目标检测模型训练和目标检测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种目标检测模型训练和目标检测方法、装置、设备及介质，涉及计算机视觉技术领域。该方法包括：将可信图像和歧义图像进行融合，得到融合图像；可信图像是不包含歧义目标区域的图像，歧义图像是包含至少一个歧义目标区域的图像；将融合图像输入至区域建议网络，得到融合图像中的候选区域；依据融合图像中的候选区域，对歧义图像中的歧义目标区域进行标签矫正；基于矫正后的标签，对待训练模型进行训练，得到目标检测模型。本发明专利技术实施例的技术方案，可以解决歧义目标人工标注困难的问题，降低噪声目标对模型的干扰，提升模型训练稳定性。练稳定性。练稳定性。

【技术实现步骤摘要】
目标检测模型训练和目标检测方法、装置、设备及介质


[0001]本专利技术涉及计算机视觉
，尤其涉及一种目标检测模型训练和目标检测方法、装置、设备及介质。

技术介绍

[0002]目标检测的任务是找出图像中所有感兴趣的目标，确定他们的类别和位置，是计算机视觉领域的核心问题之一。
[0003]基于监督学习的目标检测算法的效果严重依赖于人工标签的质量。在一些特殊场景下，例如，X光安检场景下，由于目标背景复杂、极端角度和过度遮挡等问题，使得人工标注的标签具有不可靠性，存在歧义。
[0004]对于上述有歧义的目标，若直接将其标注为目标，可能会对目标检测模型正样本的学习带来离群的噪声；若不标注为目标，模型在学习时会当成负样本处理，使得监督学习的过程缺失这部分目标特征，也会影响模型训练效果。

技术实现思路

[0005]本专利技术提供了一种目标检测模型训练和目标检测方法、装置、设备及介质，以解决图像中含有歧义目标时影响模型训练效果的问题。
[0006]根据本专利技术的一方面，提供了一种目标检测模型训练方法，包括：
[0007]将可信图像和歧义图像进行融合，得到融合图像；所述可信图像是不包含歧义目标区域的图像，所述歧义图像是包含至少一个歧义目标区域的图像；
[0008]将所述融合图像输入至区域建议网络，得到所述融合图像中的候选区域；
[0009]依据所述融合图像中的候选区域，对所述歧义图像中的歧义目标区域进行标签矫正；
[0010]基于矫正后的标签，对待训练模型进行训练，得到目标检测模型。
[0011]根据本专利技术的另一方面，提供了一种目标检测方法，包括：
[0012]获取待检测图像；
[0013]将所述待检测图像输入至所述目标检测模型中，基于所述目标检测模型的输出确定所述待检测图像中的至少一个目标；所述目标检测模型基于本专利技术任一实施例所述的目标检测模型训练方法训练得到。
[0014]根据本专利技术的另一方面，提供了一种目标检测模型训练装置，包括：
[0015]融合图像获取模块，用于将可信图像和歧义图像进行融合，得到融合图像；所述可信图像是不包含歧义目标区域的图像，所述歧义图像是包含至少一个歧义目标区域的图像；
[0016]候选区域获取模块，用于将所述融合图像输入至区域建议网络，得到所述融合图像中的候选区域；
[0017]标签矫正模块，用于依据所述融合图像中的候选区域，对所述歧义图像中的歧义
目标区域进行标签矫正；
[0018]模型训练模块，用于基于矫正后的标签，对待训练模型进行训练，得到目标检测模型。
[0019]根据本专利技术的另一方面，提供了一种目标检测模型训练装置，包括：
[0020]图像获取模块，用于获取待检测图像；
[0021]目标检测模块，用于将所述待检测图像输入至所述目标检测模型中，基于所述目标检测模型的输出确定所述待检测图像中的至少一个目标；所述目标检测模型基于本专利技术任一实施例所述的目标检测模型训练方法训练得到。
[0022]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0023]至少一个处理器；以及
[0024]与所述至少一个处理器通信连接的存储器；其中，
[0025]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的目标检测模型训练方法，或者本专利技术任一实施例所述的目标检测方法。
[0026]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的目标检测模型训练方法，或者本专利技术任一实施例所述的目标检测方法。
[0027]本专利技术的技术方案，将可信图像和歧义图像进行融合得到融合图像，进而基于融合图像中的候选区域，对歧义图像中包含的歧义目标区域进行标签矫正，最终基于矫正后的标签训练得到目标检测模型，可以解决歧义目标人工标注困难的问题，降低噪声目标对模型的干扰，提升模型训练稳定性与对困难样本的学习效果。
[0028]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0029]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0030]图1是根据本专利技术实施例提供的一种目标检测模型训练方法的流程图；
[0031]图2a是根据本专利技术实施例提供的一种目标检测模型训练方法的流程图；
[0032]图2b是根据本专利技术实施例提供的一种目标检测模型训练的网络结构图；
[0033]图3是根据本专利技术实施例提供的一种目标检测模型训练方法的流程图；
[0034]图4是根据本专利技术实施例提供的一种目标检测方法的流程图；
[0035]图5是根据本专利技术实施例提供的一种目标检测模型训练装置的结构示意图；
[0036]图6是根据本专利技术实施例提供的一种目标检测装置的结构示意图；
[0037]图7是实现本专利技术实施例的目标检测模型训练方法的电子设备的结构示意图。
具体实施方式
[0038]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0039]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0040]图1为本专利技术实施例提供了一种目标检测模型训练方法的流程图，本实施例可适用于在模型训练时对歧义目标区域的标签进行校准情况，该方法可以由目标检测模型训练装置来执行，该目标检测模型训练装置可以采用硬件和/或软件的形式实现，该目标检测模型训练装置可配置于各种通用计算设备中，例如，通用计算设备为服务器、个人计算机或者笔记本电脑等。如图1所示，该方法包括：
[0041]S11本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型训练方法，其特征在于，包括：将可信图像和歧义图像进行融合，得到融合图像；所述可信图像是不包含歧义目标区域的图像，所述歧义图像是包含至少一个歧义目标区域的图像；将所述融合图像输入至区域建议网络，得到所述融合图像中的候选区域；依据所述融合图像中的候选区域，对所述歧义图像中的歧义目标区域进行标签矫正；基于矫正后的标签，对待训练模型进行训练，得到目标检测模型。2.根据权利要求1所述的方法，其特征在于，将可信图像和歧义图像进行融合，得到融合图像，包括：对所述可信图像和歧义图像分别进行数据增强；依据预设中心距离，将数据增强后的可信图像和歧义图像进行重叠；依据重叠区域中可信图像的像素能量值和歧义图像的像素能量值，确定重叠区域的像素能量值，得到所述融合图像。3.根据权利要求1所述的方法，其特征在于，依据所述融合图像中的候选区域，对所述歧义图像中的歧义目标区域进行标签矫正，包括：计算所述歧义图像中的歧义目标区域与每个候选区域的相似度，并根据所述相似度，确定与所述歧义目标区域匹配的目标候选区域；依据所述歧义目标区域与所述目标候选区域的相似度，以及所述目标候选区域的类别置信度，对所述歧义图像中的歧义目标区域进行标签矫正。4.根据权利要求3所述的方法，其特征在于，依据所述歧义目标区域与所述目标候选区域的相似度，以及所述目标候选区域的类别置信度，对所述歧义图像中的歧义目标区域进行标签矫正，包括：对所述目标候选区域的类别置信度进行归一化处理，得到所述目标候选区域的软标签类别置信度；依据所述歧义目标区域与所述目标候选区域的相似度，以及所述目标候选区域的软标签类别置信度，对所述歧义目标区域进行标签矫正。5.根据权利要求4所述的方法，其特征在于，依据所述歧义目标区域与所述目标候选区域的相似度，以及所述目标候选区域的软标签类别置信度，对所述歧义目标区域进行标签矫正，包括：根据可信图像和歧义图像中可信目标区域与每个候选区域之间的交并比，确定与每个可信目标区域关联的至少一个候选区域；依据每个可信目标区域和所述可信目标区域关联的候选区域之间的相似度，确定相似度阈值；依据可信目标区域关联的候选区域的类别置信度，确定置信度阈值；在所述目标候选区域的软标签类别置信度大于所述置信度阈值，...

【专利技术属性】
技术研发人员：王威，何林阳，李林超，周凯，
申请(专利权)人：浙江啄云智能科技有限公司，
类型：发明
国别省市：