CN115359309A - 目标检测模型的训练方法及装置、设备和介质 - Google Patents

Abstract

本公开提供了一种目标检测模型的训练方法及装置、设备和介质，涉及人工智能领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于人脸识别等场景。方案为：获取第一样本图像及其中目标对象的真实类别；获取目标检测模型基于第一样本图像所输出的目标对象的第一特征向量表示以及其中与多个初始预测类别各自相应的对象的第二特征向量表示；基于第一特征向量表示和真实类别的文本特征向量表示计算第一损失值；基于第二特征向量表示和相应初始预测类别的文本特征向量表示确定其置信度；基于多个初始预测类别各自相应的置信度确定真实预测类别；基于真实预测类别的置信度，计算第二损失值；以及至少基于第一损失值和第二损失值对模型调参。

Description

目标检测模型的训练方法及装置、设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于人脸识别等场景，具体涉及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。

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。

目标检测是计算机视觉技术领域的核心任务之一。当前的目标检测方法通常是利用海量的标注数据对模型进行有监督训练，所得到的目标检测模型针对标注类别可以达到较好的检测效果。

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。

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，包括：获取第一样本图像，并标注所述第一样本图像所包括的目标对象的真实类别；将所述第一样本图像输入目标检测模型，以获取所述目标检测模型所输出的所述目标对象的第一特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的第二特征向量表示；基于所述目标对象的第一特征向量表示和所述真实类别的文本特征向量表示，计算第一损失值；基于每个初始预测类别相应的第二特征向量表示和该初始预测类别的文本特征向量表示，确定所述第一样本图像中包括每个初始预测类别的对象的置信度；基于所述多个初始预测类别各自相应的置信度，从所述多个初始预测类别中确定真实预测类别，并标注所述第一样本图像包括所述真实预测类别的对象；基于所述真实预测类别相应的置信度，计算第二损失值；以及至少基于所述第一损失值和第二损失值，对所述目标检测模型进行调参。

根据本公开的另一方面，提供了一种目标检测方法，包括：将待检测图像输入目标检测模型，以获取所述目标检测模型所输出的目标对象的类别，所述目标检测模型是利用上述目标检测模型的训练方法训练得到的，其中，所述获取所述目标检测模型所输出的目标对象的类别包括：基于所述目标检测模型基于所述待检测图像所输出的目标对象的特征向量表示，确定所述目标对象的类别。

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，包括：第一获取单元，被配置用于获取第一样本图像，并标注所述第一样本图像所包括的目标对象的真实类别；第二获取单元，被配置用于将所述第一样本图像输入目标检测模型，以获取所述目标检测模型所输出的所述目标对象的第一特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的第二特征向量表示；第一计算单元，被配置用于基于所述目标对象的第一特征向量表示和所述真实类别的文本特征向量表示，计算第一损失值；第一确定单元，被配置用于基于每个初始预测类别相应的第二特征向量表示和该初始预测类别的文本特征向量表示，确定所述第一样本图像中包括每个初始预测类别的对象的置信度；第二确定单元，被配置用于基于所述多个初始预测类别各自相应的置信度，从所述多个初始预测类别中确定真实预测类别，并标注所述第一样本图像包括所述真实预测类别的对象；第二计算单元，被配置用于基于所述真实预测类别相应的置信度，计算第二损失值；以及调参单元，被配置用于至少基于所述第一损失值和第二损失值，对所述目标检测模型进行调参。

根据本公开的另一方面，提供了一种目标检测装置，包括：利用上述目标检测模型的训练方法训练得到的目标检测模型；以及获取单元，被配置用于将待检测图像输入所述目标检测模型，以获取所述目标检测模型所输出的目标对象的类别，所述获取单元还被配置用于基于所述目标检测模型基于所述待检测图像所输出的目标对象的特征向量表示，确定所述目标对象的类别。

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上述目标检测模型的训练方法或目标检测方法。

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，所述计算机指令用于使所述计算机执行上述目标检测模型的训练方法或目标检测方法。

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，计算机程序在被处理器执行时能够实现上述目标检测模型的训练方法或目标检测方法。

根据本公开的一个或多个实施例，可以充分利用样本图像所包括的全部对象信息，利用置信度针对未标注的类别进行训练，从而能够提升模型针对未标注的类别的识别能力，提升目标检测模型训练的效率。

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示出了根据本公开示例性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示出了根据本公开示例性实施例的目标检测模型的训练方法的流程图；

图3示出了根据本公开示例性实施例的目标检测模型的结构示意图；

图4示出了根据本公开示例性实施例的目标检测模型的训练过程的示意图；

图5示出了根据本公开示例性实施例的目标检测模型的训练方法的流程图；

图6示出了根据本公开示例性实施例的目标检测方法的流程图；

图7示出了根据本公开示例性实施例的目标检测模型的训练装置的结构框图；

图8示出了根据本公开示例性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元件与另一元件区分开。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。

相关技术中，通常是利用大量的标注数据对目标检测模型进行有监督训练，训练数据的标注成本较高，训练数据集较难扩展，并且模型针对未标注的类别的识别能力较差。此外，现有技术中的目标检测模型是基于两阶段的框架，第一阶段先提取待检测图像中的感兴趣区域信息，第二阶段再针对感兴趣区域进行特征提取，未能获取图像中除感兴趣区域信息以外的对象信息。

基于此，本公开提供了一种目标检测模型的训练方法，在获取样本图像所包括的目标对象的同时还获取样本图像所包括的与初始预测类别相应的对象信息，从而能够充分利用样本图像所包括的全部信息，并且基于模型所识别的各个初始预测类别的置信度为相应对象添加伪标注，基于伪标注信息对模型进行调参优化，从而能够提升模型针对未标注的类别的识别能力，进而提升目标检测的效率和准确度。

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上述目标检测模型的训练方法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来发送样本图像或待检测图像。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。

图2示出了根据本公开示例性实施例的目标检测模型的训练方法的流程图。如图2所示，所述方法包括：

步骤S201、获取第一样本图像，并标注所述第一样本图像所包括的目标对象的真实类别；

步骤S202、将所述第一样本图像输入目标检测模型，以获取所述目标检测模型所输出的所述目标对象的第一特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的第二特征向量表示；

步骤S203、基于所述目标对象的第一特征向量表示和所述真实类别的文本特征向量表示，计算第一损失值；

步骤S204、基于每个初始预测类别相应的第二特征向量表示和该初始预测类别的文本特征向量表示，确定所述第一样本图像中包括每个初始预测类别的对象的置信度；

步骤S205、基于所述多个初始预测类别各自相应的置信度，从所述多个初始预测类别中确定真实预测类别，并标注所述第一样本图像包括所述真实预测类别的对象；

步骤S206、基于所述真实预测类别相应的置信度，计算第二损失值；以及

步骤S207、至少基于所述第一损失值和第二损失值，对所述目标检测模型进行调参。

基于上述方法，能够在获取样本图像所包括的目标对象的同时还获取样本图像所包括的与初始预测类别相应的对象信息，从而能够充分利用样本图像所包括的全部信息。步骤S204-步骤S205中所述的基于模型所识别的各个初始预测类别的置信度确定真实预测类别，并标注所述第一样本图像包括所述真实预测类别的对象，相当于在真实标注以外基于模型所获取的预测类别的置信度为样本图像添加伪标注，进而基于伪标注信息对模型进行调参优化，从而能够提升模型针对训练数据中未标注的类别的识别能力，进而提升目标检测的准确度。

示例性地，所述视觉语言模型可以是预训练目标检测模型，所述预训练目标检测模型能够基于预训练过程中所使用的样本图像及类别标注学习到一定的初始预测类别的相关特征信息，从而能够在根据本公开实施例的目标检测模型的训练方法的应用过程中识别出与初始预测类别各自相应的对象并输出其特征向量表示，并进一步基于初始预测类别的置信度对模型进行优化。

例如，存在以下情形：所述预训练样本图像及其标注信息中包括A类别相应的对象，也就是说，目标检测模型已经学习到A类别相应的特征信息并能够从所输入的图像中识别出A类别相应的图像，本案所述的训练过程中所应用的第一样本图像包括A类别相应的对象，但未针对A类别相应标注。在这种情况下，目标检测模型可以将第一样本图像中与A类别相应的对象的特征向量表示输出，确定该类别相应的置信度并基于此确定A类别为真实预测类别，进而基于所述A类别相应的置信度对模型进行优化。例如，当所述A类别相应的置信度为80％，则可基于此对所述目标检测模型进行调参，以使得调参后的所述目标检测模型能够针对该类别达到更高的例如为100％的置信度。

进一步地，所述方法还可以包括针对目标对象的位置信息的训练方法。根据一些实施例，所述方法还包括：标注所述第一样本图像所包括的目标对象的真实位置信息；获取所述目标检测模型基于第一样本图像所输出的所述目标对象的预测位置信息；基于所述目标对象的真实位置信息和预测位置信息，计算第三损失值，并且其中，基于所述第一损失值、第二损失值和第三损失值，对所述目标检测模型进行调参。由此，通过在目标检测模型的训练过程中应用上述针对目标对象的位置信息的训练方法，能够使得所述目标检测模型基于所输入的图像同时输出所述目标对象的位置信息以及指示其类别的特征信息，实现端到端的目标检测。

图3示出了根据本公开示例性实施例的目标检测模型的结构示意图。如图3所示，根据一些实施例，所述目标检测模型包括视觉语言模型和位置回归器，所述视觉语言模型包括图像特征提取子模型和转换矩阵，所述转换矩阵被配置为将图像特征向量投射至文本空间，以得到图像特征向量相应的文本特征向量，并且其中，所述步骤S202中将所述第一样本图像输入目标检测模型，以获取所述目标检测模型所输出的所述目标对象的第一特征向量表示和预测位置信息，以及所述第一样本图像中与多个初始预测类别各自相应的对象的第二特征向量表示包括：将所述第一样本图像输入图像特征提取子模型，以获取所述图像特征提取子模型所输出的所述目标对象的图像特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的图像特征向量表示；将所述目标对象的图像特征向量表示输入所述位置回归器，以获取所述位置回归器所输出的预测位置信息；将所述目标对象的图像特征向量表示和所述与多个初始预测类别相应的对象的图像特征向量表示输入转换矩阵，以获取所述转换矩阵所输出的所述目标对象的第一特征向量表示和每个初始预测类别相应的对象的第二特征向量表示。由此，能够利用视觉语言模型获取所述样本图像中各个对象的图像特征向量表示，再将其投射为相应的文本特征向量，从而能够更简便准确

示例性地，所述视觉语言模型可以是预训练视觉语言模型，所述预训练过程例如可以包括以下步骤：获取预训练样本图像及所述预训练样本图像所包括的对象的真实类别文本标注；将所述真实类别文本标注输入预训练文本模型，所述预训练文本模型被配置为将文本信息映射为文本特征向量表示，以获取所述预训练文本模型所输出的相应的真实类别文本特征向量表示；将所述预训练样本图像输入初始视觉语言模型，以获取所述初始视觉语言模型所输出的样本图像所包括的对象的预测类别图像特征向量表示；将所述预测类别图像特征向量表示输入转换矩阵，以获取所述转换矩阵所输出的预测类别文本特征向量表示，所述预测类别文本特征向量表示与所述真实类别文本特征向量表示处于同一向量空间；基于所述预测类别文本特征向量表示与所述真实类别文本特征向量表示，计算损失值；基于所述损失值，调整所述初始视觉语言模型的参数。通过执行上述预训练操作，能够获得具备一定视觉识别能力的预训练视觉语言模型。其中，所述预训练文本模型可以是基于任何形式的文本向量化模型，例如Word2Vec模型，对此不作限定。

根据一些实施例，其中，可以是从类别库中获取每个初始预测类别的文本特征向量表示，所述类别库中包括多个类别和多个文本特征向量之间的映射关系。由此，能够更方便快捷地获取每个类别相应的文本特征向量，提升目标检测模型的训练效率。

示例性地，所述类别库可以是通过以下方式构建的：将每个类别相应的文本信息输入预训练文本模型，所述预训练文本模型被配置为将文本信息映射为文本特征向量表示，以获取所述预训练文本模型所输出的每个类别相应的文本特征向量表示。所述预训练文本模型可以是基于任何形式的文本向量化模型，例如Word2Vec模型，对此不作限定。

根据一些实施例，所述步骤S203中基于所述目标对象的第一特征向量表示和所述真实类别的文本特征向量表示，计算第一损失值包括：计算所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度；以及基于所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度，计算所述第一损失值。由此，能够基于向量相似度计算来确定损失值，简便准确地指示模型所输出的预测结果和真实结果之间的差异。

示例性地，所述相似度可以是指向量间的余弦相似度，也可以是向量间的欧氏距离等，只要能够指示二者间的差异程度即可，对此不作限定。

根据一些实施例，所述步骤S204中基于每个初始预测类别相应的第二特征向量表示和该初始预测类别的文本特征向量表示，确定所述第一样本图像中包括每个初始预测类别的对象的置信度包括：计算所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度；以及基于所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度，确定所述第一样本图像中包括每个初始预测类别的对象的置信度。由此，能够基于向量相似度计算来确定相应的初始预测类别的置信度，简便准确地指示模型所输出的预测结果的可靠程度，提升模型训练效率。

示例性地，可以是基于预设公式，利用向量相似度来确定相应的初始预测类别的置信度，例如可以是线性映射公式，从而能够更简便地确定置信度信息。

根据一些实施例，所述步骤S205中基于所述多个初始预测类别各自相应的置信度，从所述多个初始预测类别中确定真实预测类别包括：响应于某一个初始预测类别相应的置信度大于第二预设阈值，确定该初始预测类别为真实预测类别。由此，能够通过设定相关阈值来确定真实预测类别，也就是将置信度较高的初始预测类别确定为真实预测类别，从而能够提高目标检测模型的准确度。

示例性地，可以是在目标检测模型的训练过程的后期再采用如本公开示例性实施例所述的目标检测模型的训练方法进行训练。应当理解，所述方法是利用了目标检测模型已经具备的目标检测能力，响应于模型针对某一初始预测类别的识别置信度较高，将其确定为真实预测类别并基于此进行训练。通过如上所述的设定相关阈值来确定真实预测类别的方式以及在目标检测模型的训练过程的后期再采用所述方法进行训练的方式，能够保证所述真实预测类别的准确性，进而保证利用本公开所述的方法训练得到的目标检测模型的检测准确性。

图4示出了根据本公开示例性实施例的目标检测模型的训练过程的示意图。图4中的箭头示出了信号流的方向，其中实线箭头示出了信号的前向传播过程，虚线箭头示出了信号的反向传播过程。

图5示出了根据本公开示例性实施例的目标检测模型的训练方法的流程图。如图5所示，所述方法包括：

步骤S501、获取第一样本图像，并标注所述第一样本图像所包括的目标对象的真实类别；

步骤S502、将所述第一样本图像输入图像特征提取子模型，以获取所述图像特征提取子模型所输出的所述目标对象的图像特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的图像特征向量表示；

步骤S503、将所述目标对象的图像特征向量表示输入所述位置回归器，以获取所述位置回归器所输出的预测位置信息；

步骤S504、将所述目标对象的图像特征向量表示和所述与多个初始预测类别相应的对象的图像特征向量表示输入转换矩阵，以获取所述转换矩阵所输出的所述目标对象的第一特征向量表示和每个初始预测类别相应的对象的第二特征向量表示；

步骤S505、计算所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度；

步骤S506、基于所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度，计算所述第一损失值；

步骤S507、计算所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度；

步骤S508、基于所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度，确定所述第一样本图像中包括每个初始预测类别的对象的置信度；

步骤S509、响应于某一个初始预测类别相应的置信度大于第二预设阈值，确定该初始预测类别为真实预测类别，并标注所述第一样本图像包括所述真实预测类别的对象；

步骤S510、基于所述真实预测类别相应的置信度，计算第二损失值；

步骤S511、基于所述目标对象的真实位置信息和预测位置信息，计算第三损失值；

步骤S512、基于所述第一损失值、第二损失值和第三损失值对所述目标检测模型进行调参。

基于上述方法，能够在获取样本图像所包括的目标对象的同时还获取样本图像所包括的与初始预测类别相应的对象信息，从而能够充分利用样本图像所包括的全部信息，并且利用模型对初始预测类别的识别能力，针对未标注的类别进行训练，降低了标注训练数据所需要的人工成本，提升了模型的泛化性能，并且能够同时输出所述目标对象的位置信息以及指示其类别的特征信息，实现端到端的目标检测。

根据本公开的另一方面，还提供一种目标检测方法。图6示出了根据本公开示例性实施例的目标检测方法的流程图，如图6所示，所述方法包括：步骤S601、将待检测图像输入目标检测模型，以获取所述目标检测模型所输出的目标对象的类别。所述目标检测模型是如前文所描述的目标检测模型的训练方法训练得到的，并且其中，所述获取所述目标检测模型所输出的目标对象的类别包括：基于所述目标检测模型基于所述待检测图像所输出的目标对象的特征向量表示，确定所述目标对象的类别。由此，能够提升目标检测的准确度。

进一步地，当所述目标检测模型的训练方法包括如前文所描述的针对目标对象的位置信息的训练方法时，根据一些实施例，所述目标检测模型的输出还包括所述目标对象的位置信息。由此，能够基于所输入的待检测图像输出其中所包括的目标对象的类别和位置信息，实现端到端的目标检测。

示例性地，所述目标对象可以有一个或多个，对此不作限定。

根据本公开的另一方面，还提供一种目标检测模型的训练装置。图7示出了根据本公开示例性实施例的目标检测模型的训练装置700的结构框图，如图7所示，所述装置700包括：

第一获取单元701，被配置用于获取第一样本图像，并标注所述第一样本图像所包括的目标对象的真实类别；

第二获取单元702，被配置用于将所述第一样本图像输入目标检测模型，以获取所述目标检测模型所输出的所述目标对象的第一特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的第二特征向量表示；

第一计算单元703，被配置用于基于所述目标对象的第一特征向量表示和所述真实类别的文本特征向量表示，计算第一损失值；

第一确定单元704，被配置用于基于每个初始预测类别相应的第二特征向量表示和该初始预测类别的文本特征向量表示，确定所述第一样本图像中包括每个初始预测类别的对象的置信度；

第二确定单元705，被配置用于基于所述多个初始预测类别各自相应的置信度，从所述多个初始预测类别中确定真实预测类别，并标注所述第一样本图像包括所述真实预测类别的对象；

第二计算单元706，被配置用于基于所述真实预测类别相应的置信度，计算第二损失值；以及

调参单元707，被配置用于至少基于所述第一损失值和第二损失值，对所述目标检测模型进行调参。

目标检测模型的训练装置700的单元701-单元707的操作与前面描述的步骤S201-步骤S207的操作类似，在此不作赘述。

根据一些实施例，装置700还包括：标注单元，被配置用于标注所述第一样本图像所包括的目标对象的真实位置信息；第三获取单元，被配置用于获取所述目标检测模型基于第一样本图像所输出的所述目标对象的预测位置信息；第三计算单元，被配置用于基于所述目标对象的真实位置信息和预测位置信息，计算第三损失值，并且其中，所述调参单元被配置用于基于所述第一损失值、第二损失值和第三损失值，对所述目标检测模型进行调参。

根据一些实施例，所述目标检测模型包括视觉语言模型和位置回归器，所述视觉语言模型包括图像特征提取子模型和转换矩阵，所述转换矩阵被配置为将图像特征向量投射至文本空间，以得到图像特征向量相应的文本特征向量，其中，第二获取单元702包括：第一获取子单元，被配置用于将所述第一样本图像输入图像特征提取子模型，以获取所述图像特征提取子模型所输出的所述目标对象的图像特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的图像特征向量表示；第二获取子单元，被配置用于将所述目标对象的图像特征向量表示输入所述位置回归器，以获取所述位置回归器所输出的预测位置信息；以及第三获取子单元，被配置用于将所述目标对象的图像特征向量表示和所述与多个初始预测类别相应的对象的图像特征向量表示输入转换矩阵，以获取所述转换矩阵所输出的所述目标对象的第一特征向量表示和每个初始预测类别相应的对象的第二特征向量表示。

根据一些实施例，第一确定单元704还被配置用于从类别库中获取每个初始预测类别的文本特征向量表示，所述类别库中包括多个类别和多个文本特征向量之间的映射关系。

根据一些实施例，第一计算单元703包括：第一计算子单元，被配置用于计算所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度；以及第二计算子单元，被配置用于基于所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度，计算所述第一损失值。

根据一些实施例，第一确定单元704包括：第三计算子单元，被配置用于计算所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度；以及确定子单元，被配置用于基于所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度，确定所述第一样本图像中包括每个初始预测类别的对象的置信度。

根据一些实施例，第二确定单元705被配置用于响应于某一个初始预测类别相应的置信度大于第二预设阈值，确定该初始预测类别为真实预测类别。

根据本公开的另一方面，还提供一种目标检测装置。图8示出了根据本公开示例性实施例的目标检测装置800的结构框图，如图8所示，所述装置800包括：利用前文所描述的目标检测模型的训练方法训练得到的目标检测模型801；以及获取单元802，被配置用于将待检测图像输入目标检测模型，以获取所述目标检测模型所输出的目标对象的类别，获取单元802还被配置用于基于所述目标检测模型基于所述待检测图像所输出的目标对象的特征向量表示，确定所述目标对象的类别。

根据一些实施例，所述目标检测模型的输出还包括所述目标对象的位置信息。

根据本公开的另一方面，还提供一种电子设备，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上述的目标检测模型的训练方法或目标检测方法。

根据本公开的另一方面，还提供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上述的目标检测模型的训练方法或目标检测方法。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序再被处理器执行时实现上述的目标检测模型的训练方法或目标检测方法。

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，例如目标检测模型的训练方法或目标检测方法。例如，在一些实施例中，目标检测模型的训练方法或目标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目标检测模型的训练方法或目标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)而被配置为执行目标检测模型的训练方法或目标检测方法。

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)、复杂可编程逻辑设备(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，而是仅由授权后的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 (21)

1.一种目标检测模型的训练方法，包括：

获取第一样本图像，并标注所述第一样本图像所包括的目标对象的真实类别；

将所述第一样本图像输入目标检测模型，以获取所述目标检测模型所输出的所述目标对象的第一特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的第二特征向量表示；

基于所述目标对象的第一特征向量表示和所述真实类别的文本特征向量表示，计算第一损失值；

基于每个初始预测类别相应的第二特征向量表示和该初始预测类别的文本特征向量表示，确定所述第一样本图像中包括每个初始预测类别的对象的置信度；

基于所述多个初始预测类别各自相应的置信度，从所述多个初始预测类别中确定真实预测类别，并标注所述第一样本图像包括所述真实预测类别的对象；

基于所述真实预测类别相应的置信度，计算第二损失值；以及

至少基于所述第一损失值和第二损失值，对所述目标检测模型进行调参。

2.根据权利要求1所述的方法，还包括：

标注所述第一样本图像所包括的目标对象的真实位置信息；

获取所述目标检测模型基于第一样本图像所输出的所述目标对象的预测位置信息；

基于所述目标对象的真实位置信息和预测位置信息，计算第三损失值，

并且其中，基于所述第一损失值、第二损失值和第三损失值，对所述目标检测模型进行调参。

3.根据权利要求2所述的方法，所述目标检测模型包括视觉语言模型和位置回归器，所述视觉语言模型包括图像特征提取子模型和转换矩阵，所述转换矩阵被配置为将图像特征向量投射至文本空间，以得到图像特征向量相应的文本特征向量，

其中，将所述第一样本图像输入目标检测模型，以获取所述目标检测模型所输出的所述目标对象的第一特征向量表示和预测位置信息，以及所述第一样本图像中与多个初始预测类别各自相应的对象的第二特征向量表示包括：

将所述第一样本图像输入图像特征提取子模型，以获取所述图像特征提取子模型所输出的所述目标对象的图像特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的图像特征向量表示；

将所述目标对象的图像特征向量表示输入所述位置回归器，以获取所述位置回归器所输出的预测位置信息；

将所述目标对象的图像特征向量表示和所述与多个初始预测类别相应的对象的图像特征向量表示输入转换矩阵，以获取所述转换矩阵所输出的所述目标对象的第一特征向量表示和每个初始预测类别相应的对象的第二特征向量表示。

4.根据权利要求1-3中任一项所述的方法，其中，从类别库中获取每个初始预测类别的文本特征向量表示，所述类别库中包括多个类别和多个文本特征向量之间的映射关系。

5.根据权利要求1-4中任一项所述的方法，其中，所述基于所述多个初始预测类别各自相应的置信度，从所述多个初始预测类别中确定真实预测类别包括：

响应于某一个初始预测类别相应的置信度大于第二预设阈值，确定该初始预测类别为真实预测类别。

6.根据权利要求1-5中任一项所述的方法，其中，所述基于所述目标对象的第一特征向量表示和所述真实类别的文本特征向量表示，计算第一损失值包括：

计算所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度；以及

基于所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度，计算所述第一损失值。

7.根据权利要求1-6中任一项所述的方法，其中，所述基于每个初始预测类别相应的第二特征向量表示和该初始预测类别的文本特征向量表示，确定所述第一样本图像中包括每个初始预测类别的对象的置信度包括：

计算所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度；以及

基于所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度，确定所述第一样本图像中包括每个初始预测类别的对象的置信度。

8.一种目标检测方法，包括：

将待检测图像输入目标检测模型，以获取所述目标检测模型所输出的目标对象的类别，所述目标检测模型是利用权利要求1-7中任一项所述的方法训练得到的，

其中，所述获取所述目标检测模型所输出的目标对象的类别包括：基于所述目标检测模型基于所述待检测图像所输出的目标对象的特征向量表示，确定所述目标对象的类别。

9.根据权利要求8所述的方法，其中，所述目标检测模型的输出还包括所述目标对象的位置信息。

10.一种目标检测模型的训练装置，包括：

第一获取单元，被配置用于获取第一样本图像，并标注所述第一样本图像所包括的目标对象的真实类别；

第二获取单元，被配置用于将所述第一样本图像输入目标检测模型，以获取所述目标检测模型所输出的所述目标对象的第一特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的第二特征向量表示；

第一计算单元，被配置用于基于所述目标对象的第一特征向量表示和所述真实类别的文本特征向量表示，计算第一损失值；

第一确定单元，被配置用于基于每个初始预测类别相应的第二特征向量表示和该初始预测类别的文本特征向量表示，确定所述第一样本图像中包括每个初始预测类别的对象的置信度；

第二确定单元，被配置用于基于所述多个初始预测类别各自相应的置信度，从所述多个初始预测类别中确定真实预测类别，并标注所述第一样本图像包括所述真实预测类别的对象；

第二计算单元，被配置用于基于所述真实预测类别相应的置信度，计算第二损失值；以及

调参单元，被配置用于至少基于所述第一损失值和第二损失值，对所述目标检测模型进行调参。

11.根据权利要求10所述的装置，还包括：

标注单元，被配置用于标注所述第一样本图像所包括的目标对象的真实位置信息；

第三获取单元，被配置用于获取所述目标检测模型基于第一样本图像所输出的所述目标对象的预测位置信息；

第三计算单元，被配置用于基于所述目标对象的真实位置信息和预测位置信息，计算第三损失值，

并且其中，所述调参单元被配置用于基于所述第一损失值、第二损失值和第三损失值，对所述目标检测模型进行调参。

12.根据权利要求11所述的装置，所述目标检测模型包括视觉语言模型和位置回归器，所述视觉语言模型包括图像特征提取子模型和转换矩阵，所述转换矩阵被配置为将图像特征向量投射至文本空间，以得到图像特征向量相应的文本特征向量，

其中，所述第二获取单元包括：

第一获取子单元，被配置用于将所述第一样本图像输入图像特征提取子模型，以获取所述图像特征提取子模型所输出的所述目标对象的图像特征向量表示，以及所述第一样本图像中与多个初始预测类别各自相应的对象的图像特征向量表示；

第二获取子单元，被配置用于将所述目标对象的图像特征向量表示输入所述位置回归器，以获取所述位置回归器所输出的预测位置信息；以及

第三获取子单元，被配置用于将所述目标对象的图像特征向量表示和所述与多个初始预测类别相应的对象的图像特征向量表示输入转换矩阵，以获取所述转换矩阵所输出的所述目标对象的第一特征向量表示和每个初始预测类别相应的对象的第二特征向量表示。

13.根据权利要求10-12中任一项所述的装置，其中，所述第一确定单元还被配置用于从类别库中获取每个初始预测类别的文本特征向量表示，所述类别库中包括多个类别和多个文本特征向量之间的映射关系。

14.根据权利要求10-13中任一项所述的装置，其中，所述第二确定单元被配置用于响应于某一个初始预测类别相应的置信度大于第二预设阈值，确定该初始预测类别为真实预测类别。

15.根据权利要求10-14中任一项所述的装置，其中，所述第一计算单元包括：

第一计算子单元，被配置用于计算所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度；以及

第二计算子单元，被配置用于基于所述第一特征向量表示和所述真实类别的文本特征向量表示的相似度，计算所述第一损失值。

16.根据权利要求10-15中任一项所述的装置，其中，所述第一确定单元包括：

第三计算子单元，被配置用于计算所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度；以及

确定子单元，被配置用于基于所述第二特征向量表示和所述初始预测类别的文本特征向量表示的相似度，确定所述第一样本图像中包括每个初始预测类别的对象的置信度。

17.一种目标检测装置，包括：

利用权利要求1-7中任一项所述的方法训练得到的目标检测模型；

获取单元，被配置用于将待检测图像输入目标检测模型，以获取所述目标检测模型所输出的目标对象的类别，

所述获取单元还被配置用于基于所述目标检测模型基于所述待检测图像所输出的目标对象的特征向量表示，确定所述目标对象的类别。

18.根据权利要求17所述的装置，其中，所述目标检测模型的输出还包括所述目标对象的位置信息。

19.一种电子设备，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。

20.一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计算机执行根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。

Images