CN115170887B - 目标检测模型训练方法、目标检测方法及其装置 - Google Patents

目标检测模型训练方法、目标检测方法及其装置 Download PDF

Info

Publication number
CN115170887B
CN115170887B CN202210873466.7A CN202210873466A CN115170887B CN 115170887 B CN115170887 B CN 115170887B CN 202210873466 A CN202210873466 A CN 202210873466A CN 115170887 B CN115170887 B CN 115170887B
Authority
CN
China
Prior art keywords
sample object
sample
domain
decoder
prediction
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
Application number
CN202210873466.7A
Other languages
English (en)
Other versions
CN115170887A (zh
Inventor
谌强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210873466.7A priority Critical patent/CN115170887B/zh
Publication of CN115170887A publication Critical patent/CN115170887A/zh
Application granted granted Critical
Publication of CN115170887B publication Critical patent/CN115170887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及人工智能技术领域，尤其涉及图像处理、计算机视觉和深度学习等技术领域，可应用于智慧城市等场景。提供了一种目标检测模型训练方法和目标检测方法。该目标检测方法包括：将目标图像输入目标检测模型；获取所述目标图像的针对多个预设对象的预测结果，所述预测结果包括每一预设对象的域标签、类别及其类别置信度、以及预测边界框及其位置置信度，其中，所述目标检测模型采用本公开所描述的目标检测模型训练方法来训练得到。

Description

目标检测模型训练方法、目标检测方法及其装置
技术领域
本公开涉及人工智能技术领域，尤其涉及图像处理、计算机视觉和深度学习等技术领域，可应用于智慧城市等场景，具体涉及一种目标检测模型训练方法、目标检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
对于计算机视觉算法来说，在多个不同场景都能保持稳定的模型精度是一个刚需。然而，在实际应用中，由于训练集中的数据有限，无法囊括所有情况，从而导致训练得到的模型往往都会偏向训练集中的场景。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种目标检测模型训练方法、目标检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种目标检测模型的训练方法，所述目标检测模型包括级联的编码器、第一解码器和第一预测层，包括：
获取样本图像中真实域标签为源域的第一样本对象、真实域标签为目标域的第二样本对象、所述第一样本对象的真实类别、以及所述第一样本对象和所述第二样本对象各自的真实边界框；
将所述样本图像输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量；
将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量；
将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第一预测层，获得所述第一样本对象和所述第二样本对象各自的第一预测域标签和第一预测边界框，以及所述第一样本对象的第一预测类别；
基于所述第一样本对象的第一预测域标签和真实域标签、所述第二样本对象的第一预测域标签和真实域标签、所述第一样本对象的第一预测边界框和真实边界框、所述第二样本对象的第一预测边界框和真实边界框，以及所述第一样本对象的真实类别和第一预测类别，计算第一损失值；以及
基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数。
根据本公开的另一方面，提供了一种目标检测方法，包括：
将目标图像输入目标检测模型；获得所述目标图像的针对多个预设对象的预测结果，所述预测结果包括每一预设对象的域标签、类别及其类别置信度、以及预测边界框及其位置置信度，
其中，所述目标检测模型采用根据上述的训练方法来训练得到。
根据本公开的另一方面，提供了一种目标检测模型的训练装置，所述目标检测模型包括级联的编码器、第一解码器和第一预测层，所述训练装置包括：
第一获取模块，所述第一获取模块被配置为获取样本图像中真实域标签为源域的第一样本对象、真实域标签为目标域的第二样本对象、所述第一样本对象的真实类别、以及所述第一样本对象和所述第二样本对象各自的真实边界框；
第二获取模块，所述第二获取模块被配置为将所述样本图像输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量；
第三获取模块，所述第三获取模块被配置为将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量；
第四获取模块，所述第四获取模块被配置为将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第一预测层，获得所述第一样本对象和所述第二样本对象各自的第一预测域标签和第一预测边界框，以及所述第一样本对象的第一预测类别；
第一计算模块，所述计算模块被配置为基于所述第一样本对象的第一预测域标签和真实域标签、所述第二样本对象的第一预测域标签和真实域标签、所述第一样本对象的第一预测边界框和真实边界框、所述第二样本对象的第一预测边界框和真实边界框，以及所述第一样本对象的真实类别和第一预测类别，计算第一损失值；以及
第一调整模块，所述调整模块被配置为基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数。
根据本公开的另一方面，提供了一种目标检测装置，所述目标检测装置包括：
输入模块，所述输入模块被配置为将目标图像输入目标检测模型；
获取模块，所述获取模块被配置为获得所述目标图像的针对多个预设对象的预测结果，所述预测结果包括每一预设对象的域标签、类别及其类别置信度、以及预测边界框及其位置置信度，
其中，所述目标检测模型采用根据上述的训练方法来训练得到。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与该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该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行根据上述的方法。
根据本公开的另一方面，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，其中，该计算机指令用于使计算机执行根据上述的方法。
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，其中，该计算机程序在被处理器执行时实现根据上述的方法。
根据本公开的一个或多个实施例，可以将图像中的域信息与物体语义信息进行解耦，从而使得模型能够训练得更鲁棒、更能关注物体并减小域变化对模型的影响。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的目标检测模型的训练方法的流程图；
图3示出了根据本公开的实施例的目标检测模型的训练方法中获取第一域解码向量和第一对象解码向量的过程的流程图；
图4示出了根据本公开的实施例的目标检测模型的训练方法中调整所述第二解码器和第二预测层的参数的过程的流程图；
图5示出了根据本公开的实施例的目标检测模型的训练方法中获取第一域解码向量和第一对象解码向量的另一过程的流程图；
图6示出了根据本公开的实施例的目标检测模型的示意图；
图7示出了根据本公开的实施例的目标检测模型的训练装置的结构框图；
图8示出了根据本公开的实施例的目标检测装置的结构框图；
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行目标检测模型训练方法和/或目标检测方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来对目标检测模型进行训练和/或进行目标检测。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
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。
对于计算机视觉算法来说，在多个不同场景都能保持稳定的模型精度是一个刚需。然而，在实际应用中，由于训练集中的数据有限，无法囊括所有情况，从而导致训练得到的模型往往都会偏向训练集中的场景。
现有的方法大多基于CNN的检测框架，解决方案本身相对较为复杂，需要对图像中不同的部分进行特殊处理，来防止模型过拟合数据，模型推理的效果不佳。
对此，本公开提供了一种目标检测模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。图2示出了根据本公开的实施例的目标检测模型的训练方法200的流程图。方法200可以在服务器(例如图1中所示的服务器120)处执行，也可以在客户端设备(例如图1中所示的任何客户端设备101-106)处执行。也即，方法200的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和/或106。在本申请的实施例中，目标检测模型包括级联的编码器、第一解码器和第一预测层。
如图2所示，方法200包括：
步骤S201：获取样本图像中真实域标签为源域的第一样本对象、真实域标签为目标域的第二样本对象、所述第一样本对象的真实类别、以及所述第一样本对象和所述第二样本对象各自的真实边界框；
步骤S202：将所述样本图像输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量；
步骤S203：将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量；
步骤S204：将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第一预测层，获得所述第一样本对象和所述第二样本对象各自的第一预测域标签和第一预测边界框，以及所述第一样本对象的第一预测类别；
步骤S205：基于所述第一样本对象的第一预测域标签和真实域标签、所述第二样本对象的第一预测域标签和真实域标签、所述第一样本对象的第一预测边界框和真实边界框、所述第二样本对象的第一预测边界框和真实边界框，以及所述第一样本对象的真实类别和第一预测类别，计算第一损失值；以及
步骤S206：基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数。
当前针对目标检测的现有技术大多基于CNN的检测框架，解决方案本身相对较为复杂，需要对图像中不同的部分进行特殊处理，来防止模型过拟合数据，模型推理的效果不佳。对此，上述方法200能够将图像中的域信息与物体语义信息进行解耦，从而使得模型能够训练得更鲁棒、更能关注物体并减小域变化对模型的影响。
在步骤S201中，源域中有着丰富的监督学习信息，目标域通常无标签或者只含有少量的标签。源域和目标域往往是同一类任务，但是分布不同。
在机器学习模型中，训练数据集和测试集可能有着巨大差异，很容易出现过拟合的现象，使得训练的模型在测试集上表现不理想。例如，假设训练数据集是各种英短蓝猫，而想训练得到可以区分田园猫的模型，该模型相比于英短蓝猫识别情况性能会下降。当训练数据集和测试数据集分布不一致的情况下，通过在训练数据集上按经验误差最小准则训练得到的模型在测试数据集上性能不佳。因此，引入了域适应技术。域适应技术是迁移学习中比较流行的一个分支，它是通过利用训练数据集训练得到的知识，提高模型在测试数据集上的表现性能。在这种情况下，源域对应训练数据集，目标域对应测试集。
在步骤S202中，域编码向量和对象编码向量可分别指代与图像中的域信息和对象信息相关联的参数。在一些示例中，可按照高斯分布对域编码向量和对象编码向量进行初始化。然而，也可按照其他分布对域编码向量和对象编码向量进行初始化，这对于本领域技术人员而言是显见的。
在步骤S203中，所获取的第一样本对象和第二样本对象各自的第一域解码向量和第一对象解码向量用于获取第一样本对象和第二样本对象各自的第一预测域标签和第一预测边界框，以及第一样本对象的第一预测类别。
在步骤S204中，在目标检测模型是神经网络的情况下，第一预测层例如可以是前馈网络。
在一些实施例中，第一预测边界框的大小可被设定成与相应对象的真实边界框的大小相等。
在步骤S205中，第一损失值可包括表征第一样本对象的第一预测域标签与真实域标签之间的差异的第一子损失值、表征第二样本对象的第一预测域标签与真实域标签之间的差异的第二子损失值、表征第一样本对象的第一预测边界框与真实边界框之间的差异的第三子损失值、表征第二样本对象的第一预测边界框与真实边界框之间的差异的第四子损失值、以及表征第一样本对象的真实类别与第一预测类别之间的差异的第五子损失值。在一些示例中，上述子损失值可以按不同权重组合成第一损失值，以整体上表征目标检测模型的训练过程中的训练误差。在另一些示例中，上述子损失值可以是相互独立的，以分别从不同方面表征目标检测模型的训练过程中的训练误差。
在步骤S206中，在目标检测模型是神经网络的情况下，基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数可利用例如梯度下降法、反向传播法等。
在本申请的实施例中，上述方法还包括：基于所述第一样本对象的真实边界框，获取所述样本图像的第一前景掩膜图像和第一背景掩膜图像，其中，所述第一样本对象位于所述第一前景掩膜图像中，所述第二样本对象位于所述第一背景掩膜图像中。进一步地，将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量包括：将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量，以及所述第一前景掩膜图像和第一背景掩膜图像输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量。
申请人注意到，对于图像而言，域信息大多存在于图像背景中，而与物体相关的信息则基本上存在于物体所占驻的位置。因此，通过引入前景掩膜图像和背景掩膜图像能够更加关注背景掩膜图像中的域信息，实现注意力机制。
由此，能够诉诸于样本图像的第一背景掩膜图像和第一前景掩膜图像来提升第一域解码向量和第一对象解码向量中关于样本图像的域信息和对象信息的有效信息载荷，从而提高目标检测模型的预测准确度。
图3示出了根据本公开的实施例的目标检测模型的训练方法中获取第一域解码向量和第一对象解码向量的过程300的流程图。过程300可以在服务器(例如图1中所示的服务器120)处执行，也可以在客户端设备(例如图1中所示的任何客户端设备101-106)处执行。也即，过程300的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和/或106。在本申请的实施例中，所述目标检测模型中的所述第一解码器包括第一子解码器和第二子解码器。过程300具体表现为将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量。
如图3所示，过程300包括：
步骤S301：将所述第一样本对象和所述第二样本对象各自的域编码向量，以及所述背景掩膜图像输入第一子解码器，获得第一域解码向量；以及
步骤S302：将所述第一样本对象和所述第二样本对象各自的对象编码向量，以及所述前景掩膜图像输入所述第二子解码器，并获取第二子解码器所输出的第一对象解码向量。
由此，通过将样本图像的前景掩膜图像和背景掩膜图像两者作为对对象编码向量和域编码向量的补充而输入到子解码器中，使得图像中的前景或背景参与到对应的编码向量的更新，能够有效提升藉此获取得到的第一样本对象和第二样本对象各自的第一预测域标签和第一预测边界框以及第一样本对象的第一预测类别的预测准确度。
在本申请的实施例中，所述目标检测模型包括级联的多个解码器，所述多个解码器包括所述第一解码器，并且级联的所述多个解码器中下一级解码器的输入为上一级解码器的输出。由此，通过增加级联的解码器，从图像中提取出愈加复杂的特征信息，从而使得训练得到的目标检测模型能够做出更准确的推理。
图4示出了根据本公开的实施例的目标检测模型的训练方法中调整所述第二解码器和第二预测层的参数的过程400的流程图。过程400可以在服务器(例如图1中所示的服务器120)处执行，也可以在客户端设备(例如图1中所示的任何客户端设备101-106)处执行。也即，过程400的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和/或106。在本申请的实施例中，所述多个解码器包括第二解码器，并且所述目标检测模型还包括与所述第二解码器级联的第二预测层。
如图4所示，过程400包括：
步骤S401：将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量；
步骤S402：将所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量输入第二预测层，获得所述第一样本对象和所述第二样本对象各自的第二预测域标签和第二预测边界框，以及所述第一样本对象的第二预测类别；
步骤S403：基于所述第一样本对象的第二预测域标签和真实域标签、所述第二样本对象的第二预测域标签和真实域标签、所述第一样本对象的第二预测边界框和真实边界框、所述第二样本对象的第二预测边界框和真实边界框，以及所述第一样本对象的真实类别和第二预测类别，计算第二损失值；以及
步骤S404：基于所述第二损失值调整所述第二解码器和第二预测层的参数。
由此，通过在目标检测模型中构造级联的两层编解码器结构，能够从图像中提取出相比于目标检测模型只包括一层编解码器结构的情况而言更为复杂且丰富的特征信息，从而使得训练得到的目标检测模型做出更准确的推理，并且因此目标检测模型的推理性能更佳。
在本申请的实施例中，基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数包括：基于所述第一损失值和第二损失值调整所述编码器、第一解码器和第一预测层的参数。由此，通过将两层编解码器的下游处所获得的两个损失值在目标检测模型中向前回传，能够更有效地修正内部模型参数，从而避免一些内部模型参数陷入局部极值而非取得全局极值的情况发生。
在本申请的实施例中，上述方法还包括：基于所述第一样本对象的第一预测边界框，获取所述样本图像的第二前景掩膜图像和第二背景掩膜图像。进一步地，将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量包括：将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量，以及所述第二前景掩膜图像和第二背景掩膜图像输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量。由此，能够诉诸于样本图像的第二背景掩膜图像和第二前景掩膜图像来提升第二域解码向量和第一对象解码向量中关于样本图像的域信息和对象信息的有效信息载荷，从而进一步提高目标检测模型的预测准确度。
图5示出了根据本公开的实施例的目标检测模型的训练方法中获取第一域解码向量和第一对象解码向量的另一过程500的流程图。过程500可以在服务器(例如图1中所示的服务器120)处执行，也可以在客户端设备(例如图1中所示的任何客户端设备101-106)处执行。也即，过程500的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和/或106。在本申请的实施例中，所述第二解码器包括第一子解码器和第二子解码器。过程500具体表现为将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量，以及所述第二前景掩膜图像和第二背景掩膜图像输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量。
如图5所示，过程500包括：
步骤S501：将所述第一样本对象和所述第二样本对象各自的第一域解码向量，以及所述背景掩膜图像输入所述第二解码器的第一子解码器，并获取所述第二解码器的第一子解码器所输出的第二域解码向量；以及
步骤S502：将所述第一样本对象和所述第二样本对象各自的第一对象解码向量，以及所述前景掩膜图像输入所述第二解码器的第二子解码器，并获取所述第二解码器的第二子解码器所输出的第二对象解码向量。
由此，通过将样本图像的第二前景掩膜图像和第二背景掩膜图像两者作为对对象编码向量和域编码向量的补充而输入到子解码器中，能够有效提升藉此获取得到的第一样本对象和第二样本对象各自的第二预测域标签和第二预测边界框以及第一样本对象的第二预测类别的预测准确度。
在本申请的实施例中，将所述样本图像输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量包括：获取所述样本图像的样本特征图；以及将所述样本特征图输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量。由此，相比于域编码向量和对象编码向量被随机初始化的情形而言，通过将图像特征纳入考虑，能够在一定程度上精简目标检测模型的编解码器层数，有效提升编码器的效率，从而缩短模型的训练时间。
在本申请的实施例中，上述方法还包括获取所述样本图像的样本特征图。进一步地，将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量包括：将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量，以及所述样本特征图输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量。由此，能够诉诸于样本图像的特征图来提升第一域解码向量和第一对象解码向量中关于图像语义信息的有效信息载荷，从而提高目标检测模型的预测准确度。
在本申请的实施例中，当所述第一解码器包括第一子解码器和第二子解码器时，将所述第一样本对象和所述第二样本对象各自的域编码向量，以及所述背景掩膜图像和所述样本特征图输入所述第一解码器的第一子解码器，获得第一域解码向量，并且将所述第一样本对象和所述第二样本对象各自的对象编码向量，以及所述前景掩膜图像和所述样本特征图输入所述第一解码器的第二子解码器，获得第一对象解码向量。
在本申请的实施例中，所述目标检测模型为域适应-检测变换器(DomainAdaptation-Detection Transformer,DA-DETR)。
根据本公开的实施例，还提供了一种目标检测方法，包括：将目标图像输入目标检测模型，并获取所述目标检测模型所输出的所述目标样本图像的针对多个预设对象的预测结果，所述预测结果包括每一预设对象的域标签、类别及其类别置信度、以及预测边界框及其位置置信度，其中，所述目标检测模型采用根据上述的训练方法来训练得到。
参考图6，示出了根据本公开的实施例的目标检测模型600的示意图。
需要注意的是，尽管图6以DA-DETR模型为例描绘了输入输出数据以及数据流，但是本领域技术人员容易理解，其他神经网络模型也能够实施本公开所描述的上述任何方法或过程。作为示例，图像特征(即样本特征图)可对应于输入图像的特征图。DA-DETR模型中的解码器采用变换解码器，可对应于上述方法中的第一解码器。并且预测层可例如对应于上述方法中的第一预测层，其可例如为全连接层或FFN(Feed Forward Network，前馈网络)。作为另一示例，DA-DETR模型的输入可包括域编码向量和对象编码向量，并且由FFN输出的中间结果边界框可对应于第一预测边界框，类别可对应于第一预测类别并且域可对应于第一预测域标签。
在DA-DETR模型中，可在变换解码器中实施交叉注意力机制(cross attention)。在图6中，变换解码器可被实现为第一子解码器和第二子解码器。对于当前层的变换解码器，其输出的经解码的域解码向量和对象解码向量在经过预测层之后所获得的中间结果边界框可用于确定前景和背景掩膜图像，所述掩膜图像被应用于下一层(级)变换解码器的交叉注意力机制，从而获得经解码的域解码向量和对象解码向量。换言之，在DA-DETR模型中，交叉注意力机制是在变换解码器中实现的。
发明人认识到，域信息大多存在于图片背景中，而与物体相关的信息大多存在于物体位置处。所以，如本公开所提出的DA-DETR采取了以循环方式预测边界框的手段，将前一层预测得到的边界框的位置用到下一层的交叉注意力机制中，使得对象解码向量会被前景部分的特征更新，而域解码向量主要是由背景部分的特征来更新的。上述过程是通过两个不同的掩膜来实现的，如图6右侧的两个掩膜所示，其中，白色部分指代图像中可用于更新的位置，而黑色部分指代图像中不会参与更新的位置。如本公开所提出的DA-DETR在网络结构设计上简洁明了，不需要对图像的不同部分做特殊处理，从而可以优雅地提出无监督的目标检测域适应方案。
如图7所示，还提供了一种目标检测模型的训练装置700，所述目标检测模型包括级联的编码器、第一解码器和第一预测层，所述训练装置700包括：第一获取模块701，所述第一获取模块701被配置为获取样本图像中真实域标签为源域的第一样本对象、真实域标签为目标域的第二样本对象、所述第一样本对象的真实类别、以及所述第一样本对象和所述第二样本对象各自的真实边界框；第二获取模块702，所述第二获取模块702被配置为将所述样本图像输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量；第三获取模块703，所述第三获取模块703被配置为将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量；第四获取模块704，所述第四获取模块704被配置为将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第一预测层，获得所述第一样本对象和所述第二样本对象各自的第一预测域标签和第一预测边界框，以及所述第一样本对象的第一预测类别；第一计算模块705，所述计算模块705被配置为基于所述第一样本对象的第一预测域标签和真实域标签、所述第二样本对象的第一预测域标签和真实域标签、所述第一样本对象的第一预测边界框和真实边界框、所述第二样本对象的第一预测边界框和真实边界框，以及所述第一样本对象的真实类别和第一预测类别，计算第一损失值；以及第一调整模块706，所述调整模块706被配置为基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数。
上述训练装置700能够将图像中的域信息与物体语义信息进行解耦，从而使得模型能够训练得更鲁棒、更能关注物体并减小域变化对模型的影响。
根据本申请的一些实施例中，还提供了与上述任一方法和实施例相对应的训练装置，在此不再赘述。
如图8所示，还提供了一种目标检测装置800，所述目标检测装置800包括：输入模块801，所述输入模块801被配置为将目标图像输入目标检测模型；以及获取模块802，所述获取模块802被配置为获取所述目标检测模型所输出的所述目标图像的针对多个预设对象的预测结果，所述预测结果包括每一预设对象的域标签、类别及其类别置信度、以及预测边界框及其位置置信度。进一步地，所述目标检测模型采用根据上述的训练方法来训练得到。
根据本公开的实施例，还提供了能够实施上述任何目标检测模型训练方法和目标检测方法的电子设备、可读存储介质和计算机程序产品。
参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许设备900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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901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901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901执行上文所描述的各个方法和处理，例如方法/过程200-500。例如，在一些实施例中，方法/过程200-500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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法/过程200-500的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法/过程200-500。
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，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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (26)

1.一种图像检测模型的训练方法，所述图像检测模型包括级联的编码器、第一解码器和第一预测层，包括：
获取样本图像中真实域标签为源域的第一样本对象、真实域标签为目标域的第二样本对象、所述第一样本对象的真实类别、以及所述第一样本对象和所述第二样本对象各自的真实边界框，其中，所述源域对应训练图像数据集，目标域对应测试图像数据集；
基于所述第一样本对象的真实边界框，获取所述样本图像的第一前景掩膜图像和第一背景掩膜图像，其中，所述第一样本对象位于所述第一前景掩膜图像中，所述第二样本对象位于所述第一背景掩膜图像中；
将所述样本图像输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量；
将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量，包括：将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量，以及所述第一前景掩膜图像和第一背景掩膜图像输入所述第一解码器，获得所述第一样本对象和所述第二样本对象各自的所述第一域解码向量和第一对象解码向量；
将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第一预测层，获得所述第一样本对象和所述第二样本对象各自的第一预测域标签和第一预测边界框，以及所述第一样本对象的第一预测类别；
基于所述第一样本对象的第一预测域标签和真实域标签、所述第二样本对象的第一预测域标签和真实域标签、所述第一样本对象的第一预测边界框和真实边界框、所述第二样本对象的第一预测边界框和真实边界框，以及所述第一样本对象的真实类别和第一预测类别，计算第一损失值；以及
基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数，获得训练完成的图像检测模型。
2.根据权利要求1所述的方法，其中，所述第一解码器包括第一子解码器和第二子解码器，
将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量包括：
将所述第一样本对象和所述第二样本对象各自的域编码向量，以及所述第一背景掩膜图像输入所述第一子解码器，获得第一域解码向量；以及
将所述第一样本对象和所述第二样本对象各自的对象编码向量，以及所述第一前景掩膜图像输入所述第二子解码器，并获取所述第二子解码器所输出的第一对象解码向量。
3.根据权利要求1所述的方法，其中，所述图像检测模型包括级联的多个解码器，所述多个解码器包括所述第一解码器，并且级联的所述多个解码器中下一级解码器的输入为上一级解码器的输出。
4.根据权利要求3所述的方法，其中，所述多个解码器包括第二解码器，所述图像检测模型还包括与所述第二解码器级联的第二预测层，所述方法还包括：
将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量；
将所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量输入第二预测层，获得所述第一样本对象和所述第二样本对象各自的第二预测域标签和第二预测边界框，以及所述第一样本对象的第二预测类别；
基于所述第一样本对象的第二预测域标签和真实域标签、所述第二样本对象的第二预测域标签和真实域标签、所述第一样本对象的第二预测边界框和真实边界框、所述第二样本对象的第二预测边界框和真实边界框，以及所述第一样本对象的真实类别和第二预测类别，计算第二损失值；以及
基于所述第二损失值调整所述第二解码器和第二预测层的参数。
5.根据权利要求4所述的方法，其中，基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数包括：
基于所述第一损失值和第二损失值调整所述编码器、第一解码器和第一预测层的参数。
6.根据权利要求4所述的方法，还包括：
基于所述第一样本对象的第一预测边界框，获取所述样本图像的第二前景掩膜图像和第二背景掩膜图像，
将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量包括：
将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量，以及所述第二前景掩膜图像和第二背景掩膜图像输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量。
7.根据权利要求6所述的方法，其中，所述第二解码器包括第一子解码器和第二子解码器，
将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量，以及所述第二前景掩膜图像和第二背景掩膜图像输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量包括：
将所述第一样本对象和所述第二样本对象各自的第一域解码向量，以及所述第二背景掩膜图像输入所述第二解码器的第一子解码器，获得第二域解码向量；以及
将所述第一样本对象和所述第二样本对象各自的第一对象解码向量，以及所述第二前景掩膜图像输入所述第二解码器的第二子解码器，获得第二对象解码向量。
8.根据权利要求1-7中任一项所述的方法，其中，将所述样本图像输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量包括：
获取所述样本图像的样本特征图；以及
将所述样本特征图输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量。
9.根据权利要求1-7中任一项所述的方法，还包括：
获取所述样本图像的样本特征图，
其中，将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量包括：
将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量，以及所述样本特征图输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量。
10.根据权利要求9所述的方法，其中，当所述第一解码器包括第一子解码器和第二子解码器时，将所述第一样本对象和所述第二样本对象各自的域编码向量，以及所述第一背景掩膜图像和所述样本特征图输入所述第一解码器的第一子解码器，获得第一域解码向量，
并且将所述第一样本对象和所述第二样本对象各自的对象编码向量，以及所述第一前景掩膜图像和所述样本特征图输入所述第一解码器的第二子解码器，获得第一对象解码向量。
11.根据权利要求1-10中任一项所述的方法，其中，所述图像检测模型为域适应检测变换器DA-DETR。
12.一种图像检测方法，包括：
将目标图像输入图像检测模型；
获得所述目标图像的针对多个预设对象的预测结果，所述预测结果包括每一预设对象的域标签、类别及其类别置信度、以及预测边界框及其位置置信度，
其中，所述图像检测模型采用权利要求1-11中任一项所述的训练方法来训练得到。
13.一种图像检测模型的训练装置，所述图像检测模型包括级联的编码器、第一解码器和第一预测层，所述训练装置包括：
第一获取模块，所述第一获取模块被配置为获取样本图像中真实域标签为源域的第一样本对象、真实域标签为目标域的第二样本对象、所述第一样本对象的真实类别、以及所述第一样本对象和所述第二样本对象各自的真实边界框，其中，所述源域对应训练图像数据集，目标域对应测试图像数据集；
第二获取模块，所述第二获取模块被配置为将所述样本图像输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量；
第三获取模块，所述第三获取模块被配置为将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量；
第四获取模块，所述第四获取模块被配置为将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第一预测层，获得所述第一样本对象和所述第二样本对象各自的第一预测域标签和第一预测边界框，以及所述第一样本对象的第一预测类别；
第一计算模块，所述第一计算模块被配置为基于所述第一样本对象的第一预测域标签和真实域标签、所述第二样本对象的第一预测域标签和真实域标签、所述第一样本对象的第一预测边界框和真实边界框、所述第二样本对象的第一预测边界框和真实边界框，以及所述第一样本对象的真实类别和第一预测类别，计算第一损失值；
第一调整模块，所述第一调整模块被配置为基于所述第一损失值调整所述编码器、第一解码器和第一预测层的参数，获得训练完成的图像检测模型；以及
第五获取模块，所述第五获取模块被配置为基于所述第一样本对象的真实边界框，获取所述样本图像的第一前景掩膜图像和第一背景掩膜图像，其中，所述第一样本对象位于所述第一前景掩膜图像中，所述第二样本对象位于所述第一背景掩膜图像中，
其中，所述第三获取模块被进一步配置为：
将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量，以及所述第一前景掩膜图像和第一背景掩膜图像输入所述第一解码器，获得所述第一样本对象和所述第二样本对象各自的所述第一域解码向量和第一对象解码向量。
14.根据权利要求13所述的装置，其中，所述第一解码器包括第一子解码器和第二子解码器，
其中，所述第三获取模块被进一步配置为：
将所述第一样本对象和所述第二样本对象各自的域编码向量，以及所述第一背景掩膜图像输入所述第一子解码器，获得第一域解码向量；以及
将所述第一样本对象和所述第二样本对象各自的对象编码向量，以及所述第一前景掩膜图像输入所述第二子解码器，获得第一对象解码向量。
15.根据权利要求13所述的装置，其中，所述图像检测模型包括级联的多个解码器，所述多个解码器包括所述第一解码器，并且级联的所述多个解码器中下一级解码器的输入为上一级解码器的输出。
16.根据权利要求15所述的装置，其中，所述多个解码器包括第二解码器，所述图像检测模型还包括与所述第二解码器级联的第二预测层，所述装置还包括：
第六获取模块，所述第六获取模块被配置为将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量；
第七获取模块，所述第七获取模块被配置为将所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量输入第二预测层，获得所述第一样本对象和所述第二样本对象各自的第二预测域标签和第二预测边界框，以及所述第一样本对象的第二预测类别；
第二计算模块，所述第二计算模块被配置为基于所述第一样本对象的第二预测域标签和真实域标签、所述第二样本对象的第二预测域标签和真实域标签、所述第一样本对象的第二预测边界框和真实边界框、所述第二样本对象的第二预测边界框和真实边界框，以及所述第一样本对象的真实类别和第二预测类别，计算第二损失值；以及
第二调整模块，所述第二调整模块被配置为基于所述第二损失值调整所述第二解码器和第二预测层的参数。
17.根据权利要求16所述的装置，其中，所述第一调整模块被进一步配置为：
基于所述第一损失值和第二损失值调整所述编码器、第一解码器和第一预测层的参数。
18.根据权利要求16所述的装置，还包括：
第八获取模块，所述第八获取模块被配置为基于所述第一样本对象的第一预测边界框，获取所述样本图像的第二前景掩膜图像和第二背景掩膜图像，
其中，所述第六获取模块被进一步配置为：
将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量，以及所述第二前景掩膜图像和第二背景掩膜图像输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量。
19.根据权利要求18所述的装置，其中，所述第二解码器包括第一子解码器和第二子解码器，
将所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量，以及所述第二前景掩膜图像和第二背景掩膜图像输入第二解码器，获得所述第一样本对象和所述第二样本对象各自的第二域解码向量和第二对象解码向量包括：
将所述第一样本对象和所述第二样本对象各自的第一域解码向量，以及所述第二背景掩膜图像输入所述第二解码器的第一子解码器，获得第二域解码向量；以及
将所述第一样本对象和所述第二样本对象各自的第一对象解码向量，以及所述第二前景掩膜图像输入所述第二解码器的第二子解码器，获得第二对象解码向量。
20.根据权利要求13-19中任一项所述的装置，其中，所述第二获取模块被进一步配置为：
获取所述样本图像的样本特征图；以及
将所述样本特征图输入编码器，获得所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量。
21.根据权利要求13-19中任一项所述的装置，还包括：
第九获取模块，所述第九获取模块被配置为获取所述样本图像的样本特征图，
其中，所述第三获取模块被进一步配置为：
将所述第一样本对象和所述第二样本对象各自的域编码向量和对象编码向量，以及所述样本特征图输入第一解码器，获得所述第一样本对象和所述第二样本对象各自的第一域解码向量和第一对象解码向量。
22.根据权利要求21所述的装置，其中，当所述第一解码器包括第一子解码器和第二子解码器时，将所述第一样本对象和所述第二样本对象各自的域编码向量，以及所述第一背景掩膜图像和所述样本特征图输入所述第一解码器的第一子解码器，获得第一域解码向量，
并且将所述第一样本对象和所述第二样本对象各自的对象编码向量，以及所述第一前景掩膜图像和所述样本特征图输入所述第一解码器的第二子解码器，获得第一对象解码向量。
23.根据权利要求13-22中任一项所述的装置，其中，所述图像检测模型为域适应检测变换器DA-DETR。
24.一种图像检测装置，所述图像检测装置包括：
输入模块，所述输入模块被配置为将目标图像输入图像检测模型；
获取模块，所述获取模块被配置为获得所述目标图像的针对多个预设对象的预测结果，所述预测结果包括每一预设对象的域标签、类别及其类别置信度、以及预测边界框及其位置置信度，
其中，所述图像检测模型采用权利要求1-11中任一项所述的训练方法来训练得到。
25.一种电子设备，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1-12中任一项所述的方法。
26.一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1-12中任一项所述的方法。
CN202210873466.7A 2022-07-22 2022-07-22 目标检测模型训练方法、目标检测方法及其装置 Active CN115170887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210873466.7A CN115170887B (zh) 2022-07-22 2022-07-22 目标检测模型训练方法、目标检测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210873466.7A CN115170887B (zh) 2022-07-22 2022-07-22 目标检测模型训练方法、目标检测方法及其装置

Publications (2)

Publication Number Publication Date
CN115170887A CN115170887A (zh) 2022-10-11
CN115170887B true CN115170887B (zh) 2023-08-01

Family

ID=83497875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210873466.7A Active CN115170887B (zh) 2022-07-22 2022-07-22 目标检测模型训练方法、目标检测方法及其装置

Country Status (1)

Country Link
CN (1) CN115170887B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664604B (zh) * 2023-07-31 2023-11-03 苏州浪潮智能科技有限公司 图像的处理方法及装置、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688920A (zh) * 2021-08-30 2021-11-23 阿波罗智联(北京)科技有限公司 模型训练及目标检测方法、装置、电子设备以及路侧设备
CN113705425A (zh) * 2021-08-25 2021-11-26 北京百度网讯科技有限公司 活体检测模型的训练方法和活体检测的方法、装置、设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408662B (zh) * 2021-07-19 2024-07-12 江苏千义轨道交通技术有限公司 图像识别、图像识别模型的训练方法和装置
CN113807183B (zh) * 2021-08-17 2024-06-14 华为技术有限公司 模型训练方法及相关设备
CN114445670B (zh) * 2022-04-11 2022-07-12 腾讯科技（深圳）有限公司 图像处理模型的训练方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705425A (zh) * 2021-08-25 2021-11-26 北京百度网讯科技有限公司 活体检测模型的训练方法和活体检测的方法、装置、设备
CN113688920A (zh) * 2021-08-30 2021-11-23 阿波罗智联(北京)科技有限公司 模型训练及目标检测方法、装置、电子设备以及路侧设备

Also Published As

Publication number Publication date
CN115170887A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN113836333B (zh) 图文匹配模型的训练方法、实现图文检索的方法、装置
CN114648638B (zh) 语义分割模型的训练方法、语义分割方法与装置
CN113807440B (zh) 利用神经网络处理多模态数据的方法、设备和介质
CN114611532B (zh) 语言模型训练方法及装置、目标翻译错误检测方法及装置
CN116306862B (zh) 用于文本处理神经网络的训练方法、装置和介质
CN114550313B (zh) 图像处理方法、神经网络及其训练方法、设备和介质
CN115170887B (zh) 目标检测模型训练方法、目标检测方法及其装置
CN116597454B (zh) 图像处理方法、图像处理模型的训练方法和装置
CN117351330A (zh) 图像处理方法、图像处理模型的训练方法、装置和设备
CN115862031B (zh) 文本处理方法、神经网络的训练方法、装置和设备
CN116205819B (zh) 字符图像生成方法、深度学习模型的训练方法和装置
CN115600646B (zh) 语言模型的训练方法、装置、介质及设备
CN116152607A (zh) 目标检测方法、训练目标检测模型的方法及装置
CN114219046B (zh) 模型训练方法、匹配方法、装置、系统、电子设备和介质
CN113722594B (zh) 推荐模型的训练方法、推荐方法、装置、电子设备及介质
CN115359309A (zh) 目标检测模型的训练方法及装置、设备和介质
CN115578584B (zh) 图像处理方法、图像处理模型的构建和训练方法
CN116228897B (zh) 图像处理方法、图像处理模型和训练方法
CN115879468B (zh) 基于自然语言理解的文本要素提取方法、装置和设备
CN116842156B (zh) 数据生成方法及装置、设备和介质
CN116070711B (zh) 数据处理方法、装置、电子设备和存储介质
CN115713071B (zh) 用于处理文本的神经网络的训练方法和处理文本的方法
CN113836939B (zh) 基于文本的数据分析方法和装置
CN114821233B (zh) 目标检测模型的训练方法及装置、设备和介质
CN117059070B (zh) 语音识别方法、深度学习模型的训练方法、装置和设备

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