【技术实现步骤摘要】
本申请涉及计算机，尤其涉及一种物体检测模型训练方法、装置、设备以及存储介质。
技术介绍
1、物体检测是一项经典的计算机视觉任务，它是许多高级视觉系统的基本组成模块。传统的物体检测方法依赖手工设计的特征，如方向梯度直方图(histogram oforiented gradient，hog)或加速稳健特征(speeded up robust features，surf)。这些方法需要大量的手工调整和参数优化，而且对不同场景的适应性有限。此外，这些方法还需要冗余的后处理操作，如迭代式地合并滑动窗口产生的局部区域。
2、随着深度学习的蓬勃发展，研究者们开始探索使用深度神经网络进行物体检测。基于卷积神经网络的物体检测器可以分为两阶段和单阶段模型。faster r-cnn是最具代表性的两阶段的检测器，所提出的区域候选网络代替了传统的选择性搜索算法，端到端的建模方式提高了模型的推理速度和测试精度。对于单阶段检测器，yolo和ssd基于主干网络提取的像素特征预测感兴趣物体的类别和定位信息。相比于两阶段模型，单阶段检测器直接输出最终的预测结果，避免了对初始分类和定位预测的二次微调。虽然单阶段检测提高了模型的推理速度，但是也牺牲了模型的测试精度。
3、目前，两阶段和单阶段检测器已经在单一数据域中验证了方案的有效性，但是在面对训练物体尺寸和测试物体尺寸差异较大的情况时仍然存在着不足之处，且在深度学习框架下，物体检测模型面临着目标域标签信息不足和域适应能力差的问题。
4、由此可见，如何设计训练一种具有高识别精度，同时
技术实现思路
1、本申请实施例提供一种物体检测模型训练方法，用以解决现有物体检测模型训练方法，由于生成的目标域训练标签质量低、波动大，进而导致训练得到的物体检测模型存在稳定性较差以及泛化能力较差的问题。
2、本申请实施例还提供一种物体检测模型训练装置，用以解决现有物体检测模型训练方法，由于生成的目标域训练标签质量低、波动大，进而导致训练得到的物体检测模型存在稳定性较差以及泛化能力较差的问题。
3、本申请实施例还提供一种物体检测模型训练设备，用以解决现有物体检测模型训练方法，由于生成的目标域训练标签质量低、波动大，进而导致训练得到的物体检测模型存在稳定性较差以及泛化能力较差的问题。
4、本申请实施例还提供一种计算机可读存储介质，用以解决现有物体检测模型训练方法，由于生成的目标域训练标签质量低、波动大，进而导致训练得到的物体检测模型存在稳定性较差以及泛化能力较差的问题。
5、本申请实施例采用下述技术方案：
6、一种物体检测模型训练方法，包括：获取训练样本集合，其中，所述训练样本集合中包括标注有人工标签的源域数据集以及无人工标签目标域数据集；创建初始检测模型，根据所述初始检测模型的结构以及初始化参数，创建辅助检测模型；根据所述辅助检测模型对所述目标域数据集进行处理，得到目标域数据标签；根据所述目标域数据标签以及所述目标域数据集，对所述初始检测模型进行训练，得到物体检测模型。
7、一种物体检测模型训练装置，包括：训练样本集合获取单元，用于获取训练样本集合，其中，所述训练样本集合中包括标注有人工标签的源域数据集以及无人工标签目标域数据集；模型创建单元，用于创建初始检测模型，根据所述初始检测模型的结构以及初始化参数，创建辅助检测模型；辅助训练单元，用于根据所述辅助检测模型对所述目标域数据集进行处理，得到目标域数据标签；模型训练单元，用于根据所述目标域数据标签以及所述目标域数据集，对所述初始检测模型进行训练，得到物体检测模型。
8、一种物体检测模型训练设备，包括：
9、处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：获取训练样本集合，其中，所述训练样本集合中包括标注有人工标签的源域数据集以及无人工标签目标域数据集；创建初始检测模型，根据所述初始检测模型的结构以及初始化参数，创建辅助检测模型；根据所述辅助检测模型对所述目标域数据集进行处理，得到目标域数据标签；根据所述目标域数据标签以及所述目标域数据集，对所述初始检测模型进行训练，得到物体检测模型。
10、一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：获取训练样本集合，其中，所述训练样本集合中包括标注有人工标签的源域数据集以及无人工标签目标域数据集；创建初始检测模型，根据所述初始检测模型的结构以及初始化参数，创建辅助检测模型；根据所述辅助检测模型对所述目标域数据集进行处理，得到目标域数据标签；根据所述目标域数据标签以及所述目标域数据集，对所述初始检测模型进行训练，得到物体检测模型。
11、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现：获取训练样本集合，其中，所述训练样本集合中包括标注有人工标签的源域数据集以及无人工标签目标域数据集；创建初始检测模型，根据所述初始检测模型的结构以及初始化参数，创建辅助检测模型；根据所述辅助检测模型对所述目标域数据集进行处理，得到目标域数据标签；根据所述目标域数据标签以及所述目标域数据集，对所述初始检测模型进行训练，得到物体检测模型。
12、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
13、采用本申请实施例提供的物体检测模型训练方法，在进行物体检测模型训练时，可以获取训练样本集合，其中，所述训练样本集合中包括标注有人工标签的源域数据集以及无人工标签目标域数据集；创建初始检测模型，根据所述初始检测模型的结构以及初始化参数，创建辅助检测模型；根据所述辅助检测模型对所述目标域数据集进行处理，得到目标域数据标签；根据所述目标域数据标签以及所述目标域数据集，对所述初始检测模型进行训练，得到物体检测模型。首先，通过使用带有目标域风格的源域数据训练初始检测模型，有助于缓解源域和目标域之间的领域偏移问题，从而提高目标域标签的质量，使检测模型更好地捕捉和理解目标域中的物体，此外，相对于手动标注目标域数据，使用源域数据进行域自适应训练可以显著降低标注成本；其次，通过设置动态置信度阈值并且限定目标域图像中训练标签的数量处于稳定的波动范围，可以保证模型在训练初期阶段有一定数量的正样本，在训练末期阶段只学习高质量的目标域正样本，从而减少噪声标签的不利影响；最后，本申请实施例所提供的方法解耦初始检测模型和辅助检测模型的训练过程，通过引入辅助检测模型生成目标域的训练标签，可以减小核心检测模型在目标域训练过程中的过拟合风险。
本文档来自技高网...【技术保护点】
1.一种物体检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取训练样本集合，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述创建初始检测模型，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述辅助检测模型对所述目标域数据集进行处理，得到目标域数据标签，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标域数据标签以及所述目标域数据集，对所述初始检测模型进行训练，得到物体检测模型，具体包括：
6.根据权利要求5所述的方法，其特征在于，根据所述类别损失值以及所述位置损失值，对所述初始检测模型的模型参数进行迭代更新后，所述方法还包括：
7.一种物体检测模型训练装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，训练样本集合获取单元，具体用于：
9.一种物体检测模型训练设备，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应
11.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现如权利要求1-6任一权项所述的物体检测模型训练方法。
...【技术特征摘要】
1.一种物体检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取训练样本集合，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述创建初始检测模型，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述辅助检测模型对所述目标域数据集进行处理，得到目标域数据标签，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标域数据标签以及所述目标域数据集，对所述初始检测模型进行训练，得到物体检测模型，具体包括：
6.根据权利要求5所述的方法，其特征在于，根据所述类别损失值以及所述位置损失...
【专利技术属性】
技术研发人员：施林苏，余家忠，徐常智，孔向荣，李飞，刘昱含，
申请(专利权)人：中国铁塔股份有限公司，
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。