目标检测模型训练方法、目标检测方法和装置与流程

本申请实施例涉及人工智能，尤其涉及一种目标检测模型训练方法、目标检测方法和装置。

背景技术：

1、近年来基于深度学习的目标检测模型得到了快速发展。一般地，训练目标检测模型需要大量的有标注图像数据，然而获取有标注图像数据需要耗费大量的时间和财力。相比之下，获取无标注数据更加容易。为了降低获取数据的成本，近年来，半监督目标检测(semi-supervised object detection，ssod)受到了国内外研究人员的关注。

2、在半监督目标检测任务中，训练者同时采用少量有标注数据和大量无标注数据来训练检测模型。目前ssod算法大多数基于自标注(self-labeling)训练策略，即在每次训练迭代过程中，模型首先为无标注数据生成伪标签(pseudo label)，随后利用有标注数据和伪标注数据进行训练。然而对比实验结果发现，相比于只利用有标注数据的全监督目标检测(fully supervised object detection，fsod)的最终模型效果，基于self-labeling的ssod算法得到的最终模型效果的提升并不明显。

技术实现思路

1、本申请提供一种目标检测模型训练方法、目标检测方法和装置，能够提升模型的目标检测性能。

2、第一方面，本申请实施例提供一种目标检测模型训练方法，包括：

3、获取无标注数据；

4、将所述无标注数据输入第一目标检测模型，获取第一预测结果，所述第一预测结果包括至少一个第一包围框；

5、将所述无标注数据输入第二目标检测模型，获取第二预测结果，所述第二预测结果包括至少一个第二包围框，其中，所述第一目标检测模型和所述第二目标检测模型包括相同的网络结构但参数初始化不同；

6、在所述至少一个第一包围框和所述至少一个第二包围框中确定包围框对，其中，所述包围框对包括匹配的所述第一包围框和所述第二包围框；

7、根据所述包围框对，确定所述无标注数据的伪标签；

8、根据所述无标注数据和所述无标注数据的伪标签进行模型训练，对所述第一目标检测模型和所述第二目标检测模型的参数分别进行更新。

9、第二方面，本申请实施例提供一种目标检测方法，包括：

10、获取待检测图像；

11、将所述待检测图像输入第一目标检测模型，获取第三预测结果；

12、将所述待检测图像输入第二目标检测模型，获取第四预测结果，其中，所述第一目标检测模型和所述第二目标检测模型包括相同的网络结构但参数初始化不同，所述第一目标检测模型和第二目标检测模型根据第一方面所述的方法训练得到；

13、融合所述第三预测结果和所述第四预测结果，得到所述待检测图像的预测结果。

14、第三方面，本申请实施例提供了一种目标检测模型训练装置，包括：

15、获取单元，用于获取无标注数据；

16、第一目标检测模型，用于输入所述无标注数据，输出第一预测结果，所述第一预测结果包括至少一个第一包围框；

17、第一目标检测模型，用于输入所述无标注数据，输出第二预测结果，所述第二预测结果包括至少一个第二包围框，其中，所述第一目标检测模型和所述第二目标检测模型包括相同的网络结构但参数初始化不同；

18、确定单元，用于在所述至少一个第一包围框和所述至少一个第二包围框中确定包围框对，其中，所述包围框对包括匹配的所述第一包围框和所述第二包围框；

19、所述确定单元还用于根据所述包围框对，确定所述无标注数据的伪标签；

20、参数更新单元，用于根据所述无标注数据和所述无标注数据的伪标签进行模型训练，对所述第一目标检测模型和所述第二目标检测模型的参数分别进行更新。

21、第四方面，本申请实施例提供了一种目标检测装置，包括：

22、获取单元，用于获取待检测图像；

23、第一目标检测模型，用于输入所述待检测图像，输出第三预测结果；

24、第二目标检测模型，用于输入所述待检测图像，输出第四预测结果，其中，所述第一目标检测模型和所述第二目标检测模型包括相同的网络结构但参数初始化不同，所述第一目标检测模型和第二目标检测模型根据第一方面所述的方法训练得到；

25、融合单元，用于融合所述第三预测结果和所述第四预测结果，得到所述待检测图像的预测结果。

26、第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行如第一方面或第二方面中的方法。

27、第六方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时使得计算机执行如第一方面或第二方面中的方法。

28、第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面或第二方面中的方法。

29、第八方面，本申请实施例提供一种计算机程序，计算机程序使得计算机执行如第一方面或第二方面中的方法。

30、通过上述技术方案，本申请实施例能够同时训练两个结构相同但参数初始化不同的两个模型，在训练过程中对两个模型预测结果进行包围框匹配，确定不同模型预测结果中匹配的包围框对之间的差异，进而利用不同模型预测结果中匹配的包围框对之间的差异识别出错误的伪标签，或者对错误的伪标签进行校正，最终得到相对更加准确的伪标签。本申请实施例基于该伪标签进行半监督训练，有助于提高模型的目标检测精度，提升模型的目标检测性能。

31、本申请实施例在利用不同目标检测模型预测结果之间的差异得到伪标签，并基于该伪标签进行训练得到两个不同的目标检测模型后，可以融合该两个目标检测模型对待检测图像的预测结果，得到待检测图像的更高精度的预测结果，进一步提高目标检测的预测精度。

技术特征：

1.一种目标检测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述包围框对，确定所述无标注数据的伪标签，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述包围框对，确定所述无标注数据的伪标签，包括：

4.根据权利要求3所述的方法，其特征在于，所述确定所述包围框对中所述第一包围框的第一权重，以及包围框对中所述第二包围框的第二权重，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据所述包围框对，确定所述无标注数据的伪标签，包括：

6.根据权利要求5所述的方法，其特征在于，所述利用检测头，根据所述包围框对中所述第一包围框的第一位置信息和所述包围框对中所述第二包围框的第二位置信息，得到第三包围框，包括：

7.根据权利要求1-6任一项所述的方法，其特征在于，所述在所述至少一个第一包围框和所述至少一个第二包围框中确定包围框对，包括：

8.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述无标注数据和所述无标注数据的伪标签进行模型训练，对所述第一目标检测模型和所述第二目标检测模型的参数分别进行更新，包括：

9.一种目标检测方法，其特征在于，包括：

10.一种目标检测模型训练装置，其特征在于，包括：

11.一种目标检测装置，其特征在于，包括：

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指令，所述处理器执行所述指令时，使得所述处理器执行权利要求1-9任一项所述的方法。

13.一种计算机存储介质，其特征在于，用于存储计算机程序，所述计算机程序包括用于执行权利要求1-9中任一项所述的方法。

14.一种计算机程序产品，其特征在于，包括计算机程序代码，当所述计算机程序代码被电子设备运行时，使得所述电子设备执行权利要求1-9中任一项所述的方法。

技术总结
提供了一种目标检测模型训练方法、目标检测方法和装置，涉及人工智能的机器学习领域。该模型训练方法包括：获取无标注数据；将无标注数据输入第一目标检测模型获取第一预测结果，该第一预测结果包括至少一个第一包围框；将无标注数据输入第二目标检测模型获取第二预测结果，该第二预测结果包括至少一个第二包围框；在至少一个第一包围框和至少一个第二包围框中确定包围框对；根据该包围框对，确定无标注数据的伪标签；根据无标注数据和该无标注数据的伪标签进行模型训练，对第一目标检测模型和第二目标检测模型的参数分别进行更新。利用不同模型预测结果中匹配的包围框对之间的差异得到相对更加准确的伪标签，进而提升模型的目标检测性能。

技术研发人员：马成丞,潘兴甲,高英国,林志文,鄢科,董未名
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/16