CN114511743B - 检测模型训练、目标检测方法、装置、设备、介质及产品 - Google Patents
检测模型训练、目标检测方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN114511743B CN114511743B CN202210112008.1A CN202210112008A CN114511743B CN 114511743 B CN114511743 B CN 114511743B CN 202210112008 A CN202210112008 A CN 202210112008A CN 114511743 B CN114511743 B CN 114511743B
- Authority
- CN
- China
- Prior art keywords
- detection model
- deformation
- image
- training
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开提供了检测模型训练、目标检测方法、装置、设备、介质及产品,涉及人工智能领域中的计算机视觉、图像识别和深度学习技术领域。具体实现方案为:获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对;多个变形图像对划分为两组;每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度;循环执行以下操作,直到满足检测模型收敛条件为止:基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型;当前基准检测模型与当前影子检测模型的网络结构相同。
Description
技术领域
本公开涉及人工智能领域中的计算机视觉、图像识别和深度学习技术领域,尤其涉及一种检测模型训练、目标检测方法、装置、设备、介质及产品。
背景技术
在半监督检测技术中,训练数据通常可以分为有标签数据和无标签数据。现有的半监督检测方法中,需要使用有标注的数据训练老师模型,也可称为基准检测模型,再使用老师模型对无标注的数据进行标签预测,获得无标注数据的伪标签,利用具有伪标签的无标签数据训练学生模型,也可称为影子检测模型,以提高学生模型的训练精度。
但是,由于使用的老师模型预测的伪标签的精度不高,最终训练获得的学生模型并不准确。
发明内容
本公开提供了一种用于图像分类或者检测的检测模型训练、目标检测方法、装置、设备、介质及产品。
根据本公开的第一方面,提供了一种检测模型训练方法,包括:
获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对;多个变形图像对划分为两组;每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度;
循环执行以下操作,直到满足检测模型收敛条件为止:
基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;
基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型;当前基准检测模型与当前影子检测模型的网络结构相同。
根据本公开的第二方面,提供了一种目标检测方法,包括:
确定待检测图像以及基于本公开实施例提供的检测模型训练方法获得的影子检测模型或者基准检测模型;
将待检测图像输入影子检测模型,获得第一目标检测结果;
或者将待检测图像输入基准检测模型,获得第二目标检测结果。
根据本公开的第三方面,提供了一种检测模型训练装置,包括:
图像变形单元,用于获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对;多个变形图像对划分为两组;每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度;
循环判断单元,用于循环执行以下操作,直到满足检测模型收敛条件为止;
第一训练单元,用于基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;
第二训练单元,用于基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型;当前基准检测模型与当前影子检测模型的网络结构相同。
根据本公开的第四方面,提供了一种目标检测装置,包括:
第一确定单元,用于确定待检测图像以及基于本公开实施例提供的检测模型训练方法获得的影子检测模型或者基准检测模型;
第一检测单元,用于将待检测图像输入影子检测模型,获得第一目标检测结果;或者,
第二检测单元,用于将待检测图像输入基准检测模型,获得第二目标检测结果。
根据本公开的第五方面,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第一方面的方法。
根据本公开的第六方面,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第二方面的方法。
根据本公开的第七方面,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,其中,计算机指令用于使计算机执行第一方面的方法。
根据本公开的第八方面,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,其中,计算机指令用于使计算机执行第二方面的方法。
根据本公开的第九方面,提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行第一方面的方法。
根据本公开的第十方面,提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行第二方面的方法。
根据本公开的技术解决了半监督模型训练精度不高的问题,通过影子检测模型以及基准检测模型的交叉训练,可以提高影子检测模型以及基准检测模型的模型训练精度,获得更准确的影子检测模型以及基准检测模型。
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是根据本公开第一实施例提供的检测模型训练以及目标检测方法的系统架构图;
图2是根据本公开第二实施例提供的检测模型训练方法的流程图;
图3是根据本公开第三实施例提供的检测模型训练方法的流程图;
图4是根据本公开第四实施例提供的检测模型训练方法的流程图;
图5是根据本公开第五实施例提供的目标检测方法的流程图;
图6是根据本公开第六实施例提供的检测模型训练装置的结构示意图;
图7是根据本公开第七实施例提供的目标检测装置的结构示意图;
图8是用来实现本公开实施例的检测模型训练方法的电子设备的框图;
图9是用来实现本公开实施例的目标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。
本公开实施例中,对于半监督检测模型而言,其可以采用老师模型以及学生模型,结合有标签的训练数据以及无标签的训练数据进行模型训练。模型训练时,可以认为老师模型是已知参数的,可以将无标签数据输入到老师模型,利用老师模型对无标签数据进行检测,获得无标签数据的伪标签。利用无标签数据的伪标签,对学生模型进行训练,获得学生模型。但是这一过程中,由于老师模型被认为是已知的,而老师模型的预测结果可能并不准确,主要是基于历史学生模型对无标签数据进行预测,获得的有标签的数据之后,利用该有标签的数据对老师模型进行训练获得。但是由于学生模型又不够准确,预测的有数据的标签不准确,而导致老师模型不准确。从而在利用老师模型对无标签的数据进行伪标签预测时,伪标签的预测结果不准确,继而导致学生模型实际训练的精度不高。
为了解决上述技术问题,本公开实施例中,采用对无标签数据进行变形的方式,获得由第一变形图像以及第二变形图像组成的变形图像对。其中,第一变形图像的变形程度低于第二变形图像的变形程度。以不断执行循环训练,在任一次训练中,基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型,基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型。以不断利用当前最新的基准检测模型对影子检测模型进行训练,以及不断利用当前最新的影子检测模型对基准检测模型训练训练,实现影子检测模型以及基准检测模型的交叉训练,可以提高影子检测模型以及基准检测模型的模型训练精度,获得更准确的影子检测模型以及基准检测模型。
本公开提供一种检测模型训练、图像处理方法、装置、设备、介质及产品,可以应用于人工智能领域中的计算机视觉、图像识别和深度学习技术领域,以达到提高模型训练精度,图像处理准确度的目标。
下面将结合附图对本公开的技术方案进行详细介绍。
为了便于理解,图1为根据本公开第一实施例提供的检测模型训练以及目标检测方法的系统架构图,该系统架构中,可以包括电子设备1以及与电子设备1通过局域网或者广域网进行网络连接的用户设备2。电子设备1例如可以为普通服务器,云服务器等,用户设备2例如可以为手机、平板电脑、计算机、笔记本、超级计算机设备等。本公开实施例中对电子设备1以及用户设备2的具体类型并不做出过多限定。
电子设备1可以基于本公开的模型训练方法,训练获得影子检测模型以及基准检测模型。用户设备2可以获取用户提供的待检测图像,然后将待检测图像传输至电子设备1,电子设备1可以基于训练获得的影子检测模型对待检测图像进行检测获得第一目标检测结果,或者基于训练获得的基准检测模型对待进行检测获得第二目标检测结果,并将第一目标检测结果或者第二目标检测结果反馈给电子设备2,由电子设备2为用户输出。
如图2所示,为根据本公开第二实施例提供的检测模型训练方法的流程图,该方法可以由检测模型训练装置执行,该装置可以位于电子设备中,则该检测模型训练方法可以包括以下几个步骤:
201:获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对。多个变形图像对划分为两组。每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度。
可选地,原始无标签图像可以为需要使用检测模型进行检测图像,具体的图像检测目标可以根据检测模型的类型确定。
在一种可能的设计中,两种程度的变形处理可以包括第一变形处理以及第二变形处理。其中,第一变形处理的变形程度低于第二变形处理的变形程度,因此,第一变形处理获得的第一变形图像的变形程度低于第二变形处理获得的第二变形图像的变形程度。
获得多个变形图像对之后,可以将多个变形图像对划分为两组,分别为第一组变形图像对以及第二组变形图像对。每一组变形图像对可以包括原始无标签图像对应的第一变形图像以及第二变形图像。
202:循环执行以下操作,直到满足检测模型收敛条件为止。
可选地,检测模型可以包括分类模型、目标检测模型等常见的机器学习模型,本公开实施例中对检测模型的具体类型并不做出过多限定。
203:基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型。
步骤203中的当前基准检测模型的模型参数已知。当前基准检测模型可以为前一次训练获得的当前基准检测模型。
204:基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型。
当前影子检测模型与当前基准检测模型的网络结构相同。
步骤204中的当前影子检测模型的模型参数已知。当前影子检测模型可以为步骤203中训练获得的当前影子检测模型。
本公开实施例中,采用对无标签数据进行变形的方式,获得由第一变形图像以及第二变形图像组成的变形图像对。其中,第一变形图像的变形程度低于第二变形图像的变形程度。以不断执行循环训练,在任一次训练中,基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型,基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型。以不断利用当前最新的基准检测模型对影子检测模型进行训练,以及不断利用当前最新的影子检测模型对基准检测模型训练训练,实现影子检测模型以及基准检测模型的交叉训练,可以提高影子检测模型以及基准检测模型的模型训练精度,获得更准确的影子检测模型以及基准检测模型。
如图3所示,为根据本公开第三实施例提供的检测模型训练方法的流程图,该方法可以包括以下几个步骤:
301:获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对。多个变形图像对划分为两组。每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度。
本公开实施例中部分步骤与图2所示实施例中部分步骤相同,为了描述的简洁性考虑,在此不再赘述。
302:循环执行以下操作,直到满足检测模型收敛条件为止:
303:采用当前基准检测模型对第一组变形图像对中第一变形图像进行检测,将检测获得的第一伪标签,作为第一组变形图像对中的第二变形图像的伪标签,对待优化参数的影子检测模型进行训练,获得当前影子检测模型。
第一组变形图像对可以包括至少一个第一原始无标签图像分别对应的第一变形图像以及第二变形图像。
第二组变形图像对可以包括至少一个第二原始无标签图像分别对应的第一变形图像以及第二变形图像。
可以将第一组变形图像对中每个第一变形图像输入到当前基准检测模型,获得该每个第一变形图像的第一伪标签。第一变形图像的第一伪标签可以作为其同一第一组变形图像对中第二变形图像的伪标签,以获得第一组变形图像对中每个第二变形图像的伪标签。之后,利用第一组变形图像对中至少一个第二变形图像,以及每个第二变形图像对应的伪标签训练待优化参数的影子检测模型,获得当前影子检测模型。
304:采用当前影子检测模型对第二组变形图像对中第一变形图像进行检测,将检测获得的第二伪标签,作为第二组变形图像对中的第二变形图像的伪标签,对待优化参数的基准检测模型进行训练,获得当前基准检测模型。
可以将第二组变形图像对中每个第一变形图像输入到当前影子检测模型,获得该每个第一变形图像的第二伪标签。第一变形图像的第二伪标签可以作为其同一第二组变形图像对中第二变形图像的伪标签,以获得第二组变形图像对中每个第二变形图像的伪标签。之后,利用第二组变形图像对中至少一个第二变形图像,以及每个第二变形图像对应的伪标签训练待优化参数的基准检测模型,获得当前基准检测模型。
本公开实施例中,获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对,将多个变形图像对划分为两组之后,每个变形图像对中第一变形图像的变形程度低于第二变形图像的变形程度。两种变形程度不同的图像可以分别作为伪标签的检测图像以及模型训练的训练图像,以采用当前基准检测模型对第一组变形图像中对第一变形图像进行检测,将检测获得的第一伪标签,作为第一组变形图像对中的第二变形图像的伪标签,对待优化参数的影子检测模型进行训练,获得当前影子检测模型,实现对影子检测模型的训练。之后可以采用当前影子检测模型对第二组变形图像对中第一变形图像进行检测,将检测获得的第二伪标签,作为第二组变形图像对中的第二变形图像的伪标签,对待优化参数的基准检测模型进行训练,获得当前基准检测模型。以当前基准检测模型作为下一次循环训练时的当前基准检测模型,实现基准检测模型与影子检测模型的交叉训练,可以提高影子检测模型以及基准检测模型的模型训练精度,获得更准确的影子检测模型以及基准检测模型。
作为一个实施例,将检测获得的第一伪标签,作为第一组变形图像对中的第二变形图像的伪标签,对待优化参数的影子检测模型进行训练,获得当前影子检测模型,可以包括:
对待优化参数的影子检测模型进行模型初始化,获得候选影子检测模型。
将第一组变形图像对中的第二变形图像,输入候选影子检测模型,获得第一预测标签。
基于第二变形图像对应的第一伪标签以及第一预测标签,对候选影子检测模型进行模型损失计算,获得第一损失值。
若确定第一损失值小于或等于预设第一损失阈值,则确定候选影子检测模型为当前影子检测模型。
若确定第一损失值大于预设第一损失阈值,则更新候选影子检测模型的模型参数,返回执行将第一组变形图像对中的第二变形图像输入候选影子检测模型,获得预测标签的步骤继续执行。
可选地,对待优化参数的影子检测模型进行模型初始化,获得候选影子检测模型可以包括:将前一次训练获得的影子检测模型作为初始化的候选影子检测模型。
当然,对待优化参数的影子检测模型进行模型初始化,获得候选影子检测模型还可以包括:对待优化参数的影子检测模型的参数随机确定参数值,获得候选影子检测模型。
可选地,基于第二变形图像对应的第一伪标签以及第一预测标签,对候选影子检测模型进行模型损失函数计算,获得第一损失值可以包括:
将第二变形图像对应的第一伪标签与第二预测标签输入模型损失函数,计算获得该第二变形图像对应的图像损失值;
将第二组变形图像度中所有第二变形图像对应的图像损失值进行加权计算,获得第一损失值。
通过对第二组变形图像对中所有第二变形图像对应的图像损失值,可以对模型损失进行准确计算,获得准确的第一损失值。
可选地,模型损失函数可以是预先确定的loss(损失)函数,例如可以包括0-1损失函数、绝对值损失函数、对数损失函数、平方损失函数等,本公开实施例中对损失函数的具体类型并不做出过多限定。
本公开实施例中,对待优化参数的影子检测模型进行训练时,可以对待优化参数的影子检测模型进行模型初始化,获得候选影子检测模型,以对该候选影子检测模型进行模型训练,获得准确的训练结果,获得准确的当前影子检测模型。
作为又一个实施例,将检测获得的第二伪标签,作为第二组变形图像对中的第二变形图像的伪标签,对待优化参数的基准检测模型进行训练,获得当前基准检测模型,包括:
对待优化参数的基准检测模型进行模型初始化,获得候选基准检测模型。
将第二组变形图像对中的第二变形图像,输入候选基准检测模型,获得第二预测标签。
基于第二变形图像对应第二伪标签以及第二预测标签,对候选基准检测模型进行模型损失计算,获得第二损失值。
若确定第二损失值小于或等于预设第二损失阈值,则确定候选基准检测模型为当前基准检测模型。
若确定第二损失值大于预设第二损失阈值,则更新候选基准检测模型的模型参数,返回执行将第二组变形图像对中的第二变形图像,输入候选基准检测模型,获得第二预测标签的步骤继续执行。
可选地,对待优化参数的基准检测模型进行模型初始化,获得候选基准检测模型可以包括:将前一次训练获得的基准检测模型作为初始化的候选基准检测模型。
当然,对待优化参数的基准检测模型进行模型初始化,获得候选基准检测模型还可以包括:对待优化参数的基准检测模型的参数随机确定参数值,获得候选基准检测模型。
可选地,基于第二变形图像对应的第二伪标签以及第二预测标签,对候选基准检测模型进行模型损失函数计算,获得第二损失值可以包括:
将第二变形图像对应的第二伪标签与第二预测标签输入模型损失函数,计算获得该第二变形图像对应的图像损失值;
将第二组变形图像度中所有第二变形图像对应的图像损失值进行加权计算,获得第二损失值。
通过对第二组变形图像对中所有第二变形图像对应的图像损失值,可以对模型损失进行准确计算,获得准确的第二损失值。
可选地,模型损失函数可以是预先确定的loss(损失)函数,例如可以包括0-1损失函数、绝对值损失函数、对数损失函数、平方损失函数等,本公开实施例中对损失函数的具体类型并不做出过多限定。
本公开实施例中,对待优化参数的基准检测模型进行训练时,可以对待优化参数的基准检测模型进行模型初始化,获得候选基准检测模型,以对该候选基准检测模型进行模型训练,获得准确的训练结果,获得准确的当前基准检测模型。
在上述实施例的基础上,获得第一损失值以及第二损失值之后,该方法还可以包括:
基于第一损失值以及第二损失值,计算当前基准检测模型以及当前影子检测模型对应的总损失值。
若总损失值小于或等于预设第三损失阈值,则确定满足检测模型收敛条件,停止执行循环训练。
若总损失值大于预设第三损失阈值,则确定不满足检测模型收敛条件,继续执行循环训练。
可选地,基于第一损失值以及第二损失值,计算当前基准检测模型以及当前影子检测模型对应的总损失值,可以包括:对第一损失值以及第二损失值进行加权计算,获得当前基准检测模型以及当前影子检测模型对应的总损失值。
本公开实施例中,在判定是否满足检测模型收敛条件时,可以基于第一损失值以及第二损失值,计算当前基准检测模型以及当前影子检测模型对应的总损失值。若总损失值小于或等于预设第三损失阈值,则确定满足检测模型收敛条件,停止执行循环训练。若总损失值大于预设第三损失阈值,则确定不满足检测模型收敛条件,继续执行循环训练。以两次较差训练产生的损失值作为模型收敛条件的判断基础,可以对模型训练收敛条件进行准确判断,提高获得的模型精度。
作为又一个实施例,在判断是否满足检测模型收敛条件时,还可以通过迭代次数对模型训练过程进行约束。该方法还可以包括:
获取预设的最大迭代次数;
判断检测模型当前训练次数是否达到最大迭代次数。
若达到最大迭代次数,则确定满足检测模型收敛条件,停止执行循环训练。
若未达到最大迭代次数,则确定不满足检测模型收敛条件,继续执行循环训练。
在以迭代次数作为收敛条件时,在模型收敛之后,可以从每次迭代获得的第一损失值以及第二损失值之和中选择损失值之和最小的损失值,以该最小的损失值对应的当前基准检测模型以及当前影子检测模型作为模型训练结果。
本公开实施例中,对检测模型进行收敛条件判断时,可以采用最大迭代次数对训练次数进行约束,可以确保在达到最大迭代次数时,即停止模型训练,避免模型出现无效训练,提高模型训练效率。
如图4所示,为根据本公开第四实施例提供的检测模型训练方法的流程图,该方法可以包括以下几个步骤:
401:对多个原始无标签图像分别进行第一变形处理,获得多个原始无标签图像分别对应的第一变形图像。
本公开实施例中部分步骤与前述实施例中部分步骤相同,为了描述的简洁性考虑在此不再赘述。
第一变形处理的变形程度小于第二变形处理。
第一变形处理对原始无标签图像的目标检测结果无影响。例如第一变形处理可以包括对原始无标签图像进行光照变化、天气变化等对目标检测结果无影响或者影响较小的变化。
402:对多个原始无标签图像分别进行第二变形处理,获得多个原始无标签图像分别对应的第二变形图像。
第二变形处理对原始无标签图像的目标对象无影响,但是可能会对目标检测结果产生影响。例如第一变形处理可以包括对原始无标签图像进行随机噪声的添加,非目标区域的干扰对象的添加等,可能会因噪声或者干扰对象的增加而导致图像检测结果不准确。
403:确定多个原始无标签图像分别对应的第一变形图像以及第二变形图像构成的多个变形图像对。多个变形图像对划分为两组;每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度。
404:循环执行以下操作,直到满足检测模型收敛条件为止:
405:基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型。
406:基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型;当前基准检测模型与当前影子检测模型的网络结构相同。
本公开实施例中,在获取变形图像对时,可以分别对多个原始无标签图像分别进行第一变形处理以及第二变形处理,获得每个原始无标签图像分别对应的第一变形图像以及第二变形图像,每个原始无标签图像分别对应的第一变形图像以及第二变形图像即构成一变形图像对,实现对同一原始无标签图像的双变形,以使得变形图像对中的第一变形图像以及第二变形图像可以共享图像标签,实现对后续检测模型的交叉训练,对无监督检测模型的训练提供了训练基础,以获得准确的基准检测模型或者影子检测模型。
作为一个实施例,对多个原始无标签图像分别进行第一变形处理,获得多个原始无标签图像分别对应的第一变形图像,可以包括:
对多个原始无标签图像分别进行图像翻转处理,获得多个原始无标签图像分别对应的第一变形图像。
本公开实施例中,采用图像翻转处理对多个原始无标签图像进行第一变形处理,以获得多个原始无标签图像分别对应的第一变形图像,使得多个第一变形图像的图像检测结果可以与对应的原始无标签图像的检测结果相似,以获得准确的图像伪标签,对后续的模型训练精度准确提升。
作为又一个实施例,对多个原始无标签图像分别进行第二变形处理,获得多个原始图像分别对应的第二变形图像,可以包括:
确定原始无标签图像的待替换区域;待提取区域属于非目标区域;
将待替换区域中的像素进行像素替换处理,获得目标替换区域。
基于原始无标签图像中的未替换区域以及目标替换区域,生成原始无标签图像的第二变形图像。
本公开实施例中,采用图像像素的替换方式,对原始无标签图像的第二变形图像进行替换,以获得多个原始无标签图像分别对应的第二变形图像,使得多个第二变形图像可以作为模型训练的样本,结合第一变形图像的检测结果对应的伪标签,对后续的模型训练精度准确提升。
如图5所示,为根据本公开第五实施例提供的目标检测方法的流程图,该方法可以包括以下几个步骤:
501:确定待检测图像以及基于本公开实施例提供的检测模型训练方法获得的影子检测模型或者基准检测模型。
502:将待检测图像输入影子检测模型,获得第一目标检测结果。或者,
503:将待检测图像输入基准检测模型,获得第二目标检测结果。
在实际应用中,检测模型例如可以为分类模型。将待检测图像输入影子检测模型可以获得第一分类结果。将待检测图像输入基准检测模型可以获得第二分类结果。
本公开实施例中,获取待检测图像之后,通过获取影子检测模型以及基准检测模型,可以将待检测图像输入到影子检测模型或者基准检测模型,进行目标检测,以获得影子检测模型检测获得的第一目标检测结果,以及基准检测模型检测获得的第二目标检测结果,实现对待检测图像的准确检测。
如图6所示,为根据本公开第六实施例提供的检测模型训练装置的结构示意图,模型训练装置600可以包括以下几个单元:
图像变形单元601:用于获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对;多个变形图像对划分为两组;每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度;
循环判断单元602:用于循环执行以下操作,直到满足检测模型收敛条件为止;
第一训练单元603:用于基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;
第二训练单元604:用于基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型;当前基准检测模型与当前影子检测模型的网络结构相同。
作为一个实施例,第一训练单元,包括:
第一训练模块,用于采用当前基准检测模型对第一组变形图像对中第一变形图像进行检测,将检测获得的第一伪标签,作为第一组变形图像对中的第二变形图像的伪标签,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;
第二训练单元,包括:
第二训练模块,用于采用当前影子检测模型对第二组变形图像对中第一变形图像进行检测,将检测获得的第二伪标签,作为第二组变形图像对中的第二变形图像的伪标签,对待优化参数的基准检测模型进行训练,获得当前基准检测模型。
在一种可能的设计中,第一训练模块,包括:
第一选择子模块,用于对待优化参数的影子检测模型进行模型初始化,获得候选影子检测模型;
第一预测子模块,用于将第一组变形图像对中的第二变形图像,输入候选影子检测模型,获得第一预测标签;
第一计算子模块,用于基于第二变形图像对应的第一伪标签以及第一预测标签,对候选影子检测模型进行模型损失计算,获得第一损失值;
第一处理子模块,用于若确定第一损失值小于或等于预设第一损失阈值,则确定候选影子检测模型为当前影子检测模型;
第二处理子模块,用于若确定第一损失值大于第一损失阈值,则更新候选影子检测模型的模型参数,返回执行第一预测子模块。
在又一种可能的设计中,第二训练模块,包括:
第二选择子模块,用于对待优化参数的基准检测模型进行模型初始化,获得候选基准检测模型;
第二预测子模块,用于将第二组变形图像对中的第二变形图像,输入候选基准检测模型,获得第二预测标签;
第二计算子模块,用于基于第二变形图像对应的第二伪标签以及第二预测标签,对候选基准检测模型进行模型损失计算,获得第二损失值;
第三处理子模块,用于若确定第二损失值小于或等于预设第二损失阈值,则确定候选基准检测模型为当前基准检测模型;
第四处理子模块,用于若确定第二损失值大于预设第二损失阈值,则更新候选基准检测模型的模型参数,返回执行第二预测子模块。
作为一种可选实施方式,循环判断单元,包括:
损失计算模块,用于基于第一损失值以及第二损失值,计算当前基准检测模型以及当前影子检测模型对应的总损失值;
第一判断单元,用于根据总损失值判断检测模型是否满足收敛条件;
第一处理单元,用于若总损失值小于或等于预设第三损失阈值,则确定满足检测模型收敛条件,停止执行循环训练;
第二处理单元,用于若总损失值大于预设第三损失阈值,则确定不满足检测模型收敛条件,继续执行循环训练。
作为又一种可选实施方式,还包括:
迭代获取单元,用于获取预设的最大迭代次数;
第二判断单元,用于判断检测模型当前训练次数是否达到最大迭代次数;
第三处理单元,用于若确定达到最大迭代次数,则确定满足检测模型收敛条件,停止执行循环训练;
第四处理单元,用于若确定未达到最大迭代次数,则确定不满足检测模型收敛条件,继续执行循环训练。
作为又一个实施例中,图像变形单元,包括:
第一变形模块,用于对多个原始无标签图像分别进行第一变形处理,获得多个原始无标签图像分别对应的第一变形图像;
第二变形模块,用于对多个原始无标签图像分别进行第二变形处理,获得多个原始无标签图像分别对应的第二变形图像;
图像对确定模块,用于确定多个原始无标签图像分别对应的第一变形图像以及第二变形图像构成的多个变形图像对。
在一种可能的设计中,第一变形模块,包括:
第一变形子模块,用于对多个原始无标签图像分别进行图像翻转处理,获得多个原始无标签图像分别对应的第一变形图像。
在又一种可能的设计中,第二变形模块,包括:
替换确定子模块,用于确定原始无标签图像的待替换区域;待替换区域属于非目标区域;
像素替换子模块,用于将待替换区域中的像素进行像素替换处理,获得目标替换区域;
第二变形子模块,用于基于原始无标签中的未替换区域以及目标替换区域,生成原始无标签图像的第二变形图像。
图6所示的检测模型训练装置可以实现图2等实施例的检测模型训练方法,关于各个单元、模块、子模块所执行的具体内容可以参考方法实施例的具体描述,在此不再赘述。
如图7所示,为根据本公开第七实施例提供的目标检测装置的结构示意图,目标检测装置700可以包括:
第一确定单元701:用于确定待检测图像以及基于上述任一实施例的检测模型训练方法获得的影子检测模型或者基准检测模型;
第一检测单元702:用于将待检测图像输入影子检测模型,获得第一目标检测结果;或者,
第二检测单元703:用于将待检测图像输入基准检测模型,获得第二目标检测结果。
图7所示的目标检测装置可以实现图5所示实施例的目标检测方法,关于各个单元所执行的具体内容可以参考方法实施例的具体描述,在此不再赘述。
需要说明的是,本实施例中的基准检测模型以及影子检测模型并不是针对某一特定用户的人头模型,并不能反映出某一特定用户的个人信息。需要说明的是,本实施例中的原始无标签图像来自于公开数据集。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图8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/或者要求的本公开的实现。
如图8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RAM 803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,例如检测模型训练方法。例如,在一些实施例中,检测模型训练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模型训练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模型训练方法。
此外,如图9所示,本公开实施例还提供一种用来实现本公开实施例提供的目标检测方法的电子设备900的框图。其中,电子设备900可以包括:计算单元901、ROM902,RAM903、总线904、I/O接口905、输入单元906、输出单元907、存储单元908以及通信单元909。电子设备900的具体结构与电子设备800相同,可以参考电子设备800的详细描述,在此不再赘述。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发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公开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 (24)
1.一种检测模型训练方法,包括:
获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对;多个变形图像对划分为两组;每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度;
循环执行以下操作,直到满足检测模型收敛条件为止:
基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;
基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型;所述当前基准检测模型与所述当前影子检测模型的网络结构相同。
2.根据权利要求1所述的方法,其中,所述基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型,包括:
采用当前基准检测模型对第一组变形图像对中第一变形图像进行检测,将检测获得的第一伪标签,作为所述第一组变形图像对中的第二变形图像的伪标签,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;
所述基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型,包括:
采用当前影子检测模型对第二组变形图像对中第一变形图像进行检测,将检测获得的第二伪标签,作为所述第二组变形图像对中的第二变形图像的伪标签,对待优化参数的基准检测模型进行训练,获得当前基准检测模型。
3.根据权利要求2所述的方法,其中,所述将检测获得的第一伪标签,作为所述第一组变形图像对中的第二变形图像的伪标签,对待优化参数的影子检测模型进行训练,获得当前影子检测模型,包括:
对待优化参数的影子检测模型进行模型初始化,获得候选影子检测模型;
将所述第一组变形图像对中的第二变形图像,输入所述候选影子检测模型,获得第一预测标签;
基于所述第二变形图像对应的第一伪标签以及第一预测标签,对所述候选影子检测模型进行模型损失计算,获得第一损失值;
若确定所述第一损失值小于或等于预设第一损失阈值,则确定所述候选影子检测模型为当前影子检测模型;
若确定所述第一损失值大于所述第一损失阈值,则更新所述候选影子检测模型的模型参数,返回执行所述将所述第一组变形图像对中的第二变形图像,输入候选影子检测模型,获得预测标签的步骤继续执行。
4.根据权利要求3所述的方法,其中,所述将检测获得的第二伪标签,作为所述第二组变形图像对中的第二变形图像的伪标签,对待优化参数的基准检测模型进行训练,获得当前基准检测模型,包括:
对待优化参数的基准检测模型进行模型初始化,获得候选基准检测模型;
将所述第二组变形图像对中的第二变形图像,输入所述候选基准检测模型,获得第二预测标签;
基于所述第二变形图像对应的第二伪标签以及第二预测标签,对所述候选基准检测模型进行模型损失计算,获得第二损失值;
若确定所述第二损失值小于或等于预设第二损失阈值,则确定所述候选基准检测模型为当前基准检测模型;
若确定所述第二损失值大于预设第二损失阈值,则更新所述候选基准检测模型的模型参数,返回执行所述将所述第二组变形图像对中的第二变形图像,输入所述候选基准检测模型,获得第二预测标签的步骤继续执行。
5.根据权利要求4所述的方法,还包括:
基于所述第一损失值以及所述第二损失值,计算所述当前基准检测模型以及所述当前影子检测模型对应的总损失值;
根据所述总损失值判断所述检测模型是否满足收敛条件;
若所述总损失值小于或等于预设第三损失阈值,则确定满足检测模型收敛条件,停止执行循环训练;
若所述总损失值大于预设第三损失阈值,则确定不满足检测模型收敛条件,继续执行循环训练。
6.根据权利要求1-4任一项所述的方法,还包括:
获取预设的最大迭代次数;
判断检测模型当前训练次数是否达到最大迭代次数;
若确定达到最大迭代次数,则确定满足检测模型收敛条件,停止执行循环训练;
若确定未达到最大迭代次数,则确定不满足检测模型收敛条件,继续执行循环训练。
7.根据权利要求1-5任一项所述的方法,其中,所述获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对,包括:
对多个所述原始无标签图像分别进行第一变形处理,获得多个所述原始无标签图像分别对应的第一变形图像;
对多个所述原始无标签图像分别进行第二变形处理,获得多个所述原始无标签图像分别对应的第二变形图像;
确定多个所述原始无标签图像分别对应的第一变形图像以及第二变形图像构成的多个所述变形图像对。
8.根据权利要求7所述的方法,其中,所述对多个所述原始无标签图像分别进行第一变形处理,获得多个所述原始无标签图像分别对应的第一变形图像包括:
对多个所述原始无标签图像分别进行图像翻转处理,获得多个所述原始无标签图像分别对应的第一变形图像。
9.根据权利要求7所述的方法,其中,所述对多个所述原始无标签图像分别进行第二变形处理,获得多个所述原始无标签图像分别对应的第二变形图像,包括:
确定所述原始无标签图像的待替换区域;所述待替换区域属于非目标区域;
将待替换区域中的像素进行像素替换处理,获得目标替换区域;
基于所述原始无标签中的未替换区域以及所述目标替换区域,生成所述原始无标签图像的第二变形图像。
10.一种目标检测方法,包括:
确定待检测图像以及基于权利要求1-9任一项所述的检测模型训练方法获得的影子检测模型或者基准检测模型;
将所述待检测图像输入所述影子检测模型,获得第一目标检测结果;
或者将所述待检测图像输入所述基准检测模型,获得第二目标检测结果。
11.一种检测模型训练装置,包括:
图像变形单元,用于获取对多个原始无标签图像分别进行两种程度变形处理后的多个变形图像对;多个变形图像对划分为两组;每个变形图像对中的第一变形图像的变形程度低于第二变形图像的变形程度;
循环判断单元,用于循环执行以下操作,直到满足检测模型收敛条件为止;
第一训练单元,用于基于第一组变形图像对和当前基准检测模型,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;
第二训练单元,用于基于第二组变形图像对和当前影子检测模型,对待优化参数的基准检测模型进行训练,获得当前基准检测模型;所述当前基准检测模型与所述当前影子检测模型的网络结构相同。
12.根据权利要求11所述的装置,其中,所述第一训练单元,包括:
第一训练模块,用于采用当前基准检测模型对第一组变形图像对中第一变形图像进行检测,将检测获得的第一伪标签,作为所述第一组变形图像对中的第二变形图像的伪标签,对待优化参数的影子检测模型进行训练,获得当前影子检测模型;
所述第二训练单元,包括:
第二训练模块,用于采用当前影子检测模型对第二组变形图像对中第一变形图像进行检测,将检测获得的第二伪标签,作为所述第二组变形图像对中的第二变形图像的伪标签,对待优化参数的基准检测模型进行训练,获得当前基准检测模型。
13.根据权利要求12所述的装置,其中,所述第一训练模块,包括:
第一选择子模块,用于对待优化参数的影子检测模型进行模型初始化,获得候选影子检测模型;
第一预测子模块,用于将所述第一组变形图像对中的第二变形图像,输入所述候选影子检测模型,获得第一预测标签;
第一计算子模块,用于基于所述第二变形图像对应的第一伪标签以及第一预测标签,对所述候选影子检测模型进行模型损失计算,获得第一损失值;
第一处理子模块,用于若确定所述第一损失值小于或等于预设第一损失阈值,则确定所述候选影子检测模型为当前影子检测模型;
第二处理子模块,用于若确定所述第一损失值大于所述第一损失阈值,则更新所述候选影子检测模型的模型参数,返回执行第一预测子模块。
14.根据权利要求13所述的装置,其中,所述第二训练模块,包括:
第二选择子模块,用于对待优化参数的基准检测模型进行模型初始化,获得候选基准检测模型;
第二预测子模块,用于将所述第二组变形图像对中的第二变形图像,输入所述候选基准检测模型,获得第二预测标签;
第二计算子模块,用于基于所述第二变形图像对应的第二伪标签以及第二预测标签,对所述候选基准检测模型进行模型损失计算,获得第二损失值;
第三处理子模块,用于若确定所述第二损失值小于或等于预设第二损失阈值,则确定所述候选基准检测模型为当前基准检测模型;
第四处理子模块,用于若确定所述第二损失值大于预设第二损失阈值,则更新所述候选基准检测模型的模型参数,返回执行第二预测子模块。
15.根据权利要求14所述的装置,其中,所述循环判断单元,包括:
损失计算模块,用于基于所述第一损失值以及所述第二损失值,计算所述当前基准检测模型以及所述当前影子检测模型对应的总损失值;
第一判断单元,用于根据所述总损失值判断所述检测模型是否满足收敛条件;
第一处理单元,用于若所述总损失值小于或等于预设第三损失阈值,则确定满足检测模型收敛条件,停止执行循环训练;
第二处理单元,用于若所述总损失值大于预设第三损失阈值,则确定不满足检测模型收敛条件,继续执行循环训练。
16.根据权利要求11-14任一项所述的装置,还包括:
迭代获取单元,用于获取预设的最大迭代次数;
第二判断单元,用于判断检测模型当前训练次数是否达到最大迭代次数;
第三处理单元,用于若确定达到最大迭代次数,则确定满足检测模型收敛条件,停止执行循环训练;
第四处理单元,用于若确定未达到最大迭代次数,则确定不满足检测模型收敛条件,继续执行循环训练。
17.根据权利要求11-15任一项所述的装置,其中,所述图像变形单元,包括:
第一变形模块,用于对多个所述原始无标签图像分别进行第一变形处理,获得多个所述原始无标签图像分别对应的第一变形图像;
第二变形模块,用于对多个所述原始无标签图像分别进行第二变形处理,获得多个所述原始无标签图像分别对应的第二变形图像;
图像对确定模块,用于确定多个所述原始无标签图像分别对应的第一变形图像以及第二变形图像构成的多个所述变形图像对。
18.根据权利要求17所述的装置,其中,所述第一变形模块,包括:
第一变形子模块,用于对多个所述原始无标签图像分别进行图像翻转处理,获得多个所述原始无标签图像分别对应的第一变形图像。
19.根据权利要求17所述的装置,其中,所述第二变形模块,包括:
替换确定子模块,用于确定所述原始无标签图像的待替换区域;所述待替换区域属于非目标区域;
像素替换子模块,用于将待替换区域中的像素进行像素替换处理,获得目标替换区域;
第二变形子模块,用于基于所述原始无标签中的未替换区域以及所述目标替换区域,生成所述原始无标签图像的第二变形图像。
20.一种目标检测装置,包括:
第一确定单元,用于确定待检测图像以及基于权利要求1-9任一项所述的检测模型训练方法获得的影子检测模型或者基准检测模型;
第一检测单元,用于将所述待检测图像输入所述影子检测模型,获得第一目标检测结果;或者,
第二检测单元,用于将所述待检测图像输入所述基准检测模型,获得第二目标检测结果。
21.一种电子设备,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1-9中任一项所述的方法。
22.一种电子设备,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10所述的方法。
23.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求10所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112008.1A CN114511743B (zh) | 2022-01-29 | 2022-01-29 | 检测模型训练、目标检测方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210112008.1A CN114511743B (zh) | 2022-01-29 | 2022-01-29 | 检测模型训练、目标检测方法、装置、设备、介质及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511743A CN114511743A (zh) | 2022-05-17 |
CN114511743B true CN114511743B (zh) | 2023-07-25 |
Family
ID=81552469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210112008.1A Active CN114511743B (zh) | 2022-01-29 | 2022-01-29 | 检测模型训练、目标检测方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511743B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115936980B (zh) * | 2022-07-22 | 2023-10-20 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN115471717B (zh) * | 2022-09-20 | 2023-06-20 | 北京百度网讯科技有限公司 | 模型的半监督训练、分类方法装置、设备、介质及产品 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947571A (zh) * | 2021-09-30 | 2022-01-18 | 北京百度网讯科技有限公司 | 车辆损伤检测模型的训练方法及车辆损伤识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560996B (zh) * | 2020-12-24 | 2024-03-05 | 北京百度网讯科技有限公司 | 用户画像识别模型训练方法、设备、可读存储介质及产品 |
CN113033566B (zh) * | 2021-03-19 | 2022-07-08 | 北京百度网讯科技有限公司 | 模型训练方法、识别方法、设备、存储介质及程序产品 |
CN113298159A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技(深圳)有限公司 | 目标检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-29 CN CN202210112008.1A patent/CN114511743B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947571A (zh) * | 2021-09-30 | 2022-01-18 | 北京百度网讯科技有限公司 | 车辆损伤检测模型的训练方法及车辆损伤识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114511743A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657390B (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN112560996B (zh) | 用户画像识别模型训练方法、设备、可读存储介质及产品 | |
CN114677565B (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN115546488B (zh) | 信息分割方法、信息提取方法和信息分割模型的训练方法 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN115565177B (zh) | 文字识别模型训练、文字识别方法、装置、设备及介质 | |
CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN112966744A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114495101A (zh) | 文本检测方法、文本检测网络的训练方法及装置 | |
CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
CN115273148A (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN113935482A (zh) | 一种行人再识别网络的训练方法及装置 | |
CN113379592A (zh) | 图片中敏感区域的处理方法、装置和电子设备 | |
CN114612651B (zh) | Roi检测模型训练方法、检测方法、装置、设备和介质 | |
CN114973333B (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN113642495B (zh) | 用于评价时序提名的模型的训练方法、设备、程序产品 |
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 |