【技术实现步骤摘要】
一种检测模型的训练方法、装置、计算设备及存储介质
[0001]本申请涉及图像处理
,尤其涉及一种检测模型的训练方法、装置、计算设备及存储介质。
技术介绍
[0002]在图像处理
,教师模型和学生模型的学习范式可以应用到图像的目标检测(Object Detection)中,目标检测的任务是找出图像中所有感兴趣的目标(物体),而为了训练一个目标检测模型,往往需要对大量图像进行标注,获取训练模型用到的训练数据。如,假设目标对象为大象,则需要对图像中所有的大象进行标注。由于人工标注的不可控性,训练数据中往往会存在目标对象被漏标注。因此,通过教师模型对训练数据进行预测,以获得训练数据的预测对象(被漏标注的目标对象),根据包含已经标注的目标对象和预测对象的训练数据对学生模型训练,并基于学生模型的预测结果对教师模型和学生模型优化。这一过程中,教师模型基于训练数据输出的预测对象并不完全正确,因此,需要根据合适的置信度阈值,筛选出置信度较高的预测对象进行学生模型的训练,而置信度阈值的设置会很大程度上影响学生模型的性能;如,若置信度阈值过低,会导致学生模型的训练数据中包含不正确的预测对象,模型预测准确性差,若置信度阈值过高,会导致学生模型预测时漏掉一些预测对象。
[0003]相关技术中,由于教师模型在训练的不同时期,预测正确率也是变化的,如,教师模型在初始训练时的预测准确率很低,随着训练迭代次数的增加,预测准确率也会提升,因此,在不同的模型训练时期需要设置不同的置信度阈值来筛选预测对象,而由于需要频繁调整模型参数才能 ...
【技术保护点】
【技术特征摘要】
1.一种检测模型的训练方法,其特征在于,所述方法包括:基于样本图像集对第一检测模型和第二检测模型进行迭代训练,每个样本图像包含:已标注的多个样本对象;其中,在一次迭代过程中,执行以下操作:对选取的样本图像进行两次图像增强处理,分别获得相应的第一参考图像和第二参考图像;通过所述第一检测模型,获得所述第一参考图像中,除样本对象之外的至少一个候选对象及其各自的初始置信度;根据所述第一检测模型当前的预测准确度,分别对获得的至少一个初始置信度进行校正,获得相应的校正置信度,并从所述至少一个候选对象中,选取出校正置信度大于置信度阈值的至少一个目标对象;通过所述第二检测模型,获得所述第二参考图像中的多个预测对象,并采用基于所述多个预测对象,所述至少一个目标对象和所述第一参考图像中样本对象获得的损失值,分别对所述第一检测模型和所述第二检测模型进行调参。2.如权利要求1中所述的方法,其特征在于,所述通过所述第一检测模型,获得所述第一参考图像包含的至少一个候选对象,包括:通过所述第一检测模型,预测所述第一参考图像包含的多个待验证对象,所述多个待验证对象包含所述第一参考图像中的样本对象;分别获取所述多个待验证对象与所述第一参考图像中至少一个样本对象的重合程度;从所述多个待验证对象中,选取出重合程度小于第一设定阈值的待验证对象作为候选对象。3.如权利要求2中所述的方法,其特征在于,所述方法还包括:从所述多个待验证对象中,选取出重合程度不小于所述第一设定阈值的至少一个丢弃对象,所述至少一个丢弃对象包含所述第一参考图像中的样本对象;将所述至少一个丢弃对象放入丢弃对象队列,并获取所述至少一个丢弃对象的数量与所述丢弃对象队列中各历史丢弃对象数量的数量和,所述历史丢弃对象为本轮训练之前的各轮训练中得到的丢弃对象;若所述数量和不小于数量阈值,则基于所述至少一个丢弃对象的重合程度,以及各历史丢弃对象的重合程度,确定所述第一检测模型当前的预测准确度,所述预测准确度表征:所述至少一个丢弃对象和所述各历史丢弃对象各自属于样本对象的概率。4.如权利要求3中所述的方法,其特征在于,所述基于所述至少一个丢弃对象的重合程度,以及各历史丢弃对象的重合程度,确定所述第一检测模型的当前的预测准确度,包括:针对预设的多个取值范围,分别执行以下操作:从所述丢弃对象队列中,确定初始置信度归属至一个取值范围的各丢弃对象的第一数量;从所述各丢弃对象中,确定重合程度超过第二设定阈值的各丢弃对象的第二数量,所述第二设定阈值大于所述第一设定阈值;将所述第二数量和所述第一数量的比值,作为所述一个取值范围的取值准确率;基于所述多个取值范围各自对应的取值准确率,获得所述预测准确度。5.如权利要求3中所述的方法,其特征在于,所述方法还包括:
若所述数量和大于所述数量阈值,则基于所述数量和,从所述丢弃对象队列中删除最早放入的相应数量的历史丢弃对象,使得所述丢弃对象队列中各丢弃对象的数量等于所述数量阈值。6.如权利要求1
...
【专利技术属性】
技术研发人员:刘亮,张博深,王亚彪,
申请(专利权)人:腾讯科技深圳有限公司,
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。