CN112749978A

CN112749978A - 检测方法、装置、设备、存储介质以及程序产品

Info

Publication number: CN112749978A
Application number: CN202011638025.6A
Authority: CN
Inventors: 王洋; 熊俊峰; 周越; 仲震宇
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2020-12-31
Filing date: 2020-12-31
Publication date: 2021-05-04
Anticipated expiration: 2040-12-31
Also published as: CN112749978B

Abstract

本公开提供了检测方法、装置、设备、存储介质及程序产品，涉及互联网技术领域。具体实现方案为：获取多个检测模型对待检测对象分别进行检测得到的多个检测结果；基于校准数据集，得到检测模型对应的权重值；根据权重值，将多个检测模型的检测结果进行融合，得到针对待检测对象的检测结果。本公开实施例通过模型融合增强了检测的泛化能力，并且利用校准数据集纠正了训练数据集数据分布上的偏差，使检测结果更加准确。

Description

检测方法、装置、设备、存储介质以及程序产品

技术领域

本公开涉及一种计算机技术领域，尤其涉及一种人工智能技术领域。

背景技术

现有技术中单个的检测模型的泛化能力不足。以深度伪造检测为例，单个的深度伪造检测模型对于不同的数据集，需要重新学习才可以获得泛化能力，无法满足实际应用场景的需求。另外，在检测模型训练过程中需要使用大量的训练数据，但训练数据集往往存在数据分布上的偏差，使得检测结果不准确。

发明内容

本公开提供了一种检测方法、装置、设备、存储介质及程序产品。

根据本公开的一方面，提供了一种检测方法，包括：

获取多个检测模型对待检测对象分别进行检测得到的多个检测结果；

基于校准数据集，得到检测模型对应的权重值；

根据权重值，将多个检测模型的检测结果进行融合，得到针对待检测对象的检测结果。

根据本公开的另一方面，提供了一种检测装置，包括：

获取单元，用于获取多个检测模型对待检测对象分别进行检测得到的多个检测结果；

处理单元，用于基于校准数据集，得到检测模型对应的权重值；

融合单元，用于根据权重值，将多个检测模型的检测结果进行融合，得到针对待检测对象的检测结果。

根据本公开的又一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开任意一项实施例所提供的方法。

根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使该计算机执行本公开任意一项实施例所提供的方法。

根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本公开任意一项实施例所提供的方法。

上述申请中的一个实施例具有如下优点或有益效果：通过模型融合增强了检测的泛化能力，并且利用校准数据集纠正了训练数据集数据分布上的偏差，使检测结果更加准确。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例的检测方法的流程图；

图2是根据本公开另一实施例的生检测方法的多因子检测平台架构示意图；

图3是根据本公开另一实施例的检测方法的融合策略生成示意图；

图4是根据本公开另一实施例的检测方法的融合策略生成示意图；

图5是根据本公开另一实施例的检测方法的融合算法的流程图；

图6是根据本公开另一实施例的检测方法的融合算法的流程图；

图7是根据本公开另一实施例的检测方法的融合算法的流程图；

图8是根据本公开一实施例的检测装置的示意图；

图9是根据本公开另一实施例的检测装置的示意图；

图10是用来实现本公开实施例的检测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开一实施例的检测方法的流程图。参见图1，该检测方法包括：

步骤S110，获取多个检测模型对待检测对象分别进行检测得到的多个检测结果；

步骤S120，基于校准数据集，得到检测模型对应的权重值；

步骤S130，根据权重值，将多个检测模型的检测结果进行融合，得到针对待检测对象的检测结果。

在检测的相关技术中，普通存在单个的检测模型的泛化能力不足的问题，无法满足实际应用场景的需求。以深度伪造检测为例，深度伪造是基于深度学习的一种信息篡改与替换手段，用于制作或修改视频内容以呈现与实际不符的事物。深度伪造包括通过深度学习对语音数据、图像或视频数据进行处理，生成基于虚假内容的人物语音数据、图像或视频数据，以至于观察者最终无法通过肉眼明辨真伪。深度伪造检测可包括人脸深度伪造检测和语音深度伪造检测。单个的深度伪造检测模型经过训练可能在数据集A上可以得到较好的检测结果，可以准确地识别出待检测对象是否伪造。但是该模型在数据集B上可能检测结果的准确率较低。

本公开实施例提供了一种检测方法，将多个检测模型的检测结果进行融合。通过模型融合能够在不同的数据集上都能得到准确的检测结果。以深度伪造检测为例，通过模型融合可以方便地结合多个不同模型的判断结果，得出更有力的深度伪造分析信息。

本公开实施例中，首先利用多个检测模型对待检测对象分别进行检测，得到多个检测模型各自对应的检测结果。其中，待检测对象可包括待检测图像、待检测语音数据和待检测视频数据中的至少一种。多个检测模型可以是不同的机器学习模型，例如神经网络模型、强化学习模型等。在步骤S110中，获取多个检测模型各自对应的检测结果。

在实际应用场景中，待检测对象通常来自于各种展示图像和视频的业务系统，例如视频网站、贴吧或图库等。上述业务系统中的业务数据可包括动态视频数据和静态图像数据。业务数据与训练数据集可能存在数据分布上的偏差。例如训练数据集中的样本图像的光照条件通常较好，但业务数据中的图像的光照条件不一定很好，光线可能较暗。再如训练数据集中的样本语音数据的通常噪音较小，但业务数据中的语音数据的可能噪音较大。在检测模型训练过程中需要使用大量的训练数据，但训练数据集往往存在数据分布上的偏差，使得检测结果不准确。

相比之下，本公开实施例中，可从业务数据中采样抽取少量的数据，构成校准数据集。在步骤S120中，利用校准数据集计算检测模型对应的权重。在步骤S130中，根据步骤S120中得到的权重值，将多个检测模型的检测结果进行融合，在融合的检测结果中可纠正训练数据集与业务数据在数据分布上的偏差。

本公开实施例通过模型融合增强了检测的泛化能力，并且利用校准数据集纠正了训练数据集数据分布上的偏差，使检测结果更加准确。

另外，相关技术的模型融合通常在多个不同模型训练完成后，在训练环境的验证数据集上做微调。采用的微调策略包括投票，boosting(提升)等。这种模型融合方式需要通复杂的操作和编程才能实现。可基于本公开实施例提供的检测方法构建多因子检测平台，使得模型融合更加操作简单易于实现。

图2是根据本公开另一实施例的生检测方法的多因子检测平台架构示意图。其中，“多因子”包括多个检测模型。在多因子检测平台中可方便地将多个检测模型的检测结果进行融合。如图2所示，不同的数据提供商可通过各自的标记平台为多因子检测平台提供深度伪造数据。其中，提供的数据可包括样本和对应的标签。“标记范式”是预定的统一的数据格式。各个数据提供商可按照范式将深度伪造数据传输到多因子检测平台。图2中的“控制人”负责系统的开发和维护。“控制人”可包括运营者。运营者的操作可包括部署模型、开发模型、存取数据和制造数据。需要对待检测对象进行伪造检测的用户可通过“用户面”中的用户界面与多因子检测平台进行交互。并且，用户还可以通过“用户面”选择模型的融合策略。

参见图2，将多个检测模型的检测结果进行融合之后，将融合后的检测结果输出。图2中的“接口”表示检测结果的统一输出格式。以人脸深度伪造检测为例，具有统一输出格式的检测结果中可包括待检测对象中人脸的位置信息、检测结果评分(score)。其中，位置信息可包括人脸检测框的高度(height)和宽度(width)，以及人脸检测框的左上角的坐标(left、top)。在另一个示例中，具有统一输出格式的检测结果中还可以包括在多分类问题下注明的造假方法。

参见图2，本公开实施例的多因子检测平台，通过规定一致的“标记范式”和“接口”，使得不同模型方便地接入系统，且输入数据和输出结果的规范给模型融合提供了方便。通过规定接口和逻辑，使得数据存储、模型训练、模型推理和可视化展示有机地融合在一起。通过可视化展示界面可以对数据训练过程，样本的标签进行直观地展示。

图3是根据本公开另一实施例的检测方法的融合策略生成示意图。如图3所示，可在GPU(Graphics Processing Unit，图形处理器)服务器上进行模型训练。可使用“训练数据集”和“验证数据集”对模型进行训练。“训练数据集”用于在训练过程中调整模型的参数。“验证数据集”用于在训练过程中调整模型的超参数。在融合模块中“校准数据集”用于计算模型融合对应的权重值，以纠正训练数据集数据分布上的偏差而导致的检测结果的误差。其中计算权重值可利用预定的算法1、算法2、……，也可以使用用户的自定义算法。根据算法生成融合策略，在融合策略中，按照算法计算出的权重值对多个模型的检测结果进行融合。

在一个示例中，将三个检测模型的检测结果进行融合。在下文中将检测模型简称为模型。将进行融合的模型称为基础模型。首先训练得到模型1、模型2和模型3。

设y₁＝f₁(x)、y₂＝f₂(x)、y₃＝f₃(x)表示模型1、模型2和模型3。其中，x表示输入模型的样本，y表示模型的输出的预测值。以人脸深度伪造检测为例，检测结果包括：待检测图像是真的图像，或者待检测图像是伪造的图像。

在训练模块中，利用T(训练数据集)和V(验证数据集)训练基础模型。训练数据集和验证数据集中的样本和对应的标签，以及输出的预测值，都与统一规定的标记范式的数据格式保持一致。

以训练数据集T₁和验证数据集V₁为例，利用训练数据集和验证数据集训练基础模型，可用如下公式表示：

其中，n表示样本的个数；

表示输入模型的样本为训练数据集T₁中的样本；

表示利用训练数据集T₁中的样本进行训练得到的对应的模型预测值；

表示输入模型的样本为验证数据集V₁中的样本；

表示利用验证数据集V₁中的样本进行训练得到的对应的模型预测值。

对于训练好的模型，有f₁(X_V)＝f₁(X_T)～L_目标分布

其中，f₁(X_V)表示模型的输出结果在验证数据集V上的数据分布；f₁(X_T)表示模型的输出结果在训练数据集T上的数据分布。对于训练好的模型，上述两个数据分布与标签L的数据分布是一致的。

图4是根据本公开另一实施例的检测方法的融合策略生成示意图。在一个示例中，图3中的融合模块的具体结构如图4所示。如图4所示，可由用户选择需要进行融合的模型以及使用的校准数据集。例如在图4的示例中用户选择对模型2和模型3进行融合，选择使用校准数据集1计算模型对应的权重值。图4中的“计算”表示将样本输入模型经过计算输出预测值的过程。“计算中间结果”可包括n个样本x以及对应的标签l、对应的模型2的预测值2(value2)和对应的模型3的预测值3(value3)。一个示例性的“计算中间结果”表示如下：

其中，x₁表示第1个样本，l₁表示样本x₁对应的标签，value₁₂表示样本x₁对应的模型2的预测值，value₁₃表示样本x₁对应的模型3的预测值；

x₂表示第2个样本，l₂表示样本x₂对应的标签，value₂₂表示样本x₂对应的模型2的预测值，value₂₃表示样本x₂对应的模型3的预测值；

x_n表示第n个样本，l_n表示样本x_n对应的标签，value_n2表示样本x_n对应的模型2的预测值，value_n2表示样本x_n对应的模型3的预测值。

将上述“计算中间结果”传输到算法1、算法2和自定义算法中。根据算法生成融合策略，在融合策略中，按照算法计算出的权重值对多个模型的检测结果进行融合。在一个示例中，上述“计算中间结果”的计算过程可在GPU服务器上进行，对多个模型的检测结果进行融合的计算过程可在CPU(Central Processing Unit，中央处理器)计算设备上进行。

图5是根据本公开另一实施例的检测方法的融合算法的流程图。如图5所示，在一种实施方式中，图1中的步骤S120，基于校准数据集，得到检测模型对应的权重值，具体可包括：

步骤S210，利用检测模型对校准数据集中的各个样本进行检测，得到分类阈值和各个样本对应的预测值；

步骤S220，根据分类阈值，得到预测值对应的左右映射值；

步骤S230，根据左右映射值，得到检测模型对应的权重值。

本公开实施例提供一种用于计算模型融合权重值的最优阈值左右映射算法。该算法的数据处理步骤示例如下：

1)利用检测模型对校准数据集中的各个样本进行检测，得到各个样本对应的预测值。在一个示例中，利用检测模型对校准数据集中的4个样本进行检测，得到各个样本对应的预测值分别是：样本1对应的预测值为0.1；样本2对应的预测值为0.25；样本3对应的预测值为0.35；样本4对应的预测值为0.6。其中，样本3和样本4的标签为真，样本1和样本2的标签为假。也就是说，样本1和样本2是伪造的图像。

根据各个样本对应的预测值及标签可确定最优分类阈值。最优分类阈值可简称为分类阈值。在样本对应的预测值大于分类阈值的情况下，可判断该样本为真；在样本对应的预测值小于等于分类阈值的情况下，可判断该样本为假。在上述示例中，可确定分类阈值为0.3。

具体地，分别计算模型i(i＝1，2，3…)在校准数据集上的最优分类阈值thr₁∈(0,1)，thr₂∈(0,1)，thr₃∈(0,1)。

即在最优分类阈值thr下，f(x)在校准数据集上对两分类问题分类精度最高。

2)由于各个模型对应的分类阈值可能不同。例如对于模型A而言，在样本对应的预测值大于0.3的情况下可判断该样本为真，在样本对应的预测值小于等于0.3的情况下可判断该样本为假。即模型A对应的分类阈值为0.3。而对于模型B而言，对应的分类阈值可能为0.6。不同的分类阈值体现了不同模型对应的预测值的数据分布规律。为了纠正各个模型的预测值的数据分布规律的差距对模型融合结果产生的偏差，可根据分类阈值得到预测值对应的左右映射值，再根据左右映射值，得到检测模型对应的权重值。

具体地，根据分类阈值，对于小于等于分类阈值的预测值和大于分类阈值预测值分别采用不同的公式，对每个样本对应的预测值value分别进行计算，得到预测值对应的左右映射值。

例如，可利用下列公式分别对模型i检测的每个样本进行左右映射后，得到预测值对应的左右映射值value′为：

3)根据左右映射值，得到检测模型对应的权重值。以2个模型融合为例，模型1对应的权重值为w₁，模型1对应的权重值为w₂。根据左右映射值value′，利用下列公式计算模型对应的权重值：

其中，k表示样本编号，n表示样本总个数，l表示样本对应的标签。

融合策略的公式为：value_总＝w₁value₁+w₂value₂

其中，value_总表示模型融合后的结果，value₁表示模型1对待处理图像的检测结果，value₂表示模型2对待处理图像的检测结果。

在以上公式中，w₁的值越小，模型融合后的结果越符合校准数据集上的数据分布。因此，本公开实施例利用最优阈值左右映射算法计算模型融合权重值，一方面根据分类阈值进行对预测值进行左右映射，可纠正各个模型的预测值的数据分布规律的差距对模型融合结果产生的偏差；另一方面，基于校准数据集计算模型融合的权重值可纠正训练数据集与业务数据在数据分布上的偏差，使图像检测结果更加准确。

图6是根据本公开另一实施例的检测方法的融合算法的流程图。如图6所示，在一种实施方式中，图5中的步骤S220，根据分类阈值，得到预测值对应的左右映射值，具体可包括：

步骤S310，根据分类阈值，确定对预测值进行左右映射的映射策略；

步骤S320，根据映射策略，得到预测值对应的左右映射值。

不同的分类阈值体现了不同模型对应的预测值的数据分布规律。例如，对于模型A而言在样本对应的预测值小于等于0.3的情况下可判断该样本为假，对于模型B而言在样本对应的预测值小于等于0.6的情况下可判断该样本为假。以分类阈值为界限，确定对预测值value进行左右映射的映射策略。

例如，对于小于等于分类阈值的预测值和大于分类阈值预测值分别采用的映射策略如下：

其中，thr表示分类阈值，value表示预测值，value′表示左右映射值。在上述公式中，根据分类阈值对于每个样本对应的预测值value进行左右映射，得到预测值对应的左右映射值。

本公开实施例根据分类阈值进行对预测值进行左右映射，在此基础上计算模型融合对应的权重值，可纠正各个模型的预测值的数据分布规律的差距对模型融合结果产生的偏差，使图像检测结果更加准确。

图7是根据本公开另一实施例的检测方法的融合算法的流程图。如图7所示，在一种实施方式中，图1中的步骤S120，基于校准数据集，得到检测模型对应的权重值，具体可包括：

步骤S410，利用检测模型对校准数据集中的各个样本进行检测，得到各个样本对应的预测值；

步骤S420，根据各个样本对应的预测值和校准数据集中的各个样本对应的标签，得到锚点值；

步骤S430，根据锚点值，得到检测模型对应的权重值。

本公开实施例提供一种用于计算模型融合权重值的锚点距离权重算法。该算法的数据处理步骤示例如下：

在一个示例中，对模型2和模型3的检测结果进行融合。在步骤S410中，利用模型2和模型3对校准数据集中的各个样本进行检测，得到各个样本对应的预测值。则校准数据集中的N个样本x，及样本对应的标签l、模型2对样本的预测值value₂和模型3对样本的预测值value₃和表示如下：

N个样本

在步骤S420中，设锚点Z∈(0,1)，基于校准数据集利用模型2和模型3产生的预测值，使得预测值与锚点之间的距离越远，认为该预测值的准确度越高。|Z-value_k2|和|Z-value_k3|分别表示模型2和模型3进行预测中第k个样本对应的预测值与锚点之间的距离。在一个示例中，可采用下列公式计算锚点值：

其中，k表示样本编号，n表示样本总个数，l表示样本对应的标签，value_k2表示模型2对第k个样本的预测值，value_k3表示模型3对第k个样本的预测值，|Z-value_k2|表示模型2进行预测中第k个样本对应的预测值与锚点之间的距离，|Z-value_k3|分别表示模型3进行预测中第k个样本对应的预测值与锚点之间的距离。

在步骤S430中，根据锚点值，采用下列公式计算模型2和模型3对应的权重值：

融合策略的公式为：

其中，value_总表示模型融合后的结果，value₂表示模型2对待处理图像的检测结果，value₃表示模型3对待处理图像的检测结果。

本公开实施例根据锚点值衡量预测值的准确度，在此基础上计算模型融合对应的权重值，可使最终得到的图像检测结果更加准确。

在一种实施方式中，图1中的步骤S130，根据权重值，将多个检测模型的检测结果进行融合，得到针对待检测对象的检测结果，具体可包括：

根据权重值，将多个检测结果进行加权求和，得到针对待检测对象的检测结果。

本公开实施例通过融合多个检测模型的检测结果，增强了图像检测的泛化能力，能够在不同的数据集上均可以得到较好的检测结果，使图像检测结果更加准确，可以满足各种应用场景的需求。

图8是根据本公开一实施例的检测装置的示意图。参见图8，该检测装置包括：

获取单元100，用于获取多个检测模型对待检测对象分别进行检测得到的多个检测结果；

处理单元200，用于基于校准数据集，得到检测模型对应的权重值；

融合单元300，用于根据权重值，将多个检测模型的检测结果进行融合，得到针对待检测对象的检测结果。

图9是根据本公开另一实施例的检测装置的示意图。如图9所示，在一种实施方式中，处理单元200包括：

检测子单元210，用于利用检测模型对校准数据集中的各个样本进行检测，得到分类阈值和各个样本对应的预测值；

映射子单元220，用于根据分类阈值，得到预测值对应的左右映射值；

处理子单元230，用于根据左右映射值，得到检测模型对应的权重值。

在一种实施方式中，映射子单元220用于：

根据分类阈值，确定对预测值进行左右映射的映射策略；

根据映射策略，得到预测值对应的左右映射值。

在一种实施方式中，处理单元200用于：

利用检测模型对校准数据集中的各个样本进行检测，得到各个样本对应的预测值；

根据各个样本对应的预测值和校准数据集中的各个样本对应的标签，得到锚点值；

根据锚点值，得到检测模型对应的权重值。

在一种实施方式中，融合单元300用于：

本公开实施例的检测装置中的各单元、子单元的功能可以参见上述方法中的对应描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图10示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。

如图10所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如检测方法。例如，在一些实施例中，检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种检测方法，包括：

基于校准数据集，得到所述检测模型对应的权重值；

根据所述权重值，将所述多个检测模型的检测结果进行融合，得到针对所述待检测对象的检测结果。

2.根据权利要求1所述的方法，其中，所述基于所述校准数据集，得到所述检测模型对应的权重值，包括：

利用所述检测模型对所述校准数据集中的各个样本进行检测，得到分类阈值和所述各个样本对应的预测值；

根据所述分类阈值，得到所述预测值对应的左右映射值；

根据所述左右映射值，得到所述检测模型对应的权重值。

3.根据权利要求2所述的方法，其中，所述根据所述分类阈值，得到所述预测值对应的左右映射值，包括：

根据所述分类阈值，确定对所述预测值进行左右映射的映射策略；

根据所述映射策略，得到所述预测值对应的左右映射值。

4.根据权利要求1所述的方法，其中，所述基于所述校准数据集，得到所述检测模型对应的权重值，包括：

利用所述检测模型对所述校准数据集中的各个样本进行检测，得到所述各个样本对应的预测值；

根据所述各个样本对应的预测值和所述校准数据集中的各个样本对应的标签，得到锚点值；

根据所述锚点值，得到所述检测模型对应的权重值。

5.根据权利要求1至4中任一项所述的方法，其中，所述根据所述权重值，将所述多个检测模型的检测结果进行融合，得到针对所述待检测对象的检测结果，包括：

根据所述权重值，将所述多个检测结果进行加权求和，得到针对所述待检测对象的检测结果。

6.一种检测装置，包括：

处理单元，用于基于校准数据集，得到所述检测模型对应的权重值；

融合单元，用于根据所述权重值，将所述多个检测模型的检测结果进行融合，得到针对所述待检测对象的检测结果。

7.根据权利要求6所述的装置，其中，所述处理单元包括：

检测子单元，用于利用所述检测模型对所述校准数据集中的各个样本进行检测，得到分类阈值和所述各个样本对应的预测值；

映射子单元，用于根据所述分类阈值，得到所述预测值对应的左右映射值；

处理子单元，用于根据所述左右映射值，得到所述检测模型对应的权重值。

8.根据权利要求7所述的装置，其中，所述映射子单元用于：

根据所述映射策略，得到所述预测值对应的左右映射值。

9.根据权利要求6所述的装置，其中，所述处理单元用于：

根据所述锚点值，得到所述检测模型对应的权重值。

10.根据权利要求6至9中任一项所述的装置，其中，所述融合单元用于：

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。