CN111126108A - 图像检测模型的训练和图像检测方法及装置 - Google Patents

Abstract

本公开涉及一种图像检测模型的训练和图像检测方法及装置，所述方法包括：通过初始训练集对初始检测模型进行训练，获得第一检测模型；通过第一检测模型对第二训练样本进行处理，获得第二训练样本的检测结果；通过包括第一训练样本和第二训练样本的扩充训练集对第一检测模型进行训练，获得第二检测模型。根据本公开的实施例，通过第一检测模型对第二训练样本进行检测，获得第二训练样本的检测结果，所述检测结果减小标注的工作量。进一步地，通过第二训练样本及其标注信息扩充训练集，使用扩充的训练集训练第一检测模型，获得第二检测模型，提升第二检测模型的性能，扩展第二检测模型的使用场景。

Description

图像检测模型的训练和图像检测方法及装置

技术领域

本公开涉及计算机技术领域，尤其涉及一种图像检测模型的训练和图像检测方法及装置。

背景技术

近来，深度学习技术被广泛地应用于图像检测中。然而，基于深度学习的模型在投入实际应用前需要利用大量的训练数据对模型进行训练，才能确保模型在复杂场景下的处理性能。因此，在实际工程中对于图像训练数据的需求是巨大的。标注人员需要对大量的给定图片进行标注，标注工作量较大，尤其是面对复杂的场景，难以形成较大规模的训练集，从而限制了模型的使用场景和性能。

发明内容

本公开提出了一种图像检测模型的训练方法和图像检测方法及装置。

根据本公开的一方面，提供了一种图像检测模型的训练方法，包括：通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。

根据本公开的实施例的图像检测模型的训练方法，通过初步训练获得的第一检测模型对第二训练样本进行检测，获得第二训练样本的检测结果，基于检测结果获取第二训练样本的标注信息减小标注的工作量。进一步地，通过第二训练样本获得扩充训练集，迅速扩充训练集的规模，使用扩充的训练集对第一检测模型进行进一步的训练，获得第二检测模型，提升第二检测模型的性能，扩展第二检测模型的使用场景。

在一些可能的实现方式中，通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，包括：通过所述第一检测模型对所述扩充训练集中的训练样本进行处理，获得所述训练样本的检测结果；根据所述训练样本的检测结果以及所述训练样本的标注信息，确定所述第一检测模型的模型损失；根据所述模型损失对第一检测模型的参数值进行调整，得到所述第二检测模型。

通过这种方式，可根据检测结果和标注信息获得第二检测模型，提升第二检测模型的检测精度。

在一些可能的实现方式中，所述第二训练样本的检测结果包括标注区域和未标注区域，其中，所述标注区域包括所述第二训练样本的检测结果中包括的至少一个目标区域。

通过这种方式，可获得标注区域和未标注区域，可减少人工标注的工作量，提高第二检测模型的训练效率。

在一些可能的实现方式中，在确定所述第一检测模型的模型损失的过程中，所述标注区域的权重大于所述未标注区域的权重。

通过这种方式，可提高第二检测模型的训练效率。

在一些可能的实现方式中，所述方法还包括：响应于所述第二检测模型满足预设模型条件，将所述第二检测模型确定为目标检测模型。

通过这种方式，可获得检测精度较高的目标检测模型。

在一些可能的实现方式中，所述方法还包括：响应于所述第二检测模型不满足预设模型条件，迭代执行通过当前检测模型对当前训练集进行扩充并利用扩充后的训练集训练所述当前检测模型的流程，直到训练得到的检测模型满足所述预设模型条件。

通过这种方式，可通过迭代的方式提升模型的检测精度，获得检测精度较高的目标检测模型。

在一些可能的实现方式中，所述训练样本包括：第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像对应于同一区域的不同时刻。

在一些可能的实现方式中，所述第二训练样本的检测结果包括所述第一样本图像相对于所述第二样本图像的至少一个预测变化区域，所述第二训练样本的标注信息包括指示所述至少一个预测变化区域中每个预测变化区域的标注，其中，所述标注为变化区域或未变化区域。

通过这种方式，可降低人工标注的工作量，提高模型的训练效率。

在一些可能的实现方式中，所述第一训练样本和所述第二训练样本为遥感图像。

在一些可能的实现方式中，所述第一检测模型的检测阈值大于训练得到的目标检测模型的检测阈值。

通过这种方式，可提高目标检测模型的检测精度。

在一些可能的实现方式中，在所述通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练之前，还包括：利用不同的预处理参数，对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行同一类型的第一预处理，得到包括第三样本图像和第四样本图像的第三训练样本，其中，所述扩充训练集还包括所述第三训练样本。

通过这种方式，可迅速扩充训练集。

在一些可能的实现方式中，所述第一预处理包括下列中的至少一种：饱和度调整处理、对比度调整处理、亮度调整处理、色度调整处理、模糊处理和锐化处理。

通过这种方式，可在不改变配准的情况下迅速扩充训练集。

在一些可能的实现方式中，在所述通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练之前，还包括：对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行配准偏移处理，得到包括第五样本图像和第六样本图像的第四训练样本，其中，所述第五样本图像和所述第六样本图像之间存在配准偏差，所述扩展训练集包括所述第四训练样本。

通过这种方式，可迅速扩充训练集。

在一些可能的实现方式中，所述对第一样本图像和第二样本图像进行配准偏移处理，包括：利用不同的预处理参数，对所述第一样本图像和第二样本图像进行同一类型的第二预处理，其中，所述第二预处理包括下列中的至少一种：像素平移处理、旋转处理和缩放处理。

通过这种方式，可在改变配准的情况下迅速扩充训练集，并可提升第二检测模型的鲁棒性和适应能力。

根据本公开的另一方面，提供了一种图像检测方法，包括：获取待检测的图像；利用图像检测模型对所述图像进行检测，得到所述图像的检测结果，其中，所述图像检测模型是利用上述的训练方法训练得到的。

根据本公开的另一方面，提供了一种图像检测模型的训练装置，包括：第一训练模块，用于通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；处理模块，用于通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；第二训练模块，用于通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。

在一些可能的实现方式中，所述第二训练模块被进一步配置为：通过所述第一检测模型对所述扩充训练集中的训练样本进行处理，获得所述训练样本的检测结果；根据所述训练样本的检测结果以及所述训练样本的标注信息，确定所述第一检测模型的模型损失；根据所述模型损失对第一检测模型的参数值进行调整，得到所述第二检测模型。

在一些可能的实现方式中，所述第二训练样本的检测结果包括标注区域和未标注区域，其中，所述标注区域包括所述第二训练样本的检测结果中包括的至少一个目标区域。

在一些可能的实现方式中，在确定所述第一检测模型的模型损失的过程中，所述标注区域的权重大于所述未标注区域的权重。

在一些可能的实现方式中，所述装置还包括：确定模块，用于响应于所述第二检测模型满足预设模型条件，将所述第二检测模型确定为目标检测模型。

在一些可能的实现方式中，所述装置还包括：迭代模块，用于响应于所述第二检测模型不满足预设模型条件，迭代执行通过当前检测模型对当前训练集进行扩充并利用扩充后的训练集训练所述当前检测模型的流程，直到训练得到的检测模型满足所述预设模型条件。

在一些可能的实现方式中，所述训练样本包括：第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像对应于同一区域的不同时刻。

在一些可能的实现方式中，所述第二训练样本的检测结果包括所述第一样本图像相对于所述第二样本图像的至少一个预测变化区域，所述第二训练样本的标注信息包括指示所述至少一个预测变化区域中每个预测变化区域的标注，其中，所述标注为变化区域或未变化区域。

在一些可能的实现方式中，所述第一训练样本和所述第二训练样本为遥感图像。

在一些可能的实现方式中，所述第一检测模型的检测阈值大于训练得到的目标检测模型的检测阈值。

在一些可能的实现方式中，所述装置还包括：第一预处理模块，用于利用不同的预处理参数，对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行同一类型的第一预处理，得到包括第三样本图像和第四样本图像的第三训练样本，其中，所述扩充训练集还包括所述第三训练样本。

在一些可能的实现方式中，所述第一预处理包括下列中的至少一种：饱和度调整处理、对比度调整处理、亮度调整处理、色度调整处理、模糊处理和锐化处理。

在一些可能的实现方式中，所述装置还包括：第二预处理模块，对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行配准偏移处理，得到包括第五样本图像和第六样本图像的第四训练样本，其中，所述第五样本图像和所述第六样本图像之间存在配准偏差，所述扩展训练集包括所述第四训练样本。

在一些可能的实现方式中，所述第二预处理模块被进一步配置为：利用不同的预处理参数，对所述第一样本图像和第二样本图像进行同一类型的第二预处理，其中，所述第二预处理包括下列中的至少一种：像素平移处理、旋转处理和缩放处理。

根据本公开的另一方面，提供了一种图像检测装置，包括：获取模块，用于获取待检测的图像；检测模块，用于利用图像检测模型对所述图像进行检测，得到所述图像的检测结果，其中，所述图像检测模型是利用上述的训练方法训练得到的。

根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述图像检测模型的训练方法。

根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述图像检测方法。

根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像检测模型的训练方法。

根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像检测方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像检测模型的训练方法。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的图像检测模型的训练方法的流程图；

图2示出根据本公开的实施例的模型优化方法的步骤S13的流程图；

图3示出根据本公开的实施例的模型优化方法步骤S131-S133的示意图；

图4示出根据本公开的实施例的图像检测模型的训练方法的流程图；

图5示出根据本公开的实施例的图像检测模型的训练方法的流程图；

图6示出根据本公开的实施例的图像检测模型的训练方法的流程图；

图7示出根据本公开的实施例的图像检测模型的训练方法的流程图；

图8示出根据本公开的实施例的图像检测方法的流程图；

图9示出根据本公开的实施例的图像检测模型的训练方法的应用示意图；

图10示出根据本公开的实施例的图像检测模型的训练装置的框图；

图11示出根据本公开的实施例的图像检测模型的训练装置的框图；

图12示出根据本公开的实施例的图像检测装置的框图；

图13是根据的示例性实施例示出的一种电子设备的框图；

图14是根据的示例性实施例示出的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的图像检测模型的训练方法的流程图。如图1所示，所述方法包括：

在步骤S11中，通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；

在步骤S12中，通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的；

在步骤S13中，通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型。

根据本公开的实施例的图像检测模型的训练方法，通过初步训练获得的第一检测模型对第二训练样本进行检测，可获得第二训练样本的检测结果，基于检测结果获取第二训练样本的标注信息可能够减小标注的工作量。进一步地，通过第二训练样本可获得扩充训练集，可迅速扩充训练集的规模，使用扩充的训练集对第一检测模型进行进一步的训练，获得第二检测模型，从而加快模型的训练速度，提升训练得到的检测模型的性能。

在步骤S11中，初始训练集包括多个第一训练样本，每个第一训练样本具有标注信息，其中，该标注信息是人工进行标注的或者通过其他方式标注的，本公开实施例对此不做限定。在一些实现方式中，初始训练集包括少量的第一训练样本，第一训练样本的数量低于特定数值，从而降低标注的工作量。

在一些示例中，训练样本包括一个图像，所述标注信息包括图像中的一个或多个目标区域。例如，图像检测模型用于检测目标对象，所述图像中包括一个或多个目标对象，目标区域即为目标对象所在区域，对目标对象所在区域进行标注，获得标注信息，但本公开实施例对图像检测模型和标注信息的具体实现不做限定。

在另一些示例中，训练样本包括多个图像，图像检测模型用于检测视差或者变化等等。例如，图像检测模型用于检测变化，相应地，第一训练样本包括：第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像对应于同一区域的不同时刻。所述第一样本图像和第二样本图像为针对同一区域(例如，同一地区)在不同时刻获取的图像，第一训练样本的标注信息包括第一样本图像相对于第二样本图像发生变化的区域(即，变化区域)。

在本公开实施例中，图像检测模型可以应用于各种图像检测场景，训练样本可以为静态图像或视频帧图像，此外，本公开实施例对训练样本的图像类型不做限定，例如人脸图像、各种监控图像、遥感图像、道路图像等等。在一些示例中，第一训练样本为遥感图像，或者针对同一区域的不同时刻的多个遥感图像组成的遥感图像组。例如，遥感图像组为针对同一地区在两个时刻获取的遥感图像，所述遥感图像组是经过配准的两帧遥感图像(即，两帧遥感图像中的相同坐标表示所述地区中的相同位置)，所述遥感图像组具有区域划分图像，即用于划分两个遥感图像中发生变化的区域和未发生变化的区域的图像，所述标注信息是区域划分图像上的标注信息，例如，在所述区域划分图像中标注出该地区发生变化的区域，并将该地区未发生变化的区域标注为未发生变化的区域或不进行标注。在一些示例中，某地区的两帧遥感图像中，在第一时刻获取的第一帧遥感图像(例如，第一样本图像)中，某个区域未修建道路，在第二时刻获取的第二帧遥感图像(例如，第二样本图像)中，该区域修建了道路，该地区的其他区域未发生变化，则所述标注信息为：修建了道路的区域(即，发生变化的区域)和其他区域(即未发生变化的区域)，或者仅标注修建了道路的区域。在一些示例中，某地区发生自然灾害，则遥感图像组包括在受灾前的某时刻获取的第一帧遥感图像和受灾后的某时刻获取的第二帧遥感图像，通过对比两帧遥感图像，对遥感图像组进行标注，获得标注信息，即，将发生变化的区域确定为被自然灾害毁坏的区域，将未发生变化的区域确定为未被自然灾害毁坏的区域，或者不对未被自然灾害毁坏的区域进行标注。

在S11中，用初始训练集中的第一训练样本对初始检测模型进行训练。将第一训练样本输入初始检测模型，经过初始检测模型的处理后，生成第一训练样本的检测结果。所述第一训练样本的检测结果为初始检测模型的处理结果，该结果存在误差。根据第一训练样本的检测结果和第一训练样本的标注信息，能够确定该误差，例如，对第一训练样本的检测结果和第一训练样本的标注信息进行对比来确定该误差。进一步地，通过该误差确定初始检测模型的模型损失，并根据模型损失来调节初始检测模型。在一些示例中，所述模型损失通过损失函数或正则化的损失函数来表示，在调节初始检测模型的过程中，按照使模型损失最小化或使模型损失收敛于某阈值范围内的方向来调整所述初始检测模型的参数，使调整后的初始检测模型具有较高的拟合优度，同时避免过拟合。

在一些可能的实现方式中，初始训练集中包含多个第一训练样本，每次输入其中的一个样本，以确定模型损失并调节参数。在一些示例中，循环输入预定数量的样本，即，对初始检测模型调节预定的次数。也可不限定输入的样本数量，循环输入多组样本，从而对初始检测模型调节多次，直到模型损失降低到一定程度或收敛于一定阈值内时，停止循环，并完成训练。在训练完成后，获得第一检测模型，所述第一检测模型比所述初始检测模型具有更小的模型损失，即，使用第一检测模型对第一训练样本进行处理时，获得的检测结果比所述使用初始检测模型对第一训练样本进行处理的误差更小。

在一些可能的实现方式中，通过对第一训练样本进行镜像翻转处理、剪裁处理、旋转处理、下采样处理、上采样处理、改变长宽比处理、模糊处理、锐化处理、调整饱和度处理、调整对比度处理、调整亮度处理和调整色度处理中的至少一种处理，获得新的训练样本，并将所述新的训练样本添加至所述初始训练集中来增加训练样本，从而扩充训练集。

在一些可能的实现方式中，所述第一训练样本包括两个图像，例如，经过配准的两帧遥感图像(即，第一样本图像和第二样本图像)。在不改变配准的情况下，利用不同的预处理参数，对第一训练样本的第一样本图像和第二样本图像进行同一类型的第一预处理，所述第一预处理包括下列中的至少一种：调整饱和度处理、调整对比度处理、调整亮度处理、色度调整处理、模糊处理和锐化处理。对第一样本图像和第二样本图像进行第一预处理的调整幅度不同(例如，进行随即模糊处理时，两帧图像的高斯模糊滤波系数具有微小的差异)，从而获得两帧新的图像，以扩充训练集，所述两帧新的图像的配准未改变，即，两帧新的图像中的相同坐标仍表示所述地区中的相同位置，但饱和度、对比度、亮度、色度、模糊程度和锐化程度中的至少一种不同。在一些示例中，使两帧图像的调整幅度相同。

在一些可能的实现方式中，在改变配准的情况下，利用不同的预处理参数，对所述第一样本图像和第二样本图像进行同一类型的第二预处理，所述第二预处理包括下列中的至少一种：像素平移处理、旋转处理和缩放处理。对第一样本图像和第二样本图像进行第二预处理的调整幅度不同(例如，调整幅度在预定阈值范围内不同，例如，进行像素平移处理时，两帧图像的平移距离具有微小的差异)，从而获得两帧新的图像，以扩充训练集，所述两帧新的图像的配准发生变化，即，两帧新的图像中的相同坐标表示的所述地区中的相同位置具有微小差异，在训练过程中提升第一检测模型的鲁棒性和适应能力。

在一些可能的实现方式中，在步骤S12中，将第二训练样本输入所述第一检测模型，获得所述第二训练样本的检测结果。在一些示例中，第二训练样本为单一图像。在一些示例中，第二训练样本为针对同一区域(例如，同一地区)在不同时刻获取的图像。在一些示例中，所述第二训练样本为遥感图像，或者针对同一区域的不同时刻的多个遥感图像组成的遥感图像组。

在一些可能的实现方式中，第二训练样本为单一图像，第二训练样本的检测结果包括所述单一图像中的目标区域(例如，人脸区域)，所述检测结果还包括非目标区域。在使用第一检测模型对单一图像进行检测时，目标区域存在误差。在一些示例中，所述误差包括将非目标区域确认为目标区域，例如，将非人脸区域误认为人脸区域(例如，所述单一图像中存在例如人型雕塑、照片中的人脸或美术画作中的人脸等类似于人脸的对象，所述第一检测模型将上述对象所在区域误认为人脸区域)。所述标注信息包括在第一检测模型确定出的一个或多个目标区域中标注该目标区域是否为真正的目标区域，例如，在真正的人脸区域中标注为该区域为人脸区域，而在误识别的目标区域(例如，人型雕塑、照片的人脸或美术画作的人脸等对象所在区域)中，标注为非人脸区域。

在一些可能的实现方式中，第二训练样本为针对同一区域(例如，同一地区)在不同时刻获取的图像，例如遥感图像组，所述第二训练样本包括：第一遥感图像(例如，第一样本图像)和第二遥感图像(例如，第二样本图像)，其中，所述第一遥感图像和所述第二遥感图像对应于同一区域的不同时刻。在使用第一检测模型检测遥感图像组时，在第二训练样本的检测结果是区域划分图像，在所述区域划分图像中，包括第二样本图像的至少一个预测变化区域(即，由第一检测模型确定的发生变化的区域)，还包括至少一个预测非变化区域(即，由第一检测模型确定的未发生变化的区域)。所述区域划分图像中存在误差，例如，第一检测模型对遥感图像组中的发生变化的区域和未发生变化的区域的判断误差。

在一些可能的实现方式中，预测变化区域的检测结果存在误差，即，第一检测模型无法确定预测变化区域是否真正发生变化，例如，第二训练样本中的某个对象轮廓未发生变化，但该对象的像素点的色度或亮度发生变化，第一检测模型无法确认该对象发生了变化还是受到拍摄角度或阴影产生的影响，因此，无法确认该对象所在的区域是否发生变化。

在一些可能的实现方式中，预测非变化区域是被第一检测模型确认为未发生变化的所有区域。在一些示例中，第一检测模型识别为未发生变化的区域(即，预测非变化区域)的识别准确率较高，而由于第二训练样本的两帧图像的拍摄角度、待检测图像上临时存在的物体(例如交通工具经过待检测图像中的区域)以及光照和阴影等影响，第一检测模型将未发生变化的区域误识别为发生变化的区域(即，预测变化区域)。在一些示例中，被第一检测模型确认为未发生变化的预测非变化区域中，也存在误差，即，在预测非变化区域中存在发生变化的区域，但第一检测模型未能识别。

在一些可能的实现方式中，第二训练样本中的目标区域是预测变化区域，接收针对预测变化区域的标注信息，所述第二训练样本的标注信息是通过对所述第二训练样本的检测结果对应的至少一个目标区域进行人工确认和标注得到的。在一些示例中，所述标注信息是标注预测变化区域的实际划分结果的信息，例如，将一个或多个预测变化区域中的某一个区域标注为未发生变化的区域或发生变化的区域，或者，在某个预测变化区域中，一部分区域被标注为发生变化的区域，另一部分区域被标注为未发生变化的区域。在一些示例中，根据标注信息来进一步确定预测变化区域的检测结果(即，区域划分图像)。即，将被误识别为发生变化的区域标注为未发生变化的区域。

在一些可能的实现方式中，将多个第二训练样本分别输入第一检测模型，以分别获得预测变化区域和预测非变化区域，在分别为每个预测变化区域进行标注后，获得第二训练样本的区域划分图像。

在一些可能的实现方式中，如果第二训练样本为单一图像，将第二训练样本及标注信息添加至初始训练集，如果第二训练样本为针对同一区域(例如，同一地区)在不同时刻获取的图像，将所述第二训练样本以及包含标注信息的区域划分图像添加至所述初始训练集，获得扩充训练集。其中，所述扩充训练集中的训练样本包括第一训练样本和第二训练样本，以及每个训练样本的标注信息。这样得到的扩充训练集，在原来的初始训练集的基础上，又加入了第二训练样本及其区域标注信息。

在一些可能的实现方式中，通过对第二训练样本进行镜像翻转处理、剪裁处理、旋转处理、下采样处理、上采样处理、改变长宽比处理、模糊处理、锐化处理、调整饱和度处理、调整对比度处理、调整亮度处理和调整色度处理中的至少一种处理，获得新的训练样本，并将所述新的训练样本添加至所述初始训练集中来增加训练样本，从而扩充训练集。

在一些可能的实现方式中，所述第二训练样本为针对同一区域在不同时刻获取的图像，例如，经过配准的两帧遥感图像(即，第一样本图像和第二样本图像)。在不改变配准的情况下，利用不同的预处理参数，对第一训练样本的第一样本图像和第二样本图像进行同一类型的第一预处理，所述第一预处理包括下列中的至少一种：调整饱和度处理、调整对比度处理、调整亮度处理、色度调整处理、模糊处理和锐化处理中。对第一样本图像和第二样本图像进行第一预处理的调整幅度不同(例如，进行随即模糊处理时，两帧图像的高斯模糊滤波系数具有微小的差异)，从而获得两帧新的图像，以扩充训练集，所述两帧新的图像的配准未改变，即，两帧新的图像中的相同坐标仍表示所述地区中的相同位置，但饱和度、对比度、亮度、色度、模糊程度和锐化程度中的至少一种不同。在一些示例中，使两帧图像的调整幅度相同。

在一些可能的实现方式中，在改变配准的情况下，利用不同的预处理参数，对所述第一样本图像和第二样本图像进行同一类型的第二预处理，所述第二预处理包括下列中的至少一种：像素平移处理、旋转处理和缩放处理。对第一样本图像和第二样本图像进行第二预处理的调整幅度不同(例如，调整幅度在预定阈值范围内不同，例如行画面随机平移处理时，两帧图像的平移距离具有微小的差异)，从而获得两帧新的图像，以扩充训练集，所述两帧新的图像的配准发生变化，即，两帧新的图像中的相同坐标表示的所述地区中的相同位置具有微小差异，在训练过程中提升第二检测模型的鲁棒性和适应能力。

通过这种方式，根据每个第二训练样本的标注信息来扩充初始训练集，能够在较小的人工标注的工作量的情况下，迅速扩充训练集中的样本数量，获得扩充训练集。

在一些可能的实现方式中，在步骤S13中，使用扩充训练集对第一检测模型进行训练，获得第二检测模型。

图2示出根据本公开的实施例的模型优化方法的步骤S13的流程图。如图2所示，步骤S13包括：

在步骤S131中，通过所述第一检测模型对所述扩充训练集中的训练样本进行处理，获得所述训练样本的检测结果；

在步骤S132中，根据所述训练样本的检测结果以及所述训练样本的标注信息，确定所述第一检测模型的模型损失；

在步骤S133中，根据所述模型损失对第一检测模型的参数值进行调整，得到所述第二检测模型。

在步骤S131中，将扩充训练集中的训练样本输入所述第一检测模型，以获得所述训练样本的检测结果。所述扩充训练集中包括第一训练样本和第二训练样本，即，训练样本是第一训练样本或第二训练样本。在一些示例中，扩充训练集中的训练样本为单一图像，所述检测结果包括所述单一图像中的目标区域(例如，人脸区域)，所述检测结果还包括非目标区域。在一些示例中，所述训练样本包括：第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像对应于同一区域的不同时刻，例如，所述训练样本为遥感图像，即，所述第一训练样本和所述第二训练样本为遥感图像，例如，对应于同一区域的不同时刻遥感图像组成的遥感图像组。将所述遥感图像组输入第一检测模型，获得训练样本的第一训练区域检测结果，所述训练样本(例如，第二训练样本)的检测结果包括所述第一样本图像相对于所述第二样本图像的至少一个预测变化区域(即，目标区域)。其中，在所述目标区域中，包括所述训练样本的标注信息，所述训练样本的标注信息包括指示所述至少一个预测变化区域中每个预测变化区域的标注，其中，所述标注为变化区域或未变化区域，即，实际发生变化或实际未发生变化，以确定预测变化区域的预测正确性或纠正预测变化区域的预测错误。

在一些示例中，第一检测模型输出每个训练样本的区域划分图像(即，检测结果)，所述区域划分图像中包括预测变化区域和预测非变化区域。这里的训练样本是扩充训练集中的训练样本，其包括初始训练集中的第一训练样本，也包括后续扩充进来的第二训练样本。第一检测模型将训练样本中的图像划分为预测非变化区域和预测变化区域，而在步骤S12中，预测变化区域的被误识别的部分区域被标注为未发生变化的区域。因此，第一检测模型对第二训练样本的检测结果(即，区域划分图像)与所述第二训练样本的标注后的区域划分图像之间存在误差。进一步地，除第二训练样本之外，所述扩充训练集中的其他训练样本(即，第一训练样本)的区域划分图像和具有标注信息的区域划分图像之间也存在误差。

在步骤S132中，根据训练样本的检测结果以及所述训练样本的标注信息，来确定第一检测模型的模型损失。在一些示例中，根据所述区域划分图像和具有标注信息的区域划分图像之间误差或交叉熵损失来确定第一检测模型的损失函数或正则化的损失函数，进而确定第一检测模型的模型损失。

在步骤S133中，根据模型损失对第一检测模型的参数值进行调整，得到第二检测模型。在一些示例中，按照使模型损失最小化的方向来调整第一检测模型的参数值，使调整后的第二检测模型具有较高的拟合优度，同时避免过拟合。在调整过程中，所述训练样本(例如，第二训练样本)的检测结果包括标注区域和未标注区域，其中，所述标注区域包括所述第二训练样本的检测结果中包括的至少一个目标区域，例如，第二训练样本为单一图像，则标注区域为检测结果中的目标区域，非目标区域为未标注区域。如果第二训练样本为针对同一区域在不同时刻获取的图像，则标注区域为预测变化区域(将预测变化区域作为目标区域)，预测未变化区域(将预测未变化区域作为非目标区域)为未标注区域。在确定所述第一检测模型的模型损失的过程中，所述标注区域的权重大于所述未标注区域的权重，其中，如果训练样本为单一图像，则标注区域为所述目标区域，未标注区域为所述非目标区域，如果训练样本为对应于同一区域的不同时刻获得的第一样本图像和所述第二样本图像，则标注区域为所述预测变化区域，未标注区域为预测非变化区域。

图3示出根据本公开的实施例的模型优化方法步骤S131-S133的示意图。参照图3，将扩充训练集中的训练样本(包括第一训练样本和第二训练样本)输入第一检测模型，获得训练样本的检测结果(即，包含预测变化区域的区域划分图像)。例如，区域划分图像中包括预测未变化区域(如图3中的检测结果的圆形区域外的其他区域)和预测变化区域(如图3中的检测结果的圆形区域)。具有标注信息的区域划分图像中包括未发生变化的区域，(如图3中的具有标注信息的区域划分图像圆形实线区域外的其他区域)，和发生变化的区域(如图3中的具有标注信息的区域划分图像中的圆形实线区域)，在一些示例中，在检测结果中的两个预测变化区域中，有一个圆形区域(左侧圆形区域)是误识别的，在具有标注信息的区域划分图像中，该区域(即具有标注信息的区域划分图像中的圆形虚线区域)是未发生变化的区域。在确定所述模型损失时，所述预测变化区域(即，标注区域，包括两个圆形区域)中的像素点的权重大于所述预测非变化区域(即，未标注区域)中的像素点的权重。在一些示例中，预测变化区域是圆心坐标为(300，500)且半径为100的圆形区域和圆心坐标为(700，500)且半径为150的圆形区域。在确定损失函数时，检测结果的区域划分图像中的每个像素点的划分结果均与具有标注信息的区域划分图像的区域划分图像中的对应的像素点的划分结果作比较，来确定每个像素点的划分结果的误差。在确定误差时，在预测变化区域中的像素点的权重大于预测非变化区域中的像素点的权重，例如，在比较上述两个区域划分图像中的像素点时，上述两个区域划分图像中的圆心坐标为(300，500)且半径为100的圆形区域(即检测结果中的左侧的圆形区域和具有标注信息的区域划分图像中的圆形虚线区域)和圆心坐标为(700，500)且半径为150的圆形区域(即检测结果中的右侧的圆形区域和具有标注信息的区域划分图像中的圆形实线区域)中的像素点在作比较时，权重大于其他区域中的像素点。例如，预测变化区域中，被标注为未发生变化的像素点(即，圆心坐标为(300，500)且半径为100的圆形区域中的像素点)的权重被设置为10，被标注为发生变化的像素点(即，圆心坐标为(700，500)且半径为150的圆形区域中的像素点)的权重被设置为10，预测非变化区域中的像素点被设置为1，因此，在确定模型损失时，圆心坐标为(300，500)且半径为100的圆形区域中的像素点在两个区域划分图像中的划分结果不同，且权值较大，因此，该区域中的像素点具有较大的模型损失，在对第一检测模型进行调节时，进行针对性地调节，以快速改进第一检测模型的拟合优度。本公开对权重不做限制。

在一些可能的实现方式中，检测结果中的预测非变化区域中存在误差，即，第一检测模型存在误差，将发生变化的区域误识别为未发生变化的区域，在计算损失函数时，该误差造成模型损失。预测非变化区域中的像素点的权重小于预测变化区域中的像素点的权重。

通过这种方式，在训练过程中突出预测变化区域中的像素点的模型损失，在对第一检测模型进行调节时，进行针对性地调节，使模型损失迅速降低，使调整后的第一检测模型的识别准确率迅速提高，加快训练过程。

在一些可能的实现方式中，步骤S131-S133循环执行多次，例如，循环输入预定数量的样本，即，对第一检测模型调节预定的次数。在一些示例中，不限定输入的样本数量，循环输入多组样本，从而对第一检测模型调节多次，直到模型损失降低到一定程度或收敛于一定阈值内时，停止循环。

在一些可能的实现方式中，在满足训练条件时，将调整后的第一检测模型确定为所述第二检测模型。在一些示例中，将循环调节预订次数后的第一检测模型确定为第二检测模型，或将模型损失低到一定程度或收敛于一定阈值内的第一检测模型确定为第二检测模型。本公开对训练条件不做限制。所述第二检测模型是使用扩充训练集训练的检测模型，对待检测图像中的被误识别的区域进行了纠正，因此，第二检测模型比所述第一检测模型具有更小的模型损失，即，使用第二检测模型对扩充训练集中的样本进行处理时，获得的区域划分结果比所述检测结果的误差更小。

在一些可能的实现方式中，优先向第一训练模型输入复杂的第二训练样本，例如，优先输入图像线条复杂或图像中的颜色变化复杂的第二训练样本。第一训练模型在对该第二训练样本进行识别时，出现较多的预测变化区域，在对预测变化区域进行标注后，形成扩充训练集。进一步地，利用扩充训练集对第一检测模型进行训练，通过该第二训练样本对第一检测模型进行训练时，使第一训练模型迅速获得识别多种线条或颜色的能力，即，通过一个第二训练样本，使第一训练模型获得识别多种区域的划分结果的模型参数。

在一些可能的实现方式中，使用扩充训练集中的训练样本对初始检测模型或其他检测模型进行训练，以获得所述第二检测模型。本公开对获得第二检测模型的方法不做限制。

在一些可能的实现方式中，还通过对扩充训练集中的训练样本进行镜像翻转处理、剪裁处理、旋转处理、下采样处理、上采样处理、改变长宽比处理、模糊处理、锐化处理、调整饱和度处理、调整对比度处理、调整亮度处理和调整色度处理中的至少一种处理，获得新的训练样本，并将所述新的训练样本添加至所述初始训练集中来增加训练样本，从而进一步扩充训练集。

在一些可能的实现方式中，所述扩充训练集中的训练样本为针对同一区域在不同时刻获取的图像(即，第一样本图像和第二样本图像)，例如，经过配准的两帧遥感图像。在不改变配准的情况下，对第一样本图像和第二样本图像分别进行同一类型的第一预处理。

图4示出根据本公开的实施例的图像检测模型的训练方法的流程图。如图4所示，在所述通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练之前，还包括：

在步骤S14中，利用不同的预处理参数，对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行同一类型的第一预处理，得到包括第三样本图像和第四样本图像的第三训练样本，其中，所述扩充训练集还包括所述第三训练样本。

在一些可能的实现方式中，将得到的第三训练样本添加至扩充训练集中，以进一步扩充训练集。其中，所述第一预处理包括下列中的至少一种：饱和度调整处理、对比度调整处理、亮度调整处理、色度调整处理、模糊处理和锐化处理。

在一些可能的实现方式中，在改变配准的情况下，对第一样本图像和第二样本图像进行配准偏移处理。

图5示出根据本公开实施例的图像检测模型的训练方法的流程图。如图5所示，在所述通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练之前，还包括：

在步骤S15中，对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行配准偏移处理，得到包括第五样本图像和第六样本图像的第四训练样本，其中，所述第五样本图像和所述第六样本图像之间存在配准偏差，所述扩展训练集包括所述第四训练样本。

在一些可能的实现方式中，将得到的第四训练样本添加至扩充训练集中，以进一步扩充训练集。其中，所述对第一样本图像和第二样本图像进行配准偏移处理，包括：利用不同的预处理参数，对所述第一样本图像和第二样本图像进行同一类型的第二预处理，其中，所述第二预处理包括下列中的至少一种：像素平移处理、旋转处理和缩放处理。通过改变配准获得的第四训练样本来训练第一检测模型，获得的第二检测模型具有较高的鲁棒性和较强的适应能力。

在一些可能的实现方式中，还使用第二检测模型来优化扩充训练集中的样本的区域划分结果。

在一些可能的实现方式中，将扩充训练集中的训练样本输入所述第二检测模型，获得所述训练样本的目标区域，或者，获得训练样本预测变化区域以及所述训练样本的预测非变化区域。即，使用第二检测模型对扩充训练集中的训练样本进行重新识别，重新获得每个训练样本的检测结果。在重新识别的过程中，在第一检测模型预测的非目标区域中或预测非变化区域中出现新的目标区域或新的预测变化区域。

在一些可能的实现方式中，所述新的目标区域出现在第一检测模型识别的非目标区域中，或者，新的预测变化区域出现在第一检测模型识别的预测非变化区域中。在一些示例中，由于预测非变化区域是由第一检测模型识别的未发生变化的区域，在预测非变化区域中存在误差，即，将发生变化的区域误识别为未发生变化的区域，在使用第二检测模型对训练样本进行重新识别时，识别出预测非变化区域中的误识别的区域(即，被第一检测模型误识别为未发生变化的区域)中的一部分，即，识别出新的预测变化区域。

在一些可能的实现方式中，对新的预测变化区域进行人工标注。在一些示例中，将新的预测变化区域标注为未发生变化的区域或发生变化的区域，或者，在新的预测变化区域中，一部分区域被标注为发生变化的区域，另一部分区域被标注为发生变化的区域。

在一些可能的实现方式中，如果将第二检测模型识别为发生变化的所有区域均确定为新的预测变化区域，则标注新的预测变化区域中真正发生变化的区域，并标注新的预测变化区域中被误识别为发生变化的区域，即，将被误识别的区域标注为未发生变化的区域。

通过这种方式，使用第二检测模型对扩充训练集中的样本进行重新识别，并对重新识别过程中出现的新的预测变化区域进行确认，纠正第一检测模型的检测结果中的错误，优化扩充训练集中的训练样本的区域划分结果。

图6示出根据本公开的实施例的图像检测模型的训练方法的流程图。如图6所示，所述方法还包括：

在步骤S16中，响应于所述第二检测模型满足预设模型条件，将所述第二检测模型确定为目标检测模型。

在一些可能的实现方式中，通过第二检测模型对训练样本的检测结果进行优化，纠正第一检测模型的检测结果中的错误，如果经过第二检测模型优化的检测结果的误差满足要求，即，第二检测模型满足预设模型条件，则所述第二检测模型确定为目标检测模型，使用目标检测模型进行图像检测，例如，检测单一图像或遥感图像组。

图7示出根据本公开的实施例的图像检测模型的训练方法的流程图。如图7所示，所述方法还包括：

在步骤S17中，响应于所述第二检测模型不满足预设模型条件，迭代执行通过当前的检测模型对当前的训练集进行扩充并利用扩充后的训练集训练当前的检测模型的流程，直到训练得到的检测模型满足所述预设模型条件。

在一些可能的实现方式中，如果第二检测模型对训练样本的检测结果进行优化后，经过第二检测模型优化的检测结果的误差仍然不满足要求，即第二检测模型不满足预设模型条件，则使用第二检测模型处理新的训练样本，确定所述新的训练样本的检测结果，并将新的训练样本及检测结果添加到所述扩充训练集，再次对扩充训练集进行扩充。使用再次扩充的扩充训练集对第二检测模型进行训练，获得模型损失比第二检测模型更小的检测模型，例如第三检测模型。进一步地，使用第三检测模型对所述再次扩充训练集中的训练样本进行优化，并判断第三检测模型是否满足预设模型条件，如果第三检测模型仍然不满足预设模型条件，则对识别出新的目标区域或预测变化区域进行标注后，进一步减少非目标区域或预测非变化区域中的误差，优化每个训练样本的检测结果。在一些示例中，按照上述方式继续处理其他训练样本，在确定检测结果后，继续扩充训练集，并再次训练检测模型，并判断新的检测模型是否满足预设模型条件，如果不满足预设模型条件，则通过标注和检测新的训练样本来进一步优化检测模型，并优化训练集中的训练样本的检测结果。直至不再出现新的待确认区域，或者检测结果的误差满足要求，即，检测模型满足预设模型条件，并将满足预设模型条件的检测模型确定为目标检测模型。

在一些可能的实现方式中，所述第一检测模型的检测阈值大于训练得到的目标检测模型的检测阈值。在图像检测过程中，如果待检测的图像为单一图像，所述检测阈值包括目标区域的尺寸阈值、清晰度阈值或分辨率阈值等，在一些示例中，第一检测模型和目标检测模型可检测尺寸大于或等于尺寸阈值的目标区域(例如，尺寸大于或等于尺寸阈值的人脸区域)，目标检测模型的检测阈值小于第一检测模型的检测阈值，则目标检测模型适用的范围更广，在同一帧图像中，目标检测模型检测到更多的尺寸较小的人脸区域。如果待检测的图像为针对同一区域(例如，同一地区)在不同时刻获取的图像，例如遥感图像组，所述检测阈值包括变化阈值，相对于第一检测模型，目标检测模型检测到变化更小的预测变化区域(例如，某个区域仅发生微小的变化，第一检测模型将该区域误识别为预测非变化区域，而目标检测模型将该区域识别为预测变化区域)，因此检测到遥感图像组中更多的变化区域，减少漏识别的概率。

图8示出根据本公开的实施例的图像检测方法的流程图。如图8所示，所示方法包括：

在步骤S18中，获取待检测的图像；

在步骤S19中，利用图像检测模型对所述图像进行检测，得到所述图像的检测结果，其中，所述图像检测模型是利用上述的训练方法训练得到的。

在一些可能的实现方式中，所示图像检测模型为所述目标检测模型，利用目标检测模型对待检测图像进行检测。例如，所述图像为单一图像，利用目标检测模型检测所述图像中的目标区域。又例如，所述图像为针对同一区域的不同时刻获取的遥感图像组，例如第一遥感图像和第二遥感图像，利用目标检测模型检测第一遥感图像相对于第二遥感图像的预测变化区域。

图9示出根据本公开的实施例的图像检测模型的训练方法的应用示意图。如图9所示，使用经初始训练集训练后获得的第一检测模型对第二训练样本进行检测，在一些示例中，如图9的左上方和右上方的待检测图像所示，所述第二训练样本是遥感图像组，即，针对同一地区在两个时刻获取的遥感图像。在一些示例中，所述地区具有一个菱形区域和一个矩形区域，在第一时刻时，菱形区域中具有两座建筑物，矩形区域中有三座建筑物(如图8的左上方的待检测图像所示)，在第二时刻时，菱形区域中具有两座建筑物，矩形区域中有两座建筑物(如图9的右上方的待检测图像所示)。

在一些可能的实现方式中，如图9的左下方的检测结果(即，区域划分图像)所示，将遥感图像组输入第一检测模型，获得遥感图像组的预测非变化区域以及预测变化区域。在一些示例中，预测非变化区域是被第一检测模型确定为未发生变化的所有区域，即，图9的左下方的区域划分图像中的两个圆形区域以外的其他区域。预测变化区域是被第一检测模型确定为发生变化的所有区域，即，图9的左下方的区域划分图像中的左右两个圆形区域。遥感图像组中的菱形区域被划分在左侧的圆形区域中，即，被第一检测模型确定为发生变化的区域，遥感图像组中的矩形区域被划分在右侧的圆形区域中，即，被第一检测模型确定为发生变化的区域。

在一些可能的实现方式中，对图9的左下方的区域划分图像中的左右两个圆形区域进行人工标注，即，对预测变化区域(即，目标区域)进行标注，以确定预测变化区域是否真正发生变化。在一些示例中，所述菱形区域由于拍摄角度或阴影等原因，被第一检测模型误识别为发生变化的区域，因此，将左侧的圆形区域标注为未发生变化的区域。进一步地，将右侧的圆形区域标注为发生变化的区域。因此，获得了具有标注信息的区域划分图像，即，左侧的圆形区域为圆形虚线区域，表示被标注为未发生变化的区域，右侧圆形实线区域被标注为发生变化的区域。

在一些示例中，圆形实线区域内为发生变化的区域；圆形区域以外的其他区域(包括圆形虚线区域)未发生变化。在获得所述遥感图像组的具有标注信息的区域划分图像后，将所述遥感图像组和具有标注信息的区域划分图像添加至初始训练集，获得扩充训练集，并使用扩充训练集对第一检测模型进行训练，获得第二检测模型。在训练过程中，两个圆形区域中的像素点在计算模型损失时的权重大于其他区域的像素点，使模型损失迅速降低，使调整后的第一检测模型的识别准确率迅速提高，因此提高训练速度，快速获得第二检测模型。进一步地，优先向第一训练模型输入复杂的第二训练样本，使第一训练模型在识别一个第二训练样本的过程中，获得能够识别多种区域的模型参数，提高训练速度。在扩充训练集的样本中，对第一检测模型误识别的区域进行了纠正，因此，第二检测模型比所述第一检测模型具有更小的模型损失和更高的识别准确率。

在一些可能的实现方式中，还使用第二检测模型来优化扩充训练集中的样本的区域划分结果。在一些示例中，将扩充训练集中的各遥感图像组输入第二检测模型，获得各遥感图像组的新的预测变化区域。在一些示例中，对新的预测变化区域进行标注，以确定新的预测变化区域中发生变化的区域和未发生变化的区域。进一步地，确定扩充训练集中的各遥感图像组的新的预测变化区域，并进行标注。纠正各遥感图像组中的识别错误，优化扩充训练集中的训练样本的检测结果。

在一些可能的实现方式中，如果第二检测模型满足预设模型条件，例如，经过第二检测模型优化的检测结果的误差满足要求，则将第二检测模型确定为目标检测模型，如果第二检测模型不满足预设模型条件，则继续使用第二检测模型检测新的训练样本，并对检测结果中的目标区域进行标注，并将新的训练样本和标注信息添加至训练集中，再使用扩充的训练集训练第二检测模型，迭代执行此操作，直到检测结果的误差满足要求，即，检测模型满足预设模型条件，并将满足预设模型条件的检测模型确定为目标检测模型。

在一些可能的实现方式中，目标检测模型的检测阈值小于第一检测模型，即，检测精度大于第一检测模型，目标检测模型相较于第一检测模型，减少了漏识别的概率。

根据本公开的实施例的图像检测模型的训练方法，通过第一检测模型对第二训练样本进行检测，获得预测非变化区域以及预测变化区域，仅需确定预测变化区域的进行标注，减小了标注的工作量。并将第二训练样本及其标注信息添加至初始训练集，获得扩充训练集，迅速扩充训练集的规模，使用扩充的训练集对第一检测模型进行进一步的训练，获得第二训练模型，提升检测模型的性能，扩展检测模型的使用场景。进一步地，在训练过程中使预测变化区域中的像素点的权重大于其他像素点的权重，使模型损失迅速降低，使检测模型的识别准确率迅速提高，加快训练速度。并优先向第一检测模型输入复杂的第二训练样本，使第一检测模型识别一个第二训练样本的过程中，获得能够识别多种区域的模型参数，提高训练速度。此外，使用第二检测模型对扩充训练集中的训练样本的检测结果进行优化，并迭代执行优化检测模型的操作，直到检测模型满足预设模型条件，获得检测阈值小于第一检测模型的目标检测模型，使用目标检测模型进行图像检测，减少漏识别的概率。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了图像检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像检测模型的训练和图像检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图10示出根据本公开的实施例的图像检测模型的训练装置的框图，如图10所示，所述装置包括：

第一训练模块11，用于通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；

处理模块12，用于通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；

第二训练模块13，用于通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。

在一些可能的实现方式中，所述第二训练样本的检测结果包括标注区域和未标注区域，其中，所述标注区域包括所述第二训练样本的检测结果中包括的至少一个目标区域。

在一些可能的实现方式中，所述第二训练样本的检测结果包括所述第一样本图像相对于所述第二样本图像的至少一个预测变化区域，所述第二训练样本的标注信息包括指示所述至少一个预测变化区域中每个预测变化区域的标注，其中，所述标注为变化区域或未变化区域。

在一些可能的实现方式中，所述第一训练样本和所述第二训练样本为遥感图像。

图11示出根据本公开的实施例的图像检测模型的训练装置的框图，如图11所示，第二训练模块13包括：

处理子模块131，用于通过所述第一检测模型对所述扩充训练集中的训练样本进行处理，获得所述训练样本的检测结果；

模型损失确定子模块132，用于根据所述训练样本的检测结果以及所述训练样本的标注信息，确定所述第一检测模型的模型损失；

调整子模块133，用于根据所述模型损失对第一检测模型的参数值进行调整，得到所述第二检测模型。

在一些可能的实现方式中，所述训练样本包括：第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像对应于同一区域的不同时刻。

在一些可能的实现方式中，在确定所述第一检测模型的模型损失的过程中，所述标注区域的权重大于所述未标注区域的权重。

在一些可能的实现方式中，所述装置还包括：

第一预处理模块14，用于利用不同的预处理参数，对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行同一类型的第一预处理，得到包括第三样本图像和第四样本图像的第三训练样本，其中，所述扩充训练集还包括所述第三训练样本。

在一些可能的实现方式中，所述第一预处理包括下列中的至少一种：饱和度调整处理、对比度调整处理、亮度调整处理、色度调整处理、模糊处理和锐化处理。

在一些可能的实现方式中，所述装置还包括：

第二预处理模块15，对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行配准偏移处理，得到包括第五样本图像和第六样本图像的第四训练样本，其中，所述第五样本图像和所述第六样本图像之间存在配准偏差，所述扩展训练集包括所述第四训练样本。

所述第二预处理模块被进一步配置为：

利用不同的预处理参数，对所述第一样本图像和第二样本图像进行同一类型的第二预处理，其中，所述第二预处理包括下列中的至少一种：像素平移处理、旋转处理和缩放处理。

在一些可能的实现方式中，所述装置还包括：

确定模块16，用于响应于所述第二检测模型满足预设模型条件，将所述第二检测模型确定为目标检测模型。

在一种可能的实现方式中，所述装置还包括：

迭代模块17，用于响应于所述第二检测模型不满足预设模型条件，迭代执行通过当前检测模型对当前训练集进行扩充并利用扩充后的训练集训练所述当前检测模型的流程，直到训练得到的检测模型满足所述预设模型条件。

在一些可能的实现方式中，所述第一检测模型的检测阈值大于训练得到的目标检测模型的检测阈值。

图12示出根据本公开的实施例的图像检测装置的框图。如图12所示，所述装置包括：

获取模块18，用于获取待检测的图像；

检测模块19，用于利用图像检测模型对所述图像进行检测，得到所述图像的检测结果，其中，所述图像检测模型是利用上述的训练方法训练得到的。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图13是根据示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图13，电子设备800包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头接收外部的多媒体数据。每个前置摄像头和后置摄像头是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令由电子设备800的处理器820执行以完成上述方法。

图14是根据示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图14，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像检测模型的训练方法，其特征在于，所述方法包括：

通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；

通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；

通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。

2.根据权利要求1所述的方法，其特征在于，通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，包括：

通过所述第一检测模型对所述扩充训练集中的训练样本进行处理，获得所述训练样本的检测结果；

根据所述训练样本的检测结果以及所述训练样本的标注信息，确定所述第一检测模型的模型损失；

根据所述模型损失对第一检测模型的参数值进行调整，得到所述第二检测模型。

3.根据权利要求1或2所述的方法，其特征在于，所述第二训练样本的检测结果包括标注区域和未标注区域，其中，所述标注区域包括所述第二训练样本的检测结果中包括的至少一个目标区域。

4.一种图像检测方法，其特征在于，包括：

获取待检测的图像；

利用图像检测模型对所述图像进行检测，得到所述图像的检测结果，其中，所述图像检测模型是利用权利要求1至3中任一项所述的训练方法训练得到的。

5.一种图像检测模型的训练装置，其特征在于，包括：

第一训练模块，用于通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；

处理模块，用于通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；

第二训练模块，用于通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。

6.一种图像检测装置，其特征在于，包括：

获取模块，用于获取待检测的图像；

检测模块，用于利用图像检测模型对所述图像进行检测，得到所述图像的检测结果，其中，所述图像检测模型是利用权利要求1至3中任一项所述的训练方法训练得到的。

7.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至3中任意一项所述的方法。

8.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器执行指令的存储器；

其中，所述处理器被配置为：执行权利要求4所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至3中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求4所述的方法。

Images