【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种目标检测模型训练方法、目标检测方法及设备。
技术介绍
1、目标检测是计算机视觉任务里的一项基础且具有挑战性的任务，是学术界的研究热点和工业界的应用热点，在智慧交通、安防监控、工业检测等场景得到广泛应用。
2、由于基于深度学习的目标检测技术速度快，精度高，迭代成熟，因此目前市面上应用的绝大多数目标检测技术都是基于深度学习的方法。然而，基于深度学习的方法需要针对待检测的目标类别，采集大量包含该目标类别的图像并进行目标框标注，最后才能将标注后的图像数据用于训练目标检测模型。其中，采集和标注的过程十分耗费人力物力和时间，使得图像样本不够丰富，部分类别的图像样本数量较少，导致训练得到的目标检测的通用性较差。
技术实现思路
1、本申请至少提供一种目标检测模型训练方法、目标检测方法及设备。
2、本申请第一方面提供了一种目标检测模型训练方法，方法包括：获取未标记有样本标签的候选样本图像集合，以及获取预训练神经网络模型；其中，预训练神经网络模型是基于预训练样本图像集合中含有同一类别目标的预训练样本图像训练得到，预训练样本图像标记有样本标签；从候选样本图像集合中随机选取候选样本图像对，基于预训练神经网络模型计算候选样本图像对的相似度；将预设数量的候选样本图像对作为基准样本图像对，基于基准样本图像对的真实类别判定结果和基准样本图像对的相似度，确定相似度判定阈值；真实类别判定结果用于指示基准样本图像对是否含有相似类别目标；利用相似度判定阈值从候选样
3、在一实施例中，基于基准样本图像对的真实类别判定结果和基准样本图像对的相似度，确定相似度判定阈值，包括：筛选真实类别判定结果指示含有相似类别目标的基准样本图像对，得到相似样本图像对；获取每个相似样本图像对的相似度，计算每个相似样本图像对所对应的相似度分布特征；基于每个相似样本图像对所对应的相似度分布特征，确定相似度判定阈值。
4、在一实施例中，基于每个相似样本图像对所对应的相似度分布特征，确定相似度判定阈值，包括：筛选真实类别判定结果指示不含有相似类别目标的基准样本图像对，得到不相似样本图像对；获取每个不相似样本图像对的相似度，计算每个不相似样本图像对所对应的相似度分布特征；基于每个相似样本图像对所对应的相似度分布特征和每个不相似样本图像对所对应的相似度分布特征，确定相似度判定阈值。
5、在一实施例中，相似度判定阈值包括相似判定阈值范围；利用相似度判定阈值从候选样本图像集合中选取出含有相似类别目标的候选样本图像，包括：获取每个候选样本图像对的相似度；将相似度处于相似判定阈值范围内的候选样本图像对作为含有相似类别目标的候选样本图像。
6、在一实施例中，相似度判定阈值还包括不相似判定阈值范围；方法还包括：将相似度处于不相似判定阈值范围内的候选样本图像对作为不含有相似类别目标的候选样本图像；基于含有相似类别目标的候选样本图像对训练预训练神经网络模型得到目标检测模型，包括：基于含有相似类别目标的候选样本图像得到正样本，基于不含有相似类别目标的候选样本图像得到负样本；利用正样本和负样本，对预训练神经网络模型进行训练得到目标检测模型。
7、在一实施例中，从预训练样本图像集合中选取正样本支持图像集和查询样本图像，正样本支持图像集中的正样本支持图像和查询样本图像含有同一类别目标；基于正样本支持图像集和查询样本图像迭代训练初始神经网络模型，得到预训练神经网络模型，迭代训练的步骤包括：将正样本支持图像和查询样本图像输入至初始神经网络模型，得到初始神经网络模型输出的预测结果；基于预测结果和查询样本图像对应的样本标签，更新初始神经网络模型的网络参数。
8、在一实施例中，将正样本支持图像和查询样本图像输入至初始神经网络模型，得到初始神经网络模型输出的预测结果，包括：分别对正样本支持图像集和查询样本图像进行特征提取，得到每个正样本支持图像对应的正样本特征，以及查询样本图像对应的查询特征；基于每个正样本支持图像对应的正样本特征和样本标签，提取每个正样本支持图像对应的正样本模板自相关向量；以及，基于每个正样本支持图像对应的正样本特征和查询特征，得到查询特征对应的查询预测向量；对正样本模板自相关向量和查询预测向量进行特征匹配，基于特征匹配结果得到预测结果。
9、在一实施例中，方法还包括：从预训练样本图像集合中选取负样本支持图像集，负样本支持图像集中的负样本支持图像和查询样本图像含有不同类别目标；基于正样本支持图像集、负样本支持图像集和查询样本图像迭代训练初始神经网络模型，得到预训练神经网络模型，迭代训练的步骤包括：将正样本支持图像、负样本支持图像集和查询样本图像输入至初始神经网络模型，得到初始神经网络模型输出的预测结果；基于预测结果和查询样本图像对应的样本标签，更新初始神经网络模型的网络参数。
10、本申请第二方面提供了一种目标检测方法，方法包括：获取待检测图像；将待检测图像输入至目标检测模型，得到目标检测模型输出的目标检测结果，目标检测模型是基于上述目标检测模型训练方法训练得到的。
11、本申请第三方面提供了一种目标检测模型训练装置，装置包括：样本获取模块，用于获取未标记有样本标签的候选样本图像集合，以及获取预训练神经网络模型；其中，预训练神经网络模型是基于预训练样本图像集合中含有同一类别目标的预训练样本图像训练得到，预训练样本图像标记有样本标签；相似度计算模块，用于从候选样本图像集合中随机选取候选样本图像对，基于预训练神经网络模型计算候选样本图像对的相似度；阈值确定模块，用于将预设数量的候选样本图像对作为基准样本图像对，基于基准样本图像对的真实类别判定结果和基准样本图像对的相似度，确定相似度判定阈值；真实类别判定结果用于指示基准样本图像对是否含有相似类别目标；训练模块，用于利用相似度判定阈值从候选样本图像集合中选取出含有相似类别目标的候选样本图像，基于含有相似类别目标的候选样本图像对训练预训练神经网络模型，得到目标检测模型。
12、本申请第四方面提供了一种目标检测装置，装置包括：图像获取模块，用于获取待检测图像；目标检测模块，用于将待检测图像输入至目标检测模型，得到目标检测模型输出的目标检测结果，目标检测模型是基于上述目标检测模型训练方法训练得到的。
13、本申请第五方面提供了一种电子设备，包括存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述目标检测模型训练方法或目标检测方法。
14、本申请第六方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述目标检测模型训练方法或目标检测方法。
15、上述方案，通过获取未标记有样本标签的候选样本图像集合，以及获取预训练神经网络模型；从候选样本图像集合中随机选取候选样本图像对，基于预训练神经网络模本文档来自技高网...
【技术保护点】
1.一种目标检测模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述基准样本图像对的真实类别判定结果和所述基准样本图像对的相似度，确定相似度判定阈值，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于每个所述相似样本图像对所对应的相似度分布特征，确定所述相似度判定阈值，包括：
4.根据权利要求1所述的方法，其特征在于，所述相似度判定阈值包括相似判定阈值范围；所述利用所述相似度判定阈值从所述候选样本图像集合中选取出含有相似类别目标的候选样本图像，包括：
5.根据权利要求4所述的方法，其特征在于，所述相似度判定阈值还包括不相似判定阈值范围；所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，
7.根据权利要求6所述的方法，其特征在于，所述将所述正样本支持图像和所述查询样本图像输入至初始神经网络模型，得到所述初始神经网络模型输出的预测结果，包括：
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
9.一种目标检测方法，其特
10.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8中任一项所述的目标检测模型训练方法或权利要求9所述的目标检测方法。
...【技术特征摘要】
1.一种目标检测模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述基准样本图像对的真实类别判定结果和所述基准样本图像对的相似度，确定相似度判定阈值，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于每个所述相似样本图像对所对应的相似度分布特征，确定所述相似度判定阈值，包括：
4.根据权利要求1所述的方法，其特征在于，所述相似度判定阈值包括相似判定阈值范围；所述利用所述相似度判定阈值从所述候选样本图像集合中选取出含有相似类别目标的候选样本图像，包括：
5.根据权利要求4所述的方法，其特征在于，所述相似度...
【专利技术属性】
技术研发人员：蒋伟，张品品，孙鹤，
申请(专利权)人：浙江大华技术股份有限公司，
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。