上，具体包括：
61.s201：获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图样本；
62.s202：获取第一iou以及第二iou，所述第一iou为训练集中某帧的iou，所述第二iou为训练集中所有帧的iou平均值；
63.s203：利用所述第一iou以及第二iou生成响应图样本标签；
64.s201至s203与前述s101至s103相同，在此不再赘述；
65.s204：利用深度神经网络对带标签的响应图样本进行学习；
66.一种可能的实施方式中，所述深度神经网络包括骨干网络、softmax分类器，具体可采用resnet34神经网络进行特征提取；
67.在选取评价器的骨干网络时，使用较深的神经网络时，例如resnet101，会严重影响跟踪算法的实时性；当选取较浅的神经网络时，例如resnet18，其识别准确性上难以达到最优。因此，本步骤平衡速度和精度，使用resnet34作为评价器的骨干网络；
68.在此，一种可实现的方式是，
69.利用骨干网络提取所述响应图样本的特征，并利用二值交叉熵损失函数调节所述softmax分类器的参数。
70.进一步的，经过深度神经网络提取响应图样本的：进一步的，经过深度神经网络提取响应图样本的：
71.f
t-用深度神经网络提取响应图样本；
72.具体的，所述二值交叉熵损失函数为：
73.l＝-∑iyilog(pi)+(1-yi)log(1-pi)；
74.p
i-第i帧相应预测分类结果，且{p∈(0，1)}；
75.y
i-样本标签。
76.经标注的响应图样本输入resnet34神经网络进行特征提取和分析，最后经过soft max分类器进行类别预测，它将接受全连接层输入特征矩阵他，通过利用二值交叉熵损失函数即可对训练参数进行调整。
77.通过图2所示的实施例可以利用图1所示的实施例进行跟踪质量的评估，提高了评估的准确性。
78.实施例三
79.本发明实施例提供了一种基于跟踪质量评估的模型训练装置，包括：
80.数据获取模块：用于获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图样本；
81.iou获取模块：用于利用预测框获取第一iou以及第二iou，所述第一iou为训练集中该帧的iou，所述第二iou为训练集中所有帧的iou平均值；
82.标签生成模块：用于利用所述第一iou以及第二iou生成响应图样本标签。
83.实施例四：
84.参见图3，本发明实施例提供了一种基于跟踪质量评估的模型训练的计算机可读介质，100，包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
85.其中，存储器41可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
86.总线42可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
87.其中，存储器41用于存储程序401，所述处理器40在接收到执行指令后，执行所述程序401，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
88.处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合
其硬件完成上述方法的步骤。
89.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
90.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
91.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
92.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
93.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
94.最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

技术特征：

1.一种基于跟踪质量评估的模型训练方法，其特征在于，包括：获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图样本；利用预测框获取第一iou以及第二iou，所述第一iou为训练集中该帧的iou，所述第二iou为训练集中所有帧的iou平均值；利用所述第一iou以及第二iou生成响应图样本标签。2.根据权利要求1所述的方法，其特征在于，利用所述第一iou以及第二iou生成响应图样本标签的步骤包括：判定所述第一iou是否大于第二iou；若是，则标注样本标签为跟踪质量良好；若否，则标注样本标签为跟踪质量差。3.根据权利要求1所述的方法，其特征在于，所述数据集还包括目标跟踪训练结果的响应图样本，所述利用所述第一iou以及第二iou标注样本标签的步骤之后，所述方法还包括：利用深度神经网络对带标签的响应图样本进行学习。4.根据权利要求1所述的方法，其特征在于，所述深度神经网络包括骨干网络、softmax分类器。5.根据权利要求4所述的方法，将响应图样本输入至深度神经网络中进行学习的步骤包括：利用骨干网络提取所述响应图样本的特征，并利用二值交叉熵损失函数调节所述softmax分类器的参数。6.根据权利要求5所述的方法，其特征在于，所述二值交叉熵损失函数为：l＝-∑
i
y
i
log(p
i
)+(1-y
i
)log(1-p
i
)；p
i-第i帧相应预测分类结果，且{p∈(0，1)}；y
i-样本标签。7.根据权利要求5所述的方法，其特征在于，所述骨干网络包括resnet34。8.根据权利要求1所述的方法，其特征在于，所述获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图的步骤之前，所述方法包括：获取目标跟踪训练结果，生成目标跟踪训练结果的预测框以及响应图样本。9.一种基于跟踪质量评估的模型训练装置，其特征在于，包括：数据获取模块：用于获取数据集并划分训练集，所述数据集包括目标跟踪训练结果的预测框以及响应图样本；iou获取模块：用于利用预测框获取第一iou以及第二iou，所述第一iou为训练集中该帧的iou，所述第二iou为训练集中所有帧的iou平均值；标签生成模块：用于利用所述第一iou以及第二iou生成响应图样本标签。10.一种计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-8任一所述方法。

技术总结

本发明提供了一种基于跟踪质量评估的模型训练方法、装置及可读介质，涉及人工智能的技术领域，包括：获取数据集并划分训练集，数据集包括目标跟踪训练结果的预测框以及响应图样本；利用预测框获取第一IoU以及第二IoU，第一IoU为训练集中该帧的IoU，第二IoU为训练集中所有帧的IoU平均值；利用第一IoU以及第二IoU生成响应图样本标签。通过本发明可以缓解现有技术中由于固定阈值标注而产生的跟踪评估准确性低的技术问题。估准确性低的技术问题。估准确性低的技术问题。