目标检测能力训练方法、装置、存储介质及电子设备制造方法及图纸

本申请提供一种图像目标检测能力训练方法、装置、存储介质及电子设备。该方法包括对具有第一标识的第一图像进行训练，以使第一检测模型获得第一检测能力及形成第一检测能力的模型参数；采用第一检测模型对具有第二标识的第二图像进行分析，以获取第一信息，第一信息至少包括多个目标及多个目标的类别；第二检测模型根据第一信息，确定多个目标中的每个类别的目标的正示例以及负示例；以及第二检测模型获取第一检测模型的模型参数，以使得第二检测模型继承第一检测模型的第一检测能力，并对多个目标中的每个类别的目标的正示例以及负示例进行训练，以使得第二检测模型获得第二检测能力。该方法具有较强的目标检测能力。该方法具有较强的目标检测能力。该方法具有较强的目标检测能力。

【技术实现步骤摘要】
目标检测能力训练方法、装置、存储介质及电子设备


[0001]本申请涉及电子领域，具体涉及一种图像目标检测能力训练方法、图像目标检测装置、计算机可读存储介质及电子设备。

技术介绍

[0002]现有的强监督学习目标检测算法依赖于大量的人工标注的真值样本数据(GT数据)来训练目标检测/分割模型，生产GT数据的时间和经济成本很高且质量难以保证。

技术实现思路

[0003]针对上述问题，本申请实施例提供一种图像目标检测能力训练方法，其只需要较少的真值样本和仅包含简单图像级标签的输入样本就可以获得较强的目标检测能力，随着输入样本不断的自行增加，数量越来越多，场景也越来越丰富，模型的自我标注能力也越来越强，模型的目标检测能力也可以持续的自我增强，实现“在线学习”。
[0004]本申请第一方面实施例提供了一种图像目标检测能力训练方法，其包括：
[0005]对具有第一标识的第一图像进行训练，以使第一检测模型获得第一检测能力及形成所述第一检测能力的模型参数；
[0006]采用所述第一检测模型对具有第二标识的第二图像进行分析，以获取第一信息，所述第一信息至少包括多个目标及多个目标的类别；
[0007]第二检测模型根据所述第一信息，确定所述多个目标中的每个类别的目标的正示例以及负示例；以及
[0008]所述第二检测模型获取所述第一检测模型的所述模型参数，以使得所述第二检测模型继承所述第一检测模型的所述第一检测能力，并对所述多个目标中的每个类别的目标的所述正示例以及所述负示例进行训练，以使得所述第二检测模型获得第二检测能力。
[0009]本申请实施例的图像目标检测能力训练方法可以继承第一检测模型的模型参数，从而使得第二检测模型可以获得第一检测模型的第一检测能力，同时，第二检测模型还可以根据第一检测模型获取的第一信息，确定所述多个目标中的每个类别的目标的正示例以及负示例，并对所述多个目标中的每个类别的目标的所述正示例以及所述负示例进行训练，以使得所述第二检测模型获得第二检测能力，从而提升第二检测模型的检测能力，从而只需要采用较少的具有第一标识的第一图像(即较少数量的真值样本)，就可以获得具有较强的目标检测能力。
[0010]进一步地，所述对所述目标中的每个类别的目标的所述正示例以及所述负示例进行训练，以使得所述第二检测模型获得第二检测能力之后，所述方法还包括：
[0011]采用所述第二检测模型对第三图像、第四图像及测试图像进行分析，分别得到第一检测结果、第二检测结果及第三检测结果，其中，所述第一检测结果包括第三图像及第五图像，所述第二检测结果包括第四图像及第六图像，所述第三图像为未经标识的第一图像，第四图像为未经标识的第二图像，第五图像为具有第三标识的第一图像，第六图像为具有
第四标识的第二图像；以及
[0012]当所述第三检测结果的准确率满足预设条件或所述第二检测模型的训练次数小于第一预设阈值时，则将所述第一检测结果及所述第二检测结果送入所述第一检测模型进行循环训练，以提高所述第一检测模型的所述第一检测能力，从而提高所述第二检测模型的所述第二检测能力。
[0013]由于第二检测模型继承了第一检测模型的检测能力，因此，第一检测模型的第一检测能力提升了，第二检测模型的第二检测能力也随之提升。随着第二检测模型检测能力的不断提升，每次得到的第一检测结果及第二检测结果准确度也会不断提高，采用准确度提高后的第一检测结果及第二检测结果作为新的训练集对第一检测模型进行训练，又可以提高第一检测模型的第一检测能力，进而提高第二检测模型的第二检测能力。如此，只需要采用少量的第一图像及第二图像，通过对第一图像、第二图像、第一检测结果及第二检测结果，通过循环执行，即可不断提高第二检测模型的检测能力及精确度，不需要大量的真值样本，大大降低真值样本获取的成本(即具有第一标识的第一图像获取的成本)，同时又可以使第二检测模型具有自我学习的能力，不断提高第二检测模型的第二检测能力。本申请的完整流程中第二图像数据集是没有变化的，但当再次训练本算法时，第二图像数据集又会是一套新的数据集，由于在算法的使用过程中总是可以源源不断的输入新的第二图像数据集，到了一定阶段第二图像数据集可以动过检测结果自行标注图像级标签信息，所以算法模型就可以持续不断的正向反馈和自我增强，获得自我学习的能力。
[0014]进一步地，所述第一检测模型及第二检测模型完成指定轮次的训练后，将对第三图像、第四图像及测试图像进行一次测试，所述测试次数为n，其中，n为正整数，当n＝1时，所述方法还包括：
[0015]采用所述第一检测模型对所述测试图像进行检测，以得到第四检测结果；
[0016]所述第三检测结果满足预设条件，包括：
[0017]当所述第三检测结果的准确率与所述第四检测结果的准确率之差大于第二预设阈值。
[0018]通过对循环条件的限定，可以根据实际需要提高第二检测模型的检测能力及检测准确性，在使用较少真值样本的情况下，可以不断提高第二检测模型的检测能力，可以有效降低真值样本的成本，并实现不断自我学习。
[0019]进一步地，所述第一检测模型及第二检测模型完成指定轮次的训练后，将对第三图像、第四图像及测试图像进行一次测试，所述测试次数为n，其中，n为正整数，当n≥2时，所述方法还包括：
[0020]对所述第一检测结果及第二检测结果进行训练，以提高所述第一检测模型的第一检测能力，从而提高所述第二检测模型的所述第二检测能力；
[0021]采用所述第二检测模型对所述测试图像进行检测，以得到第n次第三检测结果；
[0022]所述第三检测结果满足预设条件，包括：
[0023]当所述第n次所述第三检测结果的准确率与第n
‑
1次所述第三检测结果的准确率之差大于第二预设阈值。
[0024]通过对循环条件的限定，可以根据实际需要提高第二检测模型的检测能力及检测准确性，在使用较少真值样本的情况下，可以不断提高第二检测模型的检测能力，可以有效
降低真值样本的成本，并实现不断自我学习。
[0025]进一步地，所述对具有第一标识的第一图像进行训练之前，所述方法还包括：
[0026]采用目标检测算法中的数据增强算法，对所述第一图像进行光照畸变、几何畸变和图像遮挡。这样可以提高第一图像中场景泛化性。
[0027]进一步地，所述第一信息还包括所述第二图像中每个所述目标的方位信息以及每个所述目标的置信度，每个目标的方位信息包括所述目标的坐标及向量。这样不仅可以获得每个目标的位置信息，还可以获得每个目标的大小，从而可以更好的对目标进行识别，以更好的实现避障功能。
[0028]本申请第二方面实施例提供了一种图像目标检测能力训练装置，其包括：
[0029]第一检测单元，用于对具有第一标识的第一图像进行训练，以使第一检测模型获得第一检测能力及形成所述第一检测能力的模型参数；以及
[0030]第二检测单元，用于采用第一检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像目标检测能力训练方法，其特征在于，包括：对具有第一标识的第一图像进行训练，以使第一检测模型获得第一检测能力及形成所述第一检测能力的模型参数；采用所述第一检测模型对具有第二标识的第二图像进行分析，以获取第一信息，所述第一信息至少包括多个目标及多个目标的类别；第二检测模型根据所述第一信息，确定所述多个目标中的每个类别的目标的正示例以及负示例；以及所述第二检测模型获取所述第一检测模型的所述模型参数，以使得所述第二检测模型继承所述第一检测模型的所述第一检测能力，并对所述多个目标中的每个类别的目标的所述正示例以及所述负示例进行训练，以使得所述第二检测模型获得第二检测能力。2.根据权利要求1所述的图像目标检测能力训练方法，其特征在于，所述对所述目标中的每个类别的目标的所述正示例以及所述负示例进行训练，以使得所述第二检测模型获得第二检测能力之后，所述方法还包括：采用所述第二检测模型对第三图像、第四图像及测试图像进行分析，分别得到第一检测结果、第二检测结果及第三检测结果，其中，所述第一检测结果包括第三图像及第五图像，所述第二检测结果包括第四图像及第六图像，所述第三图像为未经标识的第一图像，第四图像为未经标识的第二图像，第五图像为具有第三标识的第一图像，第六图像为具有第四标识的第二图像；以及当所述第三检测结果的准确率满足预设条件或所述第二检测模型的训练次数小于第一预设阈值时，则将所述第一检测结果及所述第二检测结果送入所述第一检测模型进行循环训练，以提高所述第一检测模型的所述第一检测能力，从而提高所述第二检测模型的所述第二检测能力。3.根据权利要求2所述的图像目标检测能力训练方法，其特征在于，所述第一检测模型及第二检测模型完成指定轮次的训练后，将对第三图像、第四图像及测试图像进行一次测试，所述测试次数为n，其中，n为正整数，当n＝1时，所述方法还包括：采用所述第一检测模型对所述测试图像进行检测，以得到第四检测结果；所述第三检测结果满足预设条件，包括：当所述第三检测结果的准确率与所述第四检测结果的准确率之差大于第二预设阈值。4.根据权利要求2所述的图像目标检测能力训练方法，其特征在于，所述第一检测模型及第二检测模型完成指定轮次的训练后，将对第三图像、第四图像及测试图像进行一次测试，所述测试次数为n，其中，n为正整数，当n≥2时，所述方法还包括：对所述第一检测结果及第二检测结果进行训练，以提高所述第一检测模型的第一检测能力，从而提高所述第二检测模型的所述第二检测能力；采用所述第二检测模型对所述测试图像进行检测，以得到第n次第三检测结果；所述第三检测结果满足预设条件，包括：当所述第n次所述第三检测结果的准确率与第n
‑
1次所述第三检测结果的准确率之差大于第二预设阈值。5.根据权利要求1
‑
4任一项所述的图像目标检测能力训练方法，其特征在于，所述对具有第一标识的第一图像进行训练之前，所述方法还包括：
采用目标检测算法中的数据增强算法，对所述第一图像进行光照畸变、几何畸变和图像遮挡。6.根据权利要求1
‑
4任一项所述的图像目标检测能力训练方法，其特征在于，所述第一信息还包括所述第二图像中每个所述目标的方位信息以及每个所述目标的置信度，每个目标的方位信息包括所述目标的坐标及向量。7.一种图像目标检测能力训练装置，其特征在于，包括：第一检测单元，用于对具有第一标识的第一图像进行训练，以使第一检测模型获得第一检测能力及形成所述第一检测能力的模型参数；以及第二检测单元，用于采用第一检测模型对具有第二标识的第二图像进行分析，以获取第一信息，所述第一信息至少包括多个目标及所述多个目标的类别；所...

【专利技术属性】
技术研发人员：关称心，徐青，
申请(专利权)人：上海欧菲智能车联科技有限公司，
类型：发明
国别省市：