System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 目标检测模型的半监督训练方法、目标检测方法及装置制造方法及图纸_技高网

目标检测模型的半监督训练方法、目标检测方法及装置制造方法及图纸

技术编号:43096754 阅读:12 留言:0更新日期:2024-10-26 09:42
本申请公开了一种目标检测模型的半监督训练方法、目标检测方法及装置,用于在类不均衡分布的条件下,提高半监督目标检测精度。所述半监督训练方法包括:获取样本集中的有标注图像;基于各个有标注图像的真实类别的分布情况,确定预设类别集中各类别对应的损失权重;通过第二模型对有标注图像进行目标检测,得到有标注图像对应的目标检测结果;通过第一模型和第二模型分别对无标注图像进行目标检测,得到无标注图像对应的第一目标检测结果和第二目标检测结果;基于有标注图像对应的目标检测结果及标注、无标注图像对应的第一目标检测结果及第二目标检测结果、以及预设类别集中各类别对应的损失权重,更新目标检测模型的模型参数。

【技术实现步骤摘要】

本申请涉及图像处理,尤其涉及一种目标检测模型的半监督训练方法、目标检测方法及装置


技术介绍

1、近年来,深度神经网络在图像分类、目标检测、行为识别等任务上能达到人类或超人类的水平。为了减少标注开销,基于半监督学习的深度学习方法被提出并得到广泛研究,其通过使用少量的标注数据和大量的无标注数据联合训练模型。

2、目前的半监督训练方法通常是假设标注数据和未标注数据在类别分布上是平衡的。然而,在许多真实的应用场景中,这种假设是不准确的。对于半监督目标检测任务而言,其包括分类任务和回归任务,且分类任务和回归任务的权重更接近。在面对类别分布不均衡的半监督目标检测任务时,类别不均衡严重影响了分类任务的预测偏见,导致分类任务偏向大类别的分类,使得小类别的分类精度退化,这样整体影响了回归任务的效果。半监督目标检测模型在类别分布不均衡分布的训练数据集上的训练和评估精度将产生严重的偏差,导致半监督目标检测模型预测也会产生偏差。因此,当前亟需一种在类不均衡分布的条件下,提高半监督目标检测模型精度的方案。


技术实现思路

1、本申请实施例的目的提供一种目标检测模型的半监督训练方法、目标检测方法及装置,用于在类不均衡分布的条件下,提高半监督目标检测精度。

2、为了实现上述目的,本申请实施例采用下述技术方案:

3、第一方面,本申请实施例提供一种目标检测模型的半监督训练方法,所述目标检测模型包括第一模型和第二模型,所述方法包括:

4、获取样本集中的有标注图像,所述有标注图像的标注用于表示图像中的目标在预设类别集中所属的真实类别以及该目标的真实位置;

5、基于各个有标注图像的真实类别的分布情况,确定预设类别集中各类别对应的损失权重,所述目标检测结果用于表示所述有标注图像中的目标所属的预测类别以及该目标的预测位置;

6、通过所述第二模型对所述有标注图像进行目标检测,得到所述有标注图像对应的目标检测结果,所述目标检测结果用于表示所述有标注图像中的目标所属的预测类别以及该目标的预测位置;

7、通过所述第一模型和所述第二模型分别对所述样本集中的无标注图像进行目标检测,得到所述无标注图像的第一目标检测结果和第二目标检测结果,所述第一目标检测结果用于表示所述无标注图像中的目标所属的第一预测类别和该目标的第一预测位置,所述第二目标检测结果用于表示所述无标注图像中的目标所属的第二预测类别及该目标的第二预测位置;

8、基于所述有标注图像的目标检测结果及标注、所述无标注图像的第一目标检测结果及第二目标检测结果、以及所述预设类别集中各类别对应的损失权重,更新所述目标检测模型的模型参数。

9、本申请实施例提供的目标检测模型的半监督训练方法,假定样本集中的有标注图像和无标注图像服从同分布,在此基础上基于样本集中各个有标注图像的真实类别的分布情况,预测不同类别对应的损失权重,在利用无标注图像、有标注图像及有标注图像对应的标注对目标检测模型进行半监督训练的过程中,引入不同类别对应的损失权重,可以无需改变原始数据的类别分布情况,而是改善在类不均衡分布的条件下,目标检测模型在半监督训练过程中偏向数据量较多的大类别而偏离数据量较少的小类别的情况,达到重新平衡目标检测模型的偏见的效果,从而改善目标检测模型的预测偏差,提高目标检测模型的预测精度。

10、第二方面,本申请实施例提供一种目标检测方法,包括:

11、获取待检测图像;

12、通过目标检测模型中的目标模型,对所述待检测图像进行目标检测,以得到所述待检测图像对应的目标检测结果;

13、其中,所述目标检测模型包括第一模型和第二模型,所述目标模型包括所述第一模型和/或所述第二模型,所述目标检测模型为基于第一方面所述的目标检测模型的半监督训练方法进行半监督训练得到。

14、本申请实施例提供的目标检测方法,利用上述训练方法训练得到的目标检测模型可以准确对待检测图像进行目标检测,从而有利于提高目标检测精度。

15、第三方面,本申请实施例提供一种目标检测模型的半监督训练装置,所述目标检测模型包括第一模型和第二模型,所述装置包括:

16、获取单元,用于获取样本集中的有标注图像,所述有标注图像的标注用于表示图像中的目标在预设类别集中所属的真实类别以及该目标的真实位置;

17、确定单元,用于基于各个所述有标注图像的真实类别的分布情况,确定所述预设类别集中各类别对应的损失权重;

18、检测单元,用于通过所述第二模型对所述有标注图像进行目标检测,得到所述有标注图像的目标检测结果,所述目标检测结果用于表示所述有标注图像中的目标所属的预测类别以及该目标的预测位置;

19、所述检测单元,还用于通过所述第一模型和所述第二模型分别对所述样本集中的无标注图像进行目标检测,得到所述无标注图像集的第一目标检测结果和第二目标检测结果,所述第一目标检测结果用于表示所述无标注图像中的目标所属的第一预测类别和该目标的第一预测位置,所述第二目标检测结果用于表示所述无标注图像中的目标所属的第二预测类别及该目标的第二预测位置;

20、更新单元,用于基于所述有标注图像的目标检测结果及标注、所述无标注图像集的第一目标检测结果及第二目标检测结果、以及所述预设类别集中各类别对应的损失权重,更新所述目标检测模型的模型参数。

21、第四方面,本申请实施例提供一种目标检测装置,包括:

22、获取单元,用于获取待检测图像;

23、检测单元,用于通过目标检测模型中的目标模型,对所述待检测图像进行目标检测,以得到所述待检测图像对应的目标检测结果;

24、其中,所述目标检测模型包括第一模型和第二模型,所述目标模型包括所述第一模型和/或所述第二模型,所述目标检测模型为基于第一方面所述的目标检测模型的半监督训练方法进行半监督训练得到。

25、第五方面,本申请实施例提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如第一方面所述的目标检测模型的半监督训练方法;或者,所述处理器被配置为执行所述指令,以实现如第二方面所述的目标检测方法。

26、第六方面,本申请实施例提供一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面所述的目标检测模型的半监督训练方法;或者,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如第二方面所述的目标检测方法。

本文档来自技高网...

【技术保护点】

1.一种目标检测模型的半监督训练方法,其特征在于,所述目标检测模型包括第一模型和第二模型,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,各个所述有标注图像的真实类别的分布情况用于表征所述预设类别集中每个类别下有标注图像的数量;所述基于各个所述有标注图像的真实类别的分布情况,确定所述预设类别集中各类别对应的损失权重,包括:

3.根据权利要求2所述的方法,其特征在于,所述基于所述预设类别集中各类别对应的初始权重,对所述目标类别对应的初始权重进行平衡处理,得到所述目标类别对应的损失权重,包括:

4.根据权利要求1所述的方法,其特征在于,所述标注包括类别标注和位置标注,所述类别标注用于表示所述有标注图像中的目标在所述预设类别集中所属的真实类别,所述位置标注用于表示所述有标注图像中的目标的真实位置;所述基于所述有标注图像的目标检测结果及标注、所述无标注图像的第一目标检测结果及第二目标检测结果、以及所述预设类别集中各类别对应的损失权重,更新所述目标检测模型的模型参数,包括:

5.根据权利要求4所述的方法,其特征在于,所述基于所述有监督损失和所述无监督损失,更新所述目标检测模型的模型参数,包括:

6.根据权利要求4所述的方法,其特征在于,所述基于所述有标注图像的目标检测结果、类别标注及位置标注、以及所述有标注图像对应的类别标注所表示的类别对应的损失权重,确定所述目标检测模型的有监督损失,包括:

7.根据权利要求4所述的方法,其特征在于,所述基于所述无标注图像的第一目标检测结果及第二目标检测结果、以及所述无标注图像的第一目标检测结果表示的预测类别对应的损失权重,确定所述目标检测模型的无监督损失,包括:

8.根据权利要求7所述的方法,其特征在于,所述第一目标检测结果还表示所述无标注图像中的多个锚框各自对应的第一框类别和第一预测位置,所述第一框类别用于表示对应的锚框是否为前景;所述第二目标检测结果还表示所述无标注图像中的多个锚框各自对应的第二框类别和第二预测位置,所述第二框类别用于表示对应的锚框是否为前景;

9.根据权利要求8所述的方法,其特征在于,所述基于所述无标注图像的第一目标检测结果及第二目标检测结果、以及所述无标注图像的第一目标检测结果表示的预测类别对应的损失权重,确定所述目标检测模型的无监督损失,还包括:

10.一种目标检测方法,其特征在于,包括:

11.一种目标检测模型的半监督训练装置,其特征在于,所述目标检测模型包括第一模型和第二模型,所述装置包括:

12.一种目标检测装置,其特征在于,包括:

13.一种电子设备,其特征在于,包括:

14.一种计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至9中任一项所述的目标检测模型的半监督训练方法;或者,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求10所述的目标检测方法。

...

【技术特征摘要】

1.一种目标检测模型的半监督训练方法,其特征在于,所述目标检测模型包括第一模型和第二模型,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,各个所述有标注图像的真实类别的分布情况用于表征所述预设类别集中每个类别下有标注图像的数量;所述基于各个所述有标注图像的真实类别的分布情况,确定所述预设类别集中各类别对应的损失权重,包括:

3.根据权利要求2所述的方法,其特征在于,所述基于所述预设类别集中各类别对应的初始权重,对所述目标类别对应的初始权重进行平衡处理,得到所述目标类别对应的损失权重,包括:

4.根据权利要求1所述的方法,其特征在于,所述标注包括类别标注和位置标注,所述类别标注用于表示所述有标注图像中的目标在所述预设类别集中所属的真实类别,所述位置标注用于表示所述有标注图像中的目标的真实位置;所述基于所述有标注图像的目标检测结果及标注、所述无标注图像的第一目标检测结果及第二目标检测结果、以及所述预设类别集中各类别对应的损失权重,更新所述目标检测模型的模型参数,包括:

5.根据权利要求4所述的方法,其特征在于,所述基于所述有监督损失和所述无监督损失,更新所述目标检测模型的模型参数,包括:

6.根据权利要求4所述的方法,其特征在于,所述基于所述有标注图像的目标检测结果、类别标注及位置标注、以及所述有标注图像对应的类别标注所表示的类别对应的损失权重,确定所述目标检测模型的有监督损失,包括:

7.根据权利要求4所述...

【专利技术属性】
技术研发人员:吕永春王钰王成瑞夏粉陆全蒋宁
申请(专利权)人:马上消费金融股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1