CN114399669B - 目标检测方法和装置 - Google Patents
目标检测方法和装置 Download PDFInfo
- Publication number
- CN114399669B CN114399669B CN202210297987.2A CN202210297987A CN114399669B CN 114399669 B CN114399669 B CN 114399669B CN 202210297987 A CN202210297987 A CN 202210297987A CN 114399669 B CN114399669 B CN 114399669B
- Authority
- CN
- China
- Prior art keywords
- trained
- sample
- subset
- labeled
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标检测方法和装置,该方法包括:采集待训练样本集,对每个待训练样本数据进行标注以获取标注样本集;根据初始采样概率进行均匀采样获取第一待训练样本子集和第一标注样本子集;将第一待训练样本子集输入第一卷积神经网络得到每个待训练样本数据的第一预测结果;根据第一预测结果和第一标注样本子集计算第一得分,并根据第一得分计算第一采样概率;根据第一采样概率进行均匀采样,以获取第二待训练样本子集和第二标注样本子集,并获取每个待训练样本数据对应的第二预测结果;计算损失函数,并根据损失函数进行更新,以获取目标检测模型,对目标检测数据进行检测。由此,能够提高目标检测模型的训练效果。
Description
技术领域
本发明涉及目标检测技术领域,具体涉及一种目标检测方法和一种目标检测装置。
背景技术
相关技术中,在工业质检领域大量的数据存在着严重的类间不均衡问题,并且同类样本又存在着大量高度相似的数据,类内数据之间也存在严重的分布不均衡。如果直接使用工厂采集的数据标注后训练目标检测模型,得到的模型在低频缺陷上的检测效果很差。
发明内容
本发明为解决上述技术问题,提供了一种目标检测方法,能够有效地解决工业质检过程中存在的类内和类间样本失衡的问题,有效地提高了目标检测模型的训练效果。
本发明采用的技术方案如下:
一种目标检测方法,包括以下步骤:从工业现场采集待训练样本集,对所述待训练样本集中的每个待训练样本数据进行标注以获取标注样本集;获取初始采样概率,并根据所述初始采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第一待训练样本子集和第一标注样本子集;将所述第一待训练样本子集输入随机初始化的第一卷积神经网络得到所述第一待训练样本子集中每个待训练样本数据对应的第一预测结果;根据所述第一预测结果和所述第一标注样本子集计算所述第一待训练样本子集中每个待训练样本数据对应的第一得分,并根据所述第一得分计算第一采样概率;根据所述第一采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第二待训练样本子集和第二标注样本子集;将所述第二待训练样本子集输入所述第一卷积神经网络得到所述第二待训练样本子集中每个待训练样本数据对应的第二预测结果;根据所述第二预测结果和所述第二标注样本子集计算损失函数,并根据所述损失函数对所述第一卷积神经网络的参数进行更新,以获取目标检测模型;根据所述目标检测模型对目标检测数据进行检测。
所述根据所述第一预测结果和所述第一标注样本子集计算所述第一待训练样本子集中每个待训练样本数据对应的第一得分,包括:分别对比所述第一待训练样本子集中每个待训练样本数据对应的第一预测结果与所述第一标注样本子集中相应的标注样本数据的吻合程度;根据所述吻合程度分别计算第一待训练样本子集中每个待训练样本数据对应的第一得分。
所述根据所述第一得分计算第一采样概率,包括:采用线性采样方式根据所述第一得分计算所述第一采样概率。
所述根据所述第一得分计算第一采样概率,包括:采用softmax采样方式根据所述第一得分计算所述第一采样概率。
一种目标检测装置,包括:第一获取模块,所述第一获取模块用于从工业现场采集待训练样本集,对所述待训练样本集中的每个待训练样本数据进行标注以获取标注样本集;第二获取模块,所述第二获取模块用于获取初始采样概率,并根据所述初始采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第一待训练样本子集和第一标注样本子集;第三获取模块,所述第三获取模块用于将所述第一待训练样本子集输入随机初始化的第一卷积神经网络得到所述第一待训练样本子集中每个待训练样本数据对应的第一预测结果;计算模块,所述计算模块用于根据所述第一预测结果和所述第一标注样本子集计算所述第一待训练样本子集中每个待训练样本数据对应的第一得分,并根据所述第一得分计算第一采样概率;第四获取模块,所述第四获取模块用于根据所述第一采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第二待训练样本子集和第二标注样本子集;第五获取模块,所述第五获取模块用于将所述第二待训练样本子集输入所述第一卷积神经网络得到所述第二待训练样本子集中每个待训练样本数据对应的第二预测结果;更新模块,所述更新模块用于根据所述第二预测结果和所述第二标注样本子集计算损失函数,并根据所述损失函数对所述第一卷积神经网络的参数进行更新,以获取目标检测模型;目标检测模块,所述目标检测模块用于根据所述目标检测模型对目标检测数据进行检测。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述的目标检测方法
一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的目标检测方法。
本发明的有益效果:
本发明能够有效地解决工业质检过程中存在的类内和类间样本失衡的问题,有效地提高了目标检测模型的训练效果。
附图说明
图1为本发明实施例的目标检测方法的流程图;
图2为本发明实施例的目标检测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是根据本发明实施例的目标检测方法的流程图。
如图1所示,本发明实施例的目标检测方法可包括以下步骤:
S1,从工业现场采集待训练样本集,对待训练样本集中的每个待训练样本数据进行标注以获取标注样本集。
具体而言,可通过采样装置(例如,传感器、相机等)从工业现场采集多个待训练样
本数据,例如,待训练样本数据x1、x2、……、xn,其中,n为正整数,并由多个待训练样本数据
组成待训练样本集X,即。然后,分别对待训练样本集中的每个待
训练样本数据进行标注以分别获取相应的标注样本数据,例如,对待训练样本数据x1进行
标注以获取标注样本数据y1,对待训练样本数据x2进行标注以获取标注样本数据y2,……,
对待训练样本数据xn进行标注以获取标注样本数据yn,并由多个标注样本数据组成标注样
本集Y,即。
S2,获取初始采样概率,并根据初始采样概率分别对待训练样本集和标注样本集进行均匀采样,以获取第一待训练样本子集和第一标注样本子集。
具体而言,在对目标检测模型进行训练之前,可先初始化第一待训练样本子集中每个待训练样本数据对应的得分si,其中,si=0,i=1、2、……、n,即可将第一待训练样本子集中每个待训练样本数据对应的得分si初始化为0,并根据该初始化后的得分si计算初始采样概率pi。
具体地,作为一种可能的实施方式,可通过线性采样方式根据初始化后的得分计算初始采样概率,具体可通过公式(1)计算,即
作为另一种可能的实施方式,可通过softmax采样方式根据初始化后的得分计算初始采样概率,具体可通过公式(2)计算,即
S3,将第一待训练样本子集输入随机初始化的第一卷积神经网络得到第一待训练样本子集中每个待训练样本数据对应的第一预测结果。
S4,根据第一预测结果和第一标注样本子集计算第一待训练样本子集中每个待训练样本数据对应的第一得分,并根据第一得分计算第一采样概率。
S5,根据第一采样概率分别对待训练样本集和标注样本集进行均匀采样,以获取第二待训练样本子集和第二标注样本子集。
可以理解的是,目前在对卷积神经网络进行训练时,一般是直接根据第一预测结果和第一标注样本子集计算损失函数,再通过损失函数反向传播来更新第一卷积神经网络的参数,以获取目标检测模型。这种训练方式采用的是均匀抽样,使得待训练样本集X中的n个样本对模型参数优化的影响都是相同的,当样本均衡的时候,这种训练方法并没有什么问题,但是在工业领域样本失衡严重,采用上述方法训练的模型在低频缺陷上效果较差。
因此,本申请根据第一预测结果和第一标注样本子集计算第一待训练样本子集中每个待训练样本数据对应的第一得分,并根据第一得分计算第一采样概率,然后根据第一采样概率再分别从待训练样本集和标注样本集中均匀抽样出第二待训练样本子集和第二标注样本子集。
下面结合具体实施例来详细说明如何根据第一预测结果和第一标注样本子集计算第一待训练样本子集中每个待训练样本数据对应的第一得分。
根据本发明的一个实施例,根据第一预测结果和第一标注样本子集计算第一待训练样本子集中每个待训练样本数据对应的第一得分,包括分别对比第一待训练样本子集中每个待训练样本数据对应的第一预测结果与第一标注样本子集中相应的标注样本数据的吻合程度;根据吻合程度分别计算第一待训练样本子集中每个待训练样本数据对应的第一得分。
具体而言,可通过对比第一待训练样本子集中每个待训练样本数据对应的第一预
测结果与第一标注样本子集中相应的标注样本数据的吻合程度(即,第一预测结果与标注
样本数据的重合度)来计算第一待训练样本子集中每个待训练样本数据对应的第一得分,
其中,吻合程度越高,第一得分就越高。其中,作为一种可能的实施方式,对于分类任务可通
过以下方式计算第一得分:假设某一张图像的one_hot标签为,其对应的
预测结果为,则第一得分;作为另一种可能的实施方
式,对于目标检测任务可通过以下方式计算第一得分:假设一张图片中某个目标的标签为,其对应的预测结果为,其
中表示目标在图片中的位置坐标,表示预测在图片中的位置坐
标,用表示目标坐标与预测坐标之间的IoU(Intersection over Union,交并比),则第
一得分。进一步而言,在计算出第一得分后,可通过以下方式计算第一采样概
率。
根据本发明的一个实施例,根据第一得分计算第一采样概率,包括:采用线性采样方式根据第一得分计算第一采样概率。
作为一种可能的实施方式,可通过线性采样方式根据第一得分计算第一采样概率,具体可通过公式(1)计算进行计算。
根据本发明的另一个实施例,所述根据所述第一得分计算第一采样概率,包括:采用softmax采样方式根据所述第一得分计算所述第一采样概率。
作为另一种可能的实施方式,可通过softmax采样方式根据第一得分计算第一采样概率,具体可通过公式(2)进行计算。
S6,将第二待训练样本子集输入第一卷积神经网络得到第二待训练样本子集中每个待训练样本数据对应的第二预测结果。
具体地,在获取第二待训练样本子集后,将第二待训练样本子集输入第一卷积神经网络,此时,第一卷积神经网络的输出端可输出第二待训练样本子集中每个待训练样本数据对应的第二预测结果。
S7,根据第二预测结果和第二标注样本子集计算损失函数,并根据损失函数对第一卷积神经网络的参数进行更新,以获取目标检测模型。
具体而言,根据第二预测结果和第二标注样本子集计算损失函数,再通过损失函数反向传播来更新第一卷积神经网络的参数,以获取目标检测模型。
S8,根据目标检测模型对目标检测数据进行检测。
由此,本申请能够有效地解决在模型训练的过程中由于低频数据在样本中出现的频率很低而导致模型难以学习的问题,增加困难样本和低频数据被采样的概率,从而提高模型的训练效果。并且,本申请中样本的采样概率是实时更新的,不会出现模型一直学习高频数据和一直学习低频数据的现象,通过动态调整采样概率来平衡各种样本在训练过程中的出现频率。
综上所述,根据本发明实施例的目标检测方法,从工业现场采集待训练样本集,对待训练样本集中的每个待训练样本数据进行标注以获取标注样本集,以及获取初始采样概率,并根据初始采样概率分别对待训练样本集和标注样本集进行均匀采样,以获取第一待训练样本子集和第一标注样本子集,以及将第一待训练样本子集输入随机初始化的第一卷积神经网络得到第一待训练样本子集中每个待训练样本数据对应的第一预测结果,并根据第一预测结果和第一标注样本子集计算第一待训练样本子集中每个待训练样本数据对应的第一得分,以及根据第一得分计算第一采样概率,并根据第一采样概率分别对待训练样本集和标注样本集进行均匀采样,以获取第二待训练样本子集和第二标注样本子集,以及将第二待训练样本子集输入第一卷积神经网络得到第二待训练样本子集中每个待训练样本数据对应的第二预测结果,并根据第二预测结果和第二标注样本子集计算损失函数,以及根据损失函数对第一卷积神经网络的参数进行更新,以获取目标检测模型,并根据目标检测模型对目标检测数据进行检测。由此,能够有效地解决工业质检过程中存在的类内和类间样本失衡的问题,有效地提高了目标检测模型的训练效果。
对应上述实施例,本发明还提出一种目标检测装置。
如图2所示,本发明实施例的目标检测装置可包括:第一获取模块100、第二获取模块200、第三获取模块300、计算模块400、第四获取模块500、第五获取模块600、更新模块700和目标检测模块800。
其中,第一获取模块100用于从工业现场采集待训练样本集,对待训练样本集中的每个待训练样本数据进行标注以获取标注样本集;第二获取模块200用于获取初始采样概率,并根据初始采样概率分别对待训练样本集和标注样本集进行均匀采样,以获取第一待训练样本子集和第一标注样本子集;第三获取模块300用于将第一待训练样本子集输入随机初始化的第一卷积神经网络得到第一待训练样本子集中每个待训练样本数据对应的第一预测结果;计算模块400用于根据第一预测结果和第一标注样本子集计算第一待训练样本子集中每个待训练样本数据对应的第一得分,并根据第一得分计算第一采样概率;第四获取模块500用于根据第一采样概率分别对待训练样本集和标注样本集进行均匀采样,以获取第二待训练样本子集和第二标注样本子集;第五获取模块600用于将第二待训练样本子集输入第一卷积神经网络得到第二待训练样本子集中每个待训练样本数据对应的第二预测结果;更新模块700用于根据第二预测结果和第二标注样本子集计算损失函数,并根据损失函数对第一卷积神经网络的参数进行更新,以获取目标检测模型;目标检测模块800用于根据目标检测模型对目标检测数据进行检测。
根据本发明的一个实施例,计算模块400具体用于:分别对比第一待训练样本子集中每个待训练样本数据对应的第一预测结果与第一标注样本子集中相应的标注样本数据的吻合程度;根据吻合程度分别计算第一待训练样本子集中每个待训练样本数据对应的第一得分。
根据本发明的一个实施例,计算模块400具体还用于:采用线性采样方式根据第一得分计算第一采样概率。
根据本发明的一个实施例,计算模块400具体还用于:采用softmax采样方式根据第一得分计算第一采样概率。
需要说明的是,本发明实施例的用于目标检测装置可参照上述目标检测方法的实施例,在此不再赘述。
根据本发明实施例的目标检测装置,通过第一获取模块从工业现场采集待训练样本集,对所述待训练样本集中的每个待训练样本数据进行标注以获取标注样本集,以及通过第二获取模块获取初始采样概率,并根据所述初始采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第一待训练样本子集和第一标注样本子集,以及通过第三获取模块将所述第一待训练样本子集输入随机初始化的第一卷积神经网络得到所述第一待训练样本子集中每个待训练样本数据对应的第一预测结果,并通过计算模块用于根据所述第一预测结果和所述第一标注样本子集计算所述第一待训练样本子集中每个待训练样本数据对应的第一得分,以及根据所述第一得分计算第一采样概率,并通过第四获取模块根据所述第一采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第二待训练样本子集和第二标注样本子集,以及通过第五获取模块将所述第二待训练样本子集输入所述第一卷积神经网络得到所述第二待训练样本子集中每个待训练样本数据对应的第二预测结果,并通过更新模块根据所述第二预测结果和所述第二标注样本子集计算损失函数,以及根据所述损失函数对所述第一卷积神经网络的参数进行更新,以获取目标检测模型,并通过目标检测模块根据所述目标检测模型对目标检测数据进行检测。由此,能够有效地解决工业质检过程中存在的类内和类间样本失衡的问题,有效地提高了目标检测模型的训练效果。
对应上述实施例,本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现上述实施例的目标检测方法。
根据本发明实施例的计算机设备,能够有效地解决工业质检过程中存在的类内和类间样本失衡的问题,有效地提高了目标检测模型的训练效果。
对应上述实施例,本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述实施例的目标检测方法。
根据本发明实施例的非临时性计算机可读存储介质,能够有效地解决工业质检过程中存在的类内和类间样本失衡的问题,有效地提高了目标检测模型的训练效果。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种目标检测方法,其特征在于,包括以下步骤:
从工业现场采集待训练样本集,对所述待训练样本集中的每个待训练样本数据进行标注以获取标注样本集;
获取初始采样概率,并根据所述初始采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第一待训练样本子集和第一标注样本子集;
将所述第一待训练样本子集输入随机初始化的第一卷积神经网络得到所述第一待训练样本子集中每个待训练样本数据对应的第一预测结果;
根据所述第一预测结果和所述第一标注样本子集计算所述第一待训练样本子集中每个待训练样本数据对应的第一得分,并根据所述第一得分计算第一采样概率;
根据所述第一采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第二待训练样本子集和第二标注样本子集;
将所述第二待训练样本子集输入所述第一卷积神经网络得到所述第二待训练样本子集中每个待训练样本数据对应的第二预测结果;
根据所述第二预测结果和所述第二标注样本子集计算损失函数,并根据所述损失函数对所述第一卷积神经网络的参数进行更新,以获取目标检测模型;
根据所述目标检测模型对目标检测数据进行检测。
2.根据权利要求1所述的目标检测方法,其特征在于,所述根据所述第一预测结果和所述第一标注样本子集计算所述第一待训练样本子集中每个待训练样本数据对应的第一得分,包括:
分别对比所述第一待训练样本子集中每个待训练样本数据对应的第一预测结果与所述第一标注样本子集中相应的标注样本数据的吻合程度;
根据所述吻合程度分别计算第一待训练样本子集中每个待训练样本数据对应的第一得分。
3.根据权利要求1所述的目标检测方法,其特征在于,所述根据所述第一得分计算第一采样概率,包括:
采用线性采样方式根据所述第一得分计算所述第一采样概率。
4.根据权利要求1所述的目标检测方法,其特征在于,所述根据所述第一得分计算第一采样概率,包括:
采用softmax采样方式根据所述第一得分计算所述第一采样概率。
5.一种目标检测装置,其特征在于,包括:
第一获取模块,所述第一获取模块用于从工业现场采集待训练样本集,对所述待训练样本集中的每个待训练样本数据进行标注以获取标注样本集;
第二获取模块,所述第二获取模块用于获取初始采样概率,并根据所述初始采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第一待训练样本子集和第一标注样本子集;
第三获取模块,所述第三获取模块用于将所述第一待训练样本子集输入随机初始化的第一卷积神经网络得到所述第一待训练样本子集中每个待训练样本数据对应的第一预测结果;
计算模块,所述计算模块用于根据所述第一预测结果和所述第一标注样本子集计算所述第一待训练样本子集中每个待训练样本数据对应的第一得分,并根据所述第一得分计算第一采样概率;
第四获取模块,所述第四获取模块用于根据所述第一采样概率分别对所述待训练样本集和所述标注样本集进行均匀采样,以获取第二待训练样本子集和第二标注样本子集;
第五获取模块,所述第五获取模块用于将所述第二待训练样本子集输入所述第一卷积神经网络得到所述第二待训练样本子集中每个待训练样本数据对应的第二预测结果;
更新模块,所述更新模块用于根据所述第二预测结果和所述第二标注样本子集计算损失函数,并根据所述损失函数对所述第一卷积神经网络的参数进行更新,以获取目标检测模型;
目标检测模块,所述目标检测模块用于根据所述目标检测模型对目标检测数据进行检测。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现根据权利要求1-4中任一项所述的目标检测方法。
7.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现根据权利要求1-4中任一项所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210297987.2A CN114399669B (zh) | 2022-03-25 | 2022-03-25 | 目标检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210297987.2A CN114399669B (zh) | 2022-03-25 | 2022-03-25 | 目标检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399669A CN114399669A (zh) | 2022-04-26 |
CN114399669B true CN114399669B (zh) | 2022-06-28 |
Family
ID=81234068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210297987.2A Active CN114399669B (zh) | 2022-03-25 | 2022-03-25 | 目标检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399669B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349775B (zh) * | 2023-10-30 | 2024-04-26 | 浙江大学 | 一种面向集群计算的异常子任务识别方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197697A (zh) * | 2017-12-29 | 2018-06-22 | 汕头大学 | 一种训练深度神经网络的动态重采样方法 |
CN111860573B (zh) * | 2020-06-04 | 2024-05-10 | 北京迈格威科技有限公司 | 模型训练方法、图像类别检测方法、装置和电子设备 |
CN112786030B (zh) * | 2020-12-30 | 2022-04-29 | 中山大学 | 一种基于元学习的对抗采样训练方法及装置 |
-
2022
- 2022-03-25 CN CN202210297987.2A patent/CN114399669B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114399669A (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
CN112560355B (zh) | 基于卷积神经网络的风洞的马赫数的预测方法和装置 | |
US20230214989A1 (en) | Defect detection method, electronic device and readable storage medium | |
CN114399669B (zh) | 目标检测方法和装置 | |
CN112508950B (zh) | 异常检测方法和装置 | |
CN109886337B (zh) | 基于自适应采样的深度度量学习方法及系统 | |
CN105589801A (zh) | 手机集群测试方法和系统 | |
CN110472581A (zh) | 一种基于深度学习的细胞图像分析方法 | |
CN116466058B (zh) | 水质检测数据处理方法、水质评估系统、设备及介质 | |
CN104864821A (zh) | 计算设备和方法 | |
CN116338392A (zh) | 一种玻璃绝缘子雷击放电缺陷识别方法、装置及设备 | |
CN117011505A (zh) | 基于光谱数据的识别方法、系统及相关设备 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN116645719A (zh) | 一种瞳孔和虹膜定位方法、装置、电子设备及存储介质 | |
CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
CN114202224B (zh) | 用于检测生产环境中焊接质量的方法、设备、介质 | |
CN114067105B (zh) | 谷物密度估计方法、存储介质及谷物密度估计设备 | |
CN113435300B (zh) | 一种避雷器仪表实时识别方法及系统 | |
CN115510998A (zh) | 交易异常值检测方法及装置 | |
CN113420772A (zh) | 基于多分类器与svdd协同算法的缺陷检测方法和装置 | |
CN118154600B (zh) | 光伏发电系统的掉串检测方法、装置、电子设备和介质 | |
CN117314914B (zh) | 一种对工程无损检测图像的缺陷识别方法及相关设备 | |
CN114494253B (zh) | 工业质检的方法和装置 | |
CN117330604B (zh) | 自动化温度补偿方法、装置、计算机设备及存储介质 | |
CN112232283B (zh) | 基于光流和c3d网络的气泡检测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |