(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 202210642623.3 (22)申请日 2022.06.08 (71)申请人 成都人人互娱科技有限公司 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都高新区交子大道 233号4-8楼 (72)发明人 周昌世　 (74)专利代理 机构 北京城烽知识产权代理事务 所(特殊普通 合伙) 11829 专利代理师 许凯 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/73(2017.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种暴恐刀枪检测模 型训练方法、 系统及计 算机存储介质 (57)摘要 本发明公开一种暴恐刀枪检测模型训练方 法、 系统及计算机存储介质。 其中， 该方法包括： 获取暴恐刀枪图片集， 并小批量对其标注位置和 类别信息； 标注后划分为训练集、 验证集和测试 集； 对训练集进行数据增强； 在层次化视觉 (swin‑transformer)特征提取网络上增加 特征 图金字塔网络， 得到 更新后的swin ‑transformer 特征提取网络， 将数据增强后的训练集在更新后 的网络上进行模型训练并通过验证集和测试集 进行测试， 得到测试集的准确率和召回率， 当两 者均大于 各自的预设阈值时， 得到最终暴恐刀枪 检测模型。 反之， 对大批量暴恐刀枪图片集进行 检测， 挑选检测效果好的图片放入到训练集中重 复训练。 通过该方法， 能够对网络社交平台上的 图片进行暴恐刀枪精准的检测， 其检测精度达到 90％。 权利要求书2页 说明书11页 附图2页 CN 114972283 A 2022.08.30 CN 114972283 A 1.一种暴恐刀枪检测模型训练方法， 其特 征在于， 包括： 步骤S101， 获取目标暴恐刀枪图片集， 在所述目标暴恐刀枪图片集中随机抽取预设数 量的图片作为第一 目标暴恐刀枪图片集； 将剩余的图片作为第二 目标暴恐刀枪图片集； 对 所述第一目标暴恐刀枪图片集进行位置标注和类别标注； 步骤S102， 将标注后的所述第一目标暴恐刀枪图片集划分为训练集、 测试集和验证集； 步骤S103， 在层次化视觉(swin ‑transformer)特征提取网络上增加特征图金字塔网 络， 得到更新后的swin ‑transformer特征提取网络； 将所述训练集输入到所述更新后的 swin‑transformer特征提取网络中进行模型训练， 并通过所述验证集进行验证， 得到初级 暴恐刀枪检测模型； 根据所述初级暴恐刀枪检测模型对所述测试集进行测试， 得到测试集 检测的准确率和召回率； 步骤S104， 当判定所述准确率和召回率均大于各自的预设阈值时， 得到最终暴恐刀枪 检测模型。 2.根据权利要求1所述的方法， 其特征在于， 当判定所述准确率或召回率未达到各自的 预设阈值时， 进入步骤S10 5； 步骤S105， 根据所述初级暴恐刀枪检测模型对所述第二目标暴恐刀枪图片集进行检 测， 得到正确图片、 错误图片以及所述正确图片的位置信息和类别信息； 将所述正确图片 输 入到所述第一目标暴 恐刀枪图片集中并将其划分为更新的训练集、 更新的测试集和更新的 验证集； 根据所述初级暴 恐刀枪检测模型对所述更新的训练集进 行模型训练并通过所述更 新的验证集进行验证， 得到更新的暴恐刀枪检测模型； 步骤S106， 将所述更新的暴恐刀枪检测模型作为所述初级暴恐检测模型， 将所述错误 图片作为所述第二目标暴 恐刀枪图片集， 重复所述步骤105， 直至测试集检测的准确率和召 回率均大于各自的预设阈值时， 得到最终暴恐刀枪检测模型。 3.根据权利要求1所述的方法， 其特征在于， 所述在层次化视觉(swin ‑transformer)特 征提取网络上增加特征图金字塔网络， 得到更新后的swin ‑transformer特征提取网络包 括： 通过swin ‑transformer特征提取网络的骨干网络对样本图片进行特征提取， 得到四个 特征层； 将所述四个特 征层进行合并连接得到三个特 征图； 将所述三个特征图分别送入到卷积层中进行卷积， 得到所述更新后的swin ‑ transformer特 征提取网络 。 4.根据权利要求3所述的方法， 其特征在于， 所述将所述 四个特征层进行合并连接得到 三个特征图的计算公式为： F1＝C(P2,P3,P4,P5)＝P2| |Upx2(P3)| |Upx4(P4)| |Upx8(P5)； F2＝C(P3,P4,P5)＝Upx2(P3)| |Upx4(P4)| |Upx8(P5)； F3＝C(P4,P5)＝Upx4(P4)| |Upx8(P5)； 其中， P2为第一特征层； P3为第二特征层； P4为第三特征层； P5为第四特征层； F1为第一 特征图； F2为第二特征图； F3为第三特征图； Upx2为2倍的上采样； Upx4为4倍的上采样； Upx8 为8倍的上采样。 5.根据权利要求1所述的方法， 其特 征在于， 所述获取目标暴恐刀枪图片集包括：权　利　要　求　书 1/2 页 2 CN 114972283 A 2获取原始暴恐刀枪图片集； 将所述原 始暴恐刀枪图片集进行筛 选； 将筛选后的暴恐刀枪图片集进行 人工审核挑选， 得到所述目标暴恐刀枪图片集。 6.根据权利要求1所述的方法， 其特 征在于， 在所述 步骤S102之后包括： 对划分后的所述训练集进行 数据增强； 所述数据增强包括： 同类增强和混类增强； 所述混类增强包括： 混合(mixup)数据增强 和拼接(mosaic)数据增强。 7.一种暴恐刀枪检测模型训练系统， 其特 征在于， 包括： 获取单元， 用于获取目标暴恐刀枪图片集， 在所述目标暴恐刀枪图片集中随机抽取预 设数量的图片作为第一目标暴恐刀枪图片集； 将剩余的图片作为第二目标暴恐刀枪图片 集； 对所述第一目标暴恐刀枪图片集进行位置标注和类别标注； 划分单元， 用于将标注后的所述第一目标暴恐刀枪图片集划分为训练集、 测试集和验 证集； 模型训练单元， 用于在层次化视觉(swin ‑transformer)特征提取网络上增加特征图金 字塔网络， 得到更新后的swin ‑transformer特征提取网络； 将所述训练集输入到所述更新 后的swin ‑transformer特征提取网络中进行模型训练， 并通过所述验证集进行验证， 得到 初级暴恐刀枪检测模型； 根据所述初级暴恐刀枪检测模型对所述测试集进行测试， 得到测 试集检测的准确率和召回率； 判断单元， 用于当判定所述准确率和召回率均大于各自的预设阈值时， 得到最终暴恐 刀枪检测模型。 8.根据权利要求7所述的系统， 其特征在于， 当判定所述准确率或召回率未达到各自的 预设阈值时， 进入 模型更新单元； 模型更新单元， 用于根据所述初级暴恐刀枪检测模型对所述第 二目标暴恐刀枪图片集 进行检测， 得到正确图片、 错误图片以及所述正确图片的位置信息和类别信息； 将所述正确 图片输入到所述第一目标暴 恐刀枪图片集中并将其划分为更新的训练集、 更新的测试集和 更新的验证集； 根据所述初级暴 恐刀枪检测模型对所述更新的训练集进 行模型训练并通过 所述更新的验证集进行验证， 得到更新的暴恐刀枪检测模型； 重复训练单元， 用于将所述更新的暴恐刀枪检测模型作为所述初级暴恐检测模型， 将 所述错误图片作为所述第二 目标暴恐刀枪图片集， 重复所述模型更新单元， 直至测试集检 测的准确率和召回率均大于各自的预设阈值时， 得到最终暴恐刀枪检测模型。 9.根据权利要求7 所述的系统， 其特 征在于， 还 包括： 数据增强单 元， 用于对划分后的所述训练集进行 数据增强； 所述数据增强包括： 同类增强和混类增强； 所述混类增强包括： 混合(mixup)数据增强 和拼接(mosaic)数据增强。 10.一种计算机存储介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理器执 行时实现如权利要求1至 6中任一项所述的暴恐刀枪检测模型训练方法。权　利　要　求　书 2/2 页 3 CN 114972283 A 3