本公开提供了一种图像检测方法、装置、电子设备及存储介质，该方法包括：获取初始训练得到的中间神经网络模型；基于中间神经网络模型在测试集上的测试结果，确定样本筛选方式，基于样本筛选方式获取训练样本；样本筛选方式用于指示：不同类型的图像样本之间的比例关系，和/或，相同类型图像样本中第一图像样本与第二图像样本之间的比例关系，第一图像样本和第二图像样本的识别难易程度不同；基于训练样本对中间神经网络模型进行训练，得到目标神经网络模型；利用目标神经网络模型，对待检测图像进行检测，得到检测结果，检测结果用于指示待检测图像中包括的待检测对象的对象信息，和/或，待检测对象的行为信息。待检测对象的行为信息。待检测对象的行为信息。
【技术实现步骤摘要】
图像检测方法、装置、计算机设备及存储介质
[0001]本公开涉及深度学习
，具体而言，涉及一种图像检测方法、装置、计算机设备及存储介质。
技术介绍
[0002]随着深度学习技术的发展，神经网络模型被广泛应用于各种场景内，比如人脸识别场景、对象分类场景等等。其中，神经网络模型的性能与神经网络的训练过程息息相关。
[0003]一般的，在神经网络模型的架构确定之后，可以获取大量的训练样本，对获取的训练样本进行标注，得到训练样本的标注标签；再利用带有标注标签的训练样本对神经网络模型进行训练。由于训练样本的获取是随机的，利用随机获取的训练样本对神经网络训练后，可能会造成神经网络对某些对象的检测效果较好，对其他对象的检测效果较差，使得神经网络的性能不稳定。
技术实现思路
[0004]本公开实施例至少提供一种图像检测方法、装置、计算机设备及存储介质。
[0005]第一方面，本公开实施例提供了一种图像检测方法，包括：
[0006]获取初始训练得到的中间神经网络模型；
[0007]基于所述中间神经网络模型在测试集上的测试结果，确定训练所需的样本筛选方式，并基于所述样本筛选方式获取训练样本；所述样本筛选方式用于指示：不同类型的图像样本之间的比例关系，和/或，相同类型图像样本中第一图像样本与第二图像样本之间的比例关系，第一图像样本和第二图像样本的识别难易程度不同；
[0008]基于所述训练样本，对所述中间神经网络模型进行训练，得到目标神经网络模型；
[0009]利用所述目标神经网络模型，对待检测图像进行检测，得到检测结果；所述检测结果用于指示所述待检测图像中包括的待检测对象的对象信息，和/或，所述待检测对象的行为信息。
[0010]一种可选的实施方式中，所述对待检测图像进行检测，得到检测结果之后，还包括：
[0011]在根据所述检测结果，确定所述待检测图像中包含的待检测对象的对象信息与预设的目标对象特征匹配的情况下，和/或，确定所述待检测图像中包含的待检测对象的行为信息与预设的目标行为特征匹配的情况下，生成并展示警示信息。
[0012]一种可选的实施方式中，在所述获取初始训练得到的中间神经网络模型之后，所述方法还包括：
[0013]获取多个候选图像；
[0014]利用所述中间神经网络模型对所述多个候选图像进行检测，生成所述多个候选图像对应的中间检测结果；
[0015]所述基于所述样本筛选方式获取训练样本，包括：
[0016]基于所述多个候选图像对应的所述中间检测结果和所述样本筛选方式，从所述多个候选图像中确定训练样本。
[0017]一种可选的实施方式中，在生成所述多个候选图像对应的中间检测结果之后，还包括：
[0018]基于所述中间检测结果和确定的排序方式，确定所述多个候选图像的展示顺序；
[0019]按照所述展示顺序，控制展示界面展示所述多个候选图像和每个所述候选图像的中间检测结果；
[0020]所述基于所述多个候选图像对应的所述中间检测结果和所述样本筛选方式，从所述多个候选图像中确定训练样本，包括：
[0021]基于所述候选图像的所述中间检测结果和所述样本筛选方式，从所述展示界面展示的各个所述候选图像中确定训练样本。
[0022]一种可选的实施方式中，所述基于所述训练样本，对所述中间神经网络模型进行训练，得到目标神经网络模型，包括：
[0023]基于所述训练样本对应的中间检测结果，确定所述训练样本对应的标注标签；
[0024]利用所述训练样本和所述标注标签，对所述中间神经网络模型进行训练，得到更新后的神经网络模型；
[0025]若所述更新后的神经网络模型不满足训练截止条件，则将所述更新后的神经网络模型作为新的中间神经网络模型，返回至基于所述中间神经网络模型在测试集上的测试结果，确定训练所需的样本筛选方式的步骤，直至更新后的神经网络模型满足训练截止条件；
[0026]若所述更新后的神经网络模型满足训练截止条件，则将所述更新后的神经网络模型，确定为目标神经网络模型。
[0027]一种可选的实施方式中，所述基于所述训练样本对应的中间检测结果，确定所述训练样本对应的标注标签，包括：
[0028]响应于数据修正操作，对所述训练样本的所述中间检测结果进行调整，得到调整后的中间检测结果；
[0029]基于所述调整后的中间检测结果，确定所述训练样本对应的标注标签。
[0030]一种可选的实施方式中，所述方法还包括：
[0031]获取未训练的初始神经网络模型、以及所述初始神经网络模型对应的初始样本；
[0032]确定所述初始样本的初始标注标签；
[0033]利用所述初始样本和所述初始标注标签，对未训练的初始神经网络进行初始训练，得到中间神经网络模型。
[0034]第二方面，本公开实施例还提供一种图像检测装置，包括：
[0035]获取模块，用于获取初始训练得到的中间神经网络模型；
[0036]确定模块，用于基于所述中间神经网络模型在测试集上的测试结果，确定训练所需的样本筛选方式，并基于所述样本筛选方式获取训练样本；所述样本筛选方式用于指示：不同类型的图像样本之间的比例关系，和/或，相同类型图像样本中第一图像样本与第二图像样本之间的比例关系，第一图像样本和第二图像样本的识别难易程度不同；
[0037]训练模块，用于基于所述训练样本，对所述中间神经网络模型进行训练，得到目标神经网络模型；
[0038]检测模块，用于利用所述目标神经网络模型，对待检测图像进行检测，得到检测结果；所述检测结果用于指示所述待检测图像中包括的待检测对象的对象信息，和/或，所述待检测对象的行为信息。
[0039]一种可选的实施方式中，所述对待检测图像进行检测，得到检测结果之后，还包括：警示模块，用于：
[0040]在根据所述检测结果，确定所述待检测图像中包含的待检测对象的对象信息与预设的目标对象特征匹配的情况下，和/或，确定所述待检测图像中包含的待检测对象的行为信息与预设的目标行为特征匹配的情况下，生成并展示警示信息。
[0041]一种可选的实施方式中，在所述获取初始训练得到的中间神经网络模型之后，所述装置还包括：生成模块，用于：
[0042]获取多个候选图像；
[0043]利用所述中间神经网络模型对所述多个候选图像进行检测，生成所述多个候选图像对应的中间检测结果；
[0044]所述确定模块，在基于所述样本筛选方式获取训练样本时，用于：
[0045]基于所述多个候选图像对应的所述中间检测结果和所述样本筛选方式，从所述多个候选图像中确定训练样本。
[0046]一种可选的实施方式中，在生成所述多个候选图像对应的中间检测结果之后，还包括：展示模块，用于：
[0047]基于所述中间检测结果和确定的排序方式，确定所述多个候选图像的展示顺序；
[0048本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：获取初始训练得到的中间神经网络模型；基于所述中间神经网络模型在测试集上的测试结果，确定训练所需的样本筛选方式，并基于所述样本筛选方式获取训练样本；所述样本筛选方式用于指示：不同类型的图像样本之间的比例关系，和/或，相同类型图像样本中第一图像样本与第二图像样本之间的比例关系，第一图像样本和第二图像样本的识别难易程度不同；基于所述训练样本，对所述中间神经网络模型进行训练，得到目标神经网络模型；利用所述目标神经网络模型，对待检测图像进行检测，得到检测结果；所述检测结果用于指示所述待检测图像中包括的待检测对象的对象信息，和/或，所述待检测对象的行为信息。2.根据权利要求1所述的方法，其特征在于，所述对待检测图像进行检测，得到检测结果之后，还包括：在根据所述检测结果，确定所述待检测图像中包含的待检测对象的对象信息与预设的目标对象特征匹配的情况下，和/或，确定所述待检测图像中包含的待检测对象的行为信息与预设的目标行为特征匹配的情况下，生成并展示警示信息。3.根据权利要求1所述的方法，其特征在于，在所述获取初始训练得到的中间神经网络模型之后，所述方法还包括：获取多个候选图像；利用所述中间神经网络模型对所述多个候选图像进行检测，生成所述多个候选图像对应的中间检测结果；所述基于所述样本筛选方式获取训练样本，包括：基于所述多个候选图像对应的所述中间检测结果和所述样本筛选方式，从所述多个候选图像中确定训练样本。4.根据权利要求3所述的方法，其特征在于，在生成所述多个候选图像对应的中间检测结果之后，还包括：基于所述中间检测结果和确定的排序方式，确定所述多个候选图像的展示顺序；按照所述展示顺序，控制展示界面展示所述多个候选图像和每个所述候选图像的中间检测结果；所述基于所述多个候选图像对应的所述中间检测结果和所述样本筛选方式，从所述多个候选图像中确定训练样本，包括：基于所述候选图像的所述中间检测结果和所述样本筛选方式，从所述展示界面展示的各个所述候选图像中确定训练样本。5.根据权利要求3所述的方法，其特征在于，所述基于所述训练样本，对所述中间神经网络模型进行训练，得到目标神经网络模型，包括：基于所述训练样本对应的中间检测结果，确定所述训练样本对应的标注标签；利用所述训练样本和所述标注标签，对所述中间神经网络模型进行训练，得到更新后的神经网...
【专利技术属性】
技术研发人员：郭明宇，周依梦，冉蛟，
申请(专利权)人：北京字跳网络技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。