CN111310858A - 用于生成信息的方法和装置 - Google Patents

Abstract

本公开实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取待检测图像；将上述待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，上述目标检测模型是通过以下步骤训练得到的：获取上述预设数量个样本集，其中，上述预设数量个样本集中的样本集是基于不同的标注规则标注得到的；从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集；基于上述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型；基于上述预设数量个目标检测结果和预设的需求类别，生成输出结果。该实施方式可以使生成的输出结果更加准确。

Description

用于生成信息的方法和装置

技术领域

本公开实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

在计算机视觉领域，可以利用目标检测网络对图像中的目标物进行检测，自动识别图像上目标物的位置和类别。现阶段，目标检测在各个领域具有广泛的应用。

实际应用中，目标检测可能会面临多种多样的问题。比如，在训练目标检测网络时需要使用大量的标注样本，而这些标注样本的获得需要花费大量的人力物力。由于不同的应用场景对目标的类别要求不同，所以针对不同应用场景的目标检测网络在训练时，对样本进行标注所使用的标注规则也存在差异。而不能将不同标注规则的数据同时应用在一个目标检测网络的训练中，造成了大量标注样本的浪费。

发明内容

本公开实施例提出了用于生成信息的方法和装置。

第一方面，本公开实施例提供了一种用于生成信息的方法，该方法包括：获取待检测图像；将上述待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，上述目标检测模型是通过以下步骤训练得到的：获取上述预设数量个样本集，其中，上述预设数量个样本集中的样本集是基于不同的标注规则标注得到的；从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集；基于上述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型；基于上述预设数量个目标检测结果和预设的需求类别，生成输出结果。

在一些实施例中，样本集中的样本包括图像以及图像所包含目标的类别和位置信息，上述目标检测模型包括特征提取网络和预设数量个检测结果输出网络，检测结果输出网络与标注规则一一对应；以及上述基于上述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型，包括：对于上述待用样本集中的待用样本，使用上述特征提取网络对该待用样本的图像进行特征提取；将提取的特征作为该待用样本的标注规则所对应检测结果输出网络的输入，将该待用样本中图像所包含目标的类别和位置信息作为该待用样本的标注规则所对应检测结果输出网络的期望输出，训练得到上述目标检测模型。

在一些实施例中，上述特征提取网络采用特征金字塔结构。

在一些实施例中，从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集，包括：根据预设的样本获取比例和批次大小，分别从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集。

在一些实施例中，上述基于上述预设数量个目标检测结果和预设的需求类别，生成输出结果，包括：响应于确定上述需求类别与上述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合相匹配，将上述预设数量个目标检测结果中的相匹配的目标检测结果作为输出结果；响应于确定上述需求类别与上述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合不匹配，根据上述需求类别和上述预设数量个目标检测结果所针对的目标类别集合，生成输出结果。

第二方面，本公开实施例提供了一种用于生成信息的装置，上述装置包括：获取单元，被配置成获取待检测图像；输入单元，被配置成将上述待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，上述目标检测模型是通过训练单元训练得到的，上述训练单元包括：第一获取子单元，被配置成获取上述预设数量个样本集，其中，上述预设数量个样本集中的样本集是基于不同的标注规则标注得到的；第二获取子单元，被配置成从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集；训练子单元，被配置成基于上述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型；生成单元，被配置成基于上述预设数量个目标检测结果和预设的需求类别，生成输出结果。

在一些实施例中，样本集中的样本包括图像以及图像所包含目标的类别和位置信息，上述目标检测模型包括特征提取网络和预设数量个检测结果输出网络，检测结果输出网络与标注规则一一对应；以及上述训练子单元进一步被配置成：对于上述待用样本集中的待用样本，使用上述特征提取网络对该待用样本的图像进行特征提取；将提取的特征作为该待用样本的标注规则所对应检测结果输出网络的输入，将该待用样本中图像所包含目标的类别和位置信息作为该待用样本的标注规则所对应检测结果输出网络的期望输出，训练得到上述目标检测模型。

在一些实施例中，上述特征提取网络采用特征金字塔结构。

在一些实施例中，上述第二获取子单元进一步被配置成：根据预设的样本获取比例和批次大小，分别从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集。

在一些实施例中，上述生成单元进一步被配置成：响应于确定上述需求类别与上述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合相匹配，将上述预设数量个目标检测结果中的相匹配的目标检测结果作为输出结果；响应于确定上述需求类别与上述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合不匹配，根据上述需求类别和上述预设数量个目标检测结果所针对的目标类别集合，生成输出结果。

第三方面，本公开实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的用于生成信息的方法和装置，首先将获取的待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果。而后，基于预设数量个目标检测结果和预设的需求类别生成输出结果。其中，目标检测模型是通过以下步骤训练得到的：1)获取上述预设数量个样本集，其中，预设数量个样本集中的样本集是基于不同的标注规则标注得到的；2)从预设数量个样本集中获取样本作为待用样本，得到待用样本集；3)基于待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型。从而充分利用了不同标注规则下标注得到的样本数据，使训练得到的目标检测模型的检测更加准确，进而使生成的输出结果更加准确。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成信息的方法的一个实施例的流程图；

图3是根据本公开的用于生成信息的方法的一个应用场景的示意图；

图4是根据本公开的用于生成信息的方法的又一个实施例的流程图；

图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开实施例的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理软件、网页浏览器应用、购物类应用、搜索类应用、地图类应用、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有图像处理功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上呈现的信息提供支持的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理，并将处理结果(例如目标检测结果)反馈给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的用于生成信息的方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，用于生成信息的装置可以设置于终端设备101、102、103，也可以设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取待检测图像。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)可以通过各种方式获取待检测图像。作为一个示例，当执行主体为终端设备时，执行主体可以直接接收用户输入的待检测图像。当执行主体为服务器时，执行主体可以通过有线连接方式或者无线连接方式从用户利用其进行人机交互的终端接收待检测图像。作为另一个示例，执行主体可以从图像采集设备获取待检测图像。这里，待检测图像可以是指要进行目标检测的图像。

步骤202，将待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，目标检测模型是通过以下步骤2021～步骤2023训练得到的。

在本实施例中，执行主体可以将步骤201中获取的待检测图像输入预先建立的目标检测模型，从而得到预设数量个目标检测结果。这里，上述预设数量个目标检测结果中的每一个目标检测结果为针对预设目标类别集合的检测结果。目标检测结果可以包括检测出的目标属于预设目标类别集合中的各目标类别的概率。不同目标检测结果所针对的目标类别集合不相同。

作为一个示例，某一个目标检测结果为针对目标类别集合(轿车，卡车，巴士，小货车，人)的检测结果，则该目标检测结果为一个5分类的检测结果，该目标检测结果可以包括检测出的目标属于目标类别集合(轿车，卡车，巴士，小货车，人)中各目标类别的概率，以及目标的位置信息。作为另一个示例，某一个目标检测结果为针对目标类别集合(轿车，卡车，巴士，自行车，摩托车，三轮车)的检测结果，则该目标检测结果为一个6分类的检测结果，该目标检测结果可以包括检测出的目标属于目标类别集合(轿车，卡车，巴士，自行车，摩托车，三轮车)中的各目标类别的概率，以及目标的位置信息。

这里，上述目标检测模型可以用于表征待检测图像与预设数量个目标检测结果之间的对应关系。作为示例，上述目标检测模型可以是基于机器学习算法预先训练得到的。具体的，上述目标检测模型可以是通过以下步骤2021～步骤2023训练得到的：

步骤2021，获取预设数量个样本集。

在本实施例中，用于训练上述目标检测模型的执行主体可以获取预设数量个样本集。这里，上述预设数量个样本集中的样本集可以是基于不同的标注规则标注得到的。这里，每一种标注规则可以对应一个目标类别集合。这样，标注人员在基于某一种标注规则对图像进行标注时，可以标注该图像中的目标属于该标注规则所对应目标类别集合中的那个目标类别，以及目标的位置信息。实践中，不同的标注规则所对应的目标类别集合不同。

可以理解的是，用于训练上述目标检测模型的执行主体与用于执行上述用于生成信息的方法的执行主体可以相同，也可以不同。

步骤2022，从预设数量个样本集中获取样本作为待用样本，得到待用样本集。

在本实施例中，执行主体可以从步骤2021中获取的预设数量个样本集中获取样本作为待用样本，从而得到待用样本集。作为示例，执行主体可以分别从上述预设数量个样本集中的每一个样本集中获取预设数量的样本作为待用样本。这里，从各样本集中获取的样本的数量可以根据实际需要进行设定。

在本实施例的一些可选的实现方式中，上述步骤2022可以具体如下进行：根据预设的样本获取比例和批次大小，分别从预设数量个样本集中获取样本作为待用样本，得到待用样本集。

在本实现方式中，执行主体内部可以预先存储有样本获取比例和批次大小。这里，样本获取比例可以是指每次分别从各个样本集中获取的样本数量占每次获取的总样本数量的比例，批次大小可以是指训练时每次迭代的批次大小，即每次获取的总样本数量。这样，执行主体可以根据预设的样本获取比例和批次大小，分别从上述预设数量个样本集中的每一个样本集中获取样本作为待用样本，从而得到待用样本集。

步骤2023，基于待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型。

在本实施例中，基于步骤2022得到的待用样本集，执行主体可以训练得到用于输出预设数量个目标检测结果的目标检测模型。具体的，可以使用上述待用样本集中的待用样本对目标检测模型进行训练。

步骤203，基于预设数量个目标检测结果和预设的需求类别，生成输出结果。

在本实施例中，执行主体内部可以预先设定有需求类别。需求类别可以用于表示进行目标检测期望检测出的类别。举例来说，在某应用场景中，进行目标检测期望可以检测出(轿车，小型货车，中型货车，重型货车，小型客车，中型客车，大型客车，二轮车，三轮车，人)10个类别，则可以将这10个类别作为需求类别。执行主体可以采用各种方式，基于步骤202中得到的预设数量个目标检测结果和预设的需求类别，生成输出结果。

作为示例，执行主体可以根据需求类别，综合分析上述预设数量个目标检测结果生成输出结果。举例来说，当上述预设数量个目标检测结果中的两个或多个目标检测结果所针对的目标类别集合包括某个相同的目标类别，且该目标类别属于需求类别时，则可以将两个或多个目标检测结果中的、针对该目标类别的结果进行加权平均，例如概率、位置坐标等进行加权平均。例如，3个目标检测结果中有2个目标检测结果所针对的目标类别集合包括目标类别A，且目标类别A属于需求类别，则将这2个目标检测结果中针对目标类别A的结果(例如，概率、位置坐标等)进行加权平均，并将结果作为需求类别中目标类别A的结果。

在本实施例的一些可选的实现方式中，上述步骤203可以具体如下进行：

1)，响应于确定需求类别与预设数量个目标检测结果中的目标检测结果所针对的目标类别集合相匹配，将预设数量个目标检测结果中的相匹配的目标检测结果作为输出结果

在本实现方式中，执行主体可以判断需求类别与上述预设数量个目标检测结果中的各个目标检测结果所针对的目标类别集合是否相匹配(例如相同)，如果需求类别与上述预设数量个目标检测结果中的某一个目标检测结果所针对的目标类别集合相匹配，则执行主体可以将上述预设数量个目标检测结果中的、所针对目标类别集合与需求类别相匹配的目标检测结果作为输出结果。举例来说，假设需求类别为(轿车，小型货车，中型货车，重型货车，小型客车，中型客车，大型客车，二轮车，三轮车，人)10个类别，而上述预设数量个目标检测结果中有一个目标检测结果所针对的目标类别集合为(轿车，小型货车，中型货车，重型货车，小型客车，中型客车，大型客车，二轮车，三轮车，人)，即两者相匹配。则可以将上述预设数量个目标检测结果中的该目标检测结果作为输出结果。

2)，响应于确定需求类别与预设数量个目标检测结果中的目标检测结果所针对的目标类别集合不匹配，根据需求类别和预设数量个目标检测结果所针对的目标类别集合，生成输出结果。

在本实现方式中，如果确定需求类别与上述预设数量个目标检测结果中的各目标检测结果所针对的目标类别集合不匹配，则执行主体可以根据需求类别和上述预设数量个目标检测结果所针对的目标类别集合，生成输出结果。作为示例，执行主体可以将上述预设数量个目标检测结果所针对的目标类别集合中的目标类别进行合并，合并出与需求类别相同的类别集合，并将合并结果作为输出结果。

举例来说，假设三个目标检测结果所针对的目标类别集合分别为5分类(轿车，卡车，巴士，小货车，狗)、6分类(轿车，卡车，巴士，自行车，摩托车，三轮车)和10分类(轿车，小型货车，中型货车，重型货车，小型客车，中型客车，大型客车，二轮车，三轮车，人)，而需求类别为11分类(轿车，小型货车，中型货车，重型货车，小型客车，中型客车，大型客车，二轮车，三轮车，人，狗)，此时，执行主体可以将目标检测结果中的针对5分类(轿车，卡车，巴士，小货车，狗)和10分类(轿车，小型货车，中型货车，重型货车，小型客车，中型客车，大型客车，二轮车，三轮车，人)的目标检测结果进行合并，例如，可以选取5分类中针对类别(狗)的检测结果(例如，目标类别为狗的概率值)和10分类中针对(轿车，小型货车，中型货车，重型货车，小型客车，中型客车，大型客车，二轮车，三轮车，人)的检测结果进行合并，将合并结果作为针对需求类别的检测结果，即作为输出结果。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，终端设备301首先可以将获取的待检测图像输入预先建立的目标检测模型，从而得到3个目标检测结果。之后，终端设备301可以根据3个目标检测结果和预设的需求类别，生成输出结果，并将输出结果进行输出。这里，目标检测模型可以是通过以下步骤训练得到的：第一，获取3个样本集，其中，3个样本集中的各样本集是基于不同的标注规则标注得到的。第二，从3个样本集中分别获取样本作为待用样本，从而得到待用样本集。第三，基于待用样本集，训练得到用于输出3个目标检测结果的目标检测模型。

本公开的上述实施例提供的方法使用不同标注规则标注得到的样本集训练目标检测模型，并使用目标检测模型输出的预设数量个目标检测结果和需求类别生成输出结果，可以充分利用不同标注规则下标注得到的样本数据，从而使训练得到的目标检测模型的检测更加准确，进而使生成的输出结果更加准确。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取待检测图像。

在本实施例中，步骤401与图2所示实施例的步骤201类似，此处不再赘述。

步骤402，将待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，目标检测模型是通过以下步骤4021～步骤4023训练得到的。

在本实施例中，执行主体可以将步骤401获取的待检测图像输入预先建立的目标检测模型，从而得到预设数量个目标检测结果。这里，上述目标检测模型可以是通过以下步骤4021～步骤4023训练得到的。

步骤4021，获取预设数量个样本集。

在本实施例中，步骤4021与图2所示实施例的步骤2021类似，此处不再赘述。

步骤4022，从预设数量个样本集中获取样本作为待用样本，得到待用样本集。

在本实施例中，步骤4022与图2所示实施例的步骤2022类似，此处不再赘述。

步骤4023，对于待用样本集中的待用样本，使用特征提取网络对该待用样本的图像进行特征提取；将提取的特征作为该待用样本的标注规则所对应检测结果输出网络的输入，将该待用样本中图像所包含目标的类别和位置信息作为该待用样本的标注规则所对应检测结果输出网络的期望输出，训练得到目标检测模型。

在本实施例中，上述预设数量个样本集中的每一个样本集中的样本可以包括图像以及图像所包含目标的类别和位置信息。上述目标检测模型可以包括特征提取网络和预设数量个检测结果输出网络。这里，上述特征提取网络可以是用于从图像中提取特征的各种网络。例如，卷积神经网络、残差网络等等。实践中，可以根据具体应用场景选择不同的特征提取网络。检测结果输出网络可以用于输出目标检测结果。每个检测结果输出网络可以输出一个目标检测结果。这里，检测结果输出网络可以与标注规则一一对应，即一个检测结果输出网络与一种标注规则对应，它们所针对的目标类别集合相同。举例来说，如果一个目标检测结果所针对的目标类别集合与一种标注规则所对应的目标类别集合相同，则确定该目标检测结果与该标注规则对应。

这样，对于上述待用样本集中的每一个待用样本，执行主体可以使用上述特征提取网络对该待用样本的图像进行特征提取。之后，将提取的特征作为该待用样本的标注规则所对应检测结果输出网络的输入，将该待用样本中图像所包含目标的类别和位置信息作为该待用样本的标注规则所对应检测结果输出网络的期望输出，从而训练得到目标检测模型。通过本实现方式，特征提取网络可以学习到不同标注规则下标注得到的大量样本的特征，从而使训练得到的特征提取网络提取的特征更加准确，进而使目标检测模型的检测更加准确。

在本实施例的一些可选的实现方式中，上述特征提取网络采用特征金字塔结构。

在本实现方式中，上述特征提取网络可以采用特征金字塔结构。采用特征金字塔结构可以实现不同层次间的信息融合，同时结合浅层语义信息和深层语义信息，使检测结果输出网络获取的特征更加丰富，从而使检测结果输出网络输出的结果更加准确。

步骤403，基于预设数量个目标检测结果和预设的需求类别，生成输出结果。

在本实施例中，步骤403与图2所示实施例的步骤203类似，此处不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了训练包括特征提取网络和预设数量个检测结果输出网络的目标检测模型的步骤。由此，本实施例描述的方案可以使训练得到的目标检测模型更加准确，进而使生成的输出结果更加准确。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成信息的装置500包括：获取单元501、输入单元502和生成单元503。其中，获取单元501被配置成获取待检测图像；输入单元502被配置成将上述待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，上述目标检测模型是通过训练单元(图中未示出)训练得到的，上述训练单元包括：第一获取子单元(图中未示出)，被配置成获取上述预设数量个样本集，其中，上述预设数量个样本集中的样本集是基于不同的标注规则标注得到的；第二获取子单元(图中未示出)，被配置成从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集；训练子单元(图中未示出)，被配置成基于上述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型；生成单元503被配置成基于上述预设数量个目标检测结果和预设的需求类别，生成输出结果。

在本实施例中，用于生成信息的装置500的获取单元501、输入单元502和生成单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，样本集中的样本包括图像以及图像所包含目标的类别和位置信息，上述目标检测模型包括特征提取网络和预设数量个检测结果输出网络，检测结果输出网络与标注规则一一对应；以及上述训练子单元进一步被配置成：对于上述待用样本集中的待用样本，使用上述特征提取网络对该待用样本的图像进行特征提取；将提取的特征作为该待用样本的标注规则所对应检测结果输出网络的输入，将该待用样本中图像所包含目标的类别和位置信息作为该待用样本的标注规则所对应检测结果输出网络的期望输出，训练得到上述目标检测模型。

在本实施例的一些可选的实现方式中，上述特征提取网络采用特征金字塔结构。

在本实施例的一些可选的实现方式中，上述第二获取子单元进一步被配置成：根据预设的样本获取比例和批次大小，分别从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集。

在本实施例的一些可选的实现方式中，上述生成单元503进一步被配置成：响应于确定上述需求类别与上述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合相匹配，将上述预设数量个目标检测结果中的相匹配的目标检测结果作为输出结果；响应于确定上述需求类别与上述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合不匹配，根据上述需求类别和上述预设数量个目标检测结果所针对的目标类别集合，生成输出结果。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的终端设备或者服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待检测图像；将上述待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，上述目标检测模型是通过以下步骤训练得到的：获取上述预设数量个样本集，其中，上述预设数量个样本集中的样本集是基于不同的标注规则标注得到的；从上述预设数量个样本集中获取样本作为待用样本，得到待用样本集；基于上述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型；基于上述预设数量个目标检测结果和预设的需求类别，生成输出结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待检测图像的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于生成信息的方法，包括：

获取待检测图像；

将所述待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，所述目标检测模型是通过以下步骤训练得到的：获取所述预设数量个样本集，其中，所述预设数量个样本集中的样本集是基于不同的标注规则标注得到的；从所述预设数量个样本集中获取样本作为待用样本，得到待用样本集；基于所述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型；

基于所述预设数量个目标检测结果和预设的需求类别，生成输出结果。

2.根据权利要求1所述的方法，其中，样本集中的样本包括图像以及图像所包含目标的类别和位置信息，所述目标检测模型包括特征提取网络和预设数量个检测结果输出网络，检测结果输出网络与标注规则一一对应；以及

所述基于所述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型，包括：

对于所述待用样本集中的待用样本，使用所述特征提取网络对该待用样本的图像进行特征提取；将提取的特征作为该待用样本的标注规则所对应检测结果输出网络的输入，将该待用样本中图像所包含目标的类别和位置信息作为该待用样本的标注规则所对应检测结果输出网络的期望输出，训练得到所述目标检测模型。

3.根据权利要求2所述的方法，其中，所述特征提取网络采用特征金字塔结构。

4.根据权利要求1所述的方法，其中，从所述预设数量个样本集中获取样本作为待用样本，得到待用样本集，包括：

根据预设的样本获取比例和批次大小，分别从所述预设数量个样本集中获取样本作为待用样本，得到待用样本集。

5.根据权利要求1所述的方法，其中，所述基于所述预设数量个目标检测结果和预设的需求类别，生成输出结果，包括：

响应于确定所述需求类别与所述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合相匹配，将所述预设数量个目标检测结果中的相匹配的目标检测结果作为输出结果；

响应于确定所述需求类别与所述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合不匹配，根据所述需求类别和所述预设数量个目标检测结果所针对的目标类别集合，生成输出结果。

6.一种用于生成信息的装置，包括：

获取单元，被配置成获取待检测图像；

输入单元，被配置成将所述待检测图像输入预先建立的目标检测模型，得到预设数量个目标检测结果，其中，所述目标检测模型是通过训练单元训练得到的，所述训练单元包括：第一获取子单元，被配置成获取所述预设数量个样本集，其中，所述预设数量个样本集中的样本集是基于不同的标注规则标注得到的；第二获取子单元，被配置成从所述预设数量个样本集中获取样本作为待用样本，得到待用样本集；训练子单元，被配置成基于所述待用样本集，训练得到用于输出预设数量个目标检测结果的目标检测模型；

生成单元，被配置成基于所述预设数量个目标检测结果和预设的需求类别，生成输出结果。

7.根据权利要求6所述的装置，其中，样本集中的样本包括图像以及图像所包含目标的类别和位置信息，所述目标检测模型包括特征提取网络和预设数量个检测结果输出网络，检测结果输出网络与标注规则一一对应；以及

所述训练子单元进一步被配置成：

对于所述待用样本集中的待用样本，使用所述特征提取网络对该待用样本的图像进行特征提取；将提取的特征作为该待用样本的标注规则所对应检测结果输出网络的输入，将该待用样本中图像所包含目标的类别和位置信息作为该待用样本的标注规则所对应检测结果输出网络的期望输出，训练得到所述目标检测模型。

8.根据权利要求7所述的装置，其中，所述特征提取网络采用特征金字塔结构。

9.根据权利要求6所述的装置，其中，所述第二获取子单元进一步被配置成：

根据预设的样本获取比例和批次大小，分别从所述预设数量个样本集中获取样本作为待用样本，得到待用样本集。

10.根据权利要求6所述的装置，其中，所述生成单元进一步被配置成：

响应于确定所述需求类别与所述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合相匹配，将所述预设数量个目标检测结果中的相匹配的目标检测结果作为输出结果；

响应于确定所述需求类别与所述预设数量个目标检测结果中的目标检测结果所针对的目标类别集合不匹配，根据所述需求类别和所述预设数量个目标检测结果所针对的目标类别集合，生成输出结果。

11.一种设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images