CN116681967A - 一种目标检测方法、装置、设备及介质 - Google Patents

一种目标检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116681967A
CN116681967A CN202310581916.XA CN202310581916A CN116681967A CN 116681967 A CN116681967 A CN 116681967A CN 202310581916 A CN202310581916 A CN 202310581916A CN 116681967 A CN116681967 A CN 116681967A
Authority
CN
China
Prior art keywords
target detection
detection model
data
target
determining
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.)
Pending
Application number
CN202310581916.XA
Other languages
English (en)
Inventor
谢龙飞
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.)
Xinao Xinzhi Technology Co ltd
Original Assignee
Xinao Xinzhi 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 Xinao Xinzhi Technology Co ltd filed Critical Xinao Xinzhi Technology Co ltd
Priority to CN202310581916.XA priority Critical patent/CN116681967A/zh
Publication of CN116681967A publication Critical patent/CN116681967A/zh
Pending legal-status Critical Current

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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本申请实施例提供了一种目标检测方法、装置、设备及介质，在该方法中，将待检测的第一数据输入到预先训练完成的目标检测模型库中，目标检测模型库中包括多个目标检测模型，多个目标检测模型中的每个目标检测模型用于进行一类任务的检测；基于目标检测模型库，确定每个目标检测模型针对第一数据的目标检测结果和置信度；根据每个目标检测模型针对第一数据的目标检测结果和置信度，确定第一数据的目标检测结果。在该方法中，预先训练完成的目标检测模型库中包括多个目标检测模型，每个目标检测模型可以实现对一类任务的检测，因此目标检测模型库可以满足新任务和旧任务的目标识别需求，不会产生灾难性遗忘的问题。

Description

一种目标检测方法、装置、设备及介质
技术领域
本发明涉及机器学习技术领域，尤其涉及一种目标检测方法、装置、设备及介质。
背景技术
目标检测是计算机视觉和图像处理的核心内容，在机器人导航、智能监控、人脸识别等实际应用中发挥关键作用。一般的，目标检测是指在图像中查找感兴趣的目标，标示出目标的类别以及位置信息，这样就完成了对目标的检测。
以机器人为例，部署在机器人上的目标检测模型通常面临着动态变化的环境，同时需要快速在不同的任务之间切换。机器人上的目标检测模型可以对已有任务进行目标检测，当存在识别新任务的需求时，传统的做法包括使用新任务的样本数据，在已有的目标检测模型基础上重新训练新任务，从而实现对新任务的检测。
但是这种做法虽然可以较好地检测新任务，但是会使得重新修改后的目标检测模型无法满足旧任务的目标识别需求，产生灾难性遗忘的问题。
发明内容
本申请实施例提供了一种目标检测方法、装置、设备及介质，用以解决现有技术中重新修改后的目标检测模型无法满足旧任务的目标识别需求，产生灾难性遗忘的问题。
第一方面，本申请实施例提供了一种目标检测方法，该方法包括：
将待检测的第一数据输入到预先训练完成的目标检测模型库中，所述目标检测模型库中包括多个目标检测模型，所述多个目标检测模型中的每个目标检测模型用于进行一类任务的检测；
基于所述目标检测模型库，确定所述每个目标检测模型针对所述第一数据的目标检测结果和置信度；
根据所述每个目标检测模型针对所述第一数据的目标检测结果和置信度，确定所述第一数据的目标检测结果。
第二方面，本申请实施例提供了一种目标检测装置，装置包括：
输入模块，用于将待检测的第一数据输入到预先训练完成的目标检测模型库中，所述目标检测模型库中包括多个目标检测模型，所述多个目标检测模型中的每个目标检测模型用于进行一类任务的检测；
第一确定模块，用于基于所述目标检测模型库，确定所述每个目标检测模型针对所述第一数据的目标检测结果和置信度；
第二确定模块，用于根据所述每个目标检测模型针对所述第一数据的目标检测结果和置信度，确定所述第一数据的目标检测结果。
第三方面，本申请实施例提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一项所述目标检测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述目标检测方法的步骤。
在本申请实施例中，将待检测的第一数据输入到预先训练完成的目标检测模型库中，目标检测模型库中包括多个目标检测模型，多个目标检测模型中的每个目标检测模型用于进行一类任务的检测；基于目标检测模型库，确定每个目标检测模型针对第一数据的目标检测结果和置信度；根据每个目标检测模型针对第一数据的目标检测结果和置信度，确定第一数据的目标检测结果。在该方法中，预先训练完成的目标检测模型库中包括多个目标检测模型，每个目标检测模型可以实现对一类任务的检测，因此目标检测模型库可以满足新任务和旧任务的目标识别需求，不会产生灾难性遗忘的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请的一些实施例提供的一种目标检测过程示意图；
图2为本申请的一些实施例提供的一种目标检测装置的结构示意图；
图3为本申请的一些实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的和实施方式更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
实施例1：
图1为本申请的一些实施例提供的一种目标检测过程示意图，该过程包括：
S101：将待检测的第一数据输入到预先训练完成的目标检测模型库中，目标检测模型库中包括多个目标检测模型，多个目标检测模型中的每个目标检测模型用于进行一类任务的检测。
本申请实施例提供的目标检测方法应用于电子设备，该电子设备但不限于用户设备(如个人计算机(personal computer，PC)等)、机器人或服务器等。
电子设备中保存有预先训练完成的目标检测模型库，目标检测模型库是一个包括多个目标检测模型的集合，每个目标检测模型可以用于实现对一类任务的检测，例如可以识别图像或视频中的目标，并将其标记或框定出来。通过多个包括多个目标检测模型，目标检测模型库可以适应多种任务(如新旧任务)的目标检测，并且缓解或不会产生灾难性遗忘的问题。
待检测的第一数据可以包括图像或视频，电子设备基于目标检测模型库可以在该第一数据中进行目标检测。
S102：基于目标检测模型库，确定每个目标检测模型针对第一数据的目标检测结果和置信度。
由于目标检测模型库中包括多个目标检测模型，因此目标检测模型库中的每个目标检测模型可以对第一数据进行目标检测。
示例的，第一数据输入到目标检测模型库中后，第一数据可以作为每个目标检测模型的输入，基于每个目标检测模型，对该第一数据进行目标检测。然后针对每个目标检测模型，输出该目标检测模型针对第一数据的目标检测结果和置信度。
一个实现方式中，目标检测结果可以通过标记框表示，如通过边界框(boundingbox)值表示。置信度表示第一数据中的目标所属类别的概率。
S103：根据每个目标检测模型针对第一数据的目标检测结果和置信度，确定第一数据的目标检测结果。
在上述S102中，电子设备可以获取到目标检测模型中的所有目标检测模型对第一数据的目标检测结果和置信度。基于此，电子设备可以确定第一数据最终的目标检测结果。
一个可能的实现方式中，电子设备可以在每个目标检测模型针对第一数据的置信度中选择最高的置信度，然后根据该最高的置信度，确定第一数据的目标检测结果。
另一个可能的实现方式中，电子设备可以对每个目标检测模型针对第一数据的目标检测结果和置信度，进行求平均或者加权平均等计算，基于计算结果，确定第一数据的目标检测结果。
又一个可能的实现方式中，电子设备可以在每个目标检测模型针对第一数据的置信度中选择置信度大于设定置信度阈值的目标检测结果，基于选择出的这部分目标检测结果，确定第一数据的目标检测结果。
可以理解，上述可能的实现方式仅为示例，不构成确定第一数据的目标检测结果的限定。
在该实施例中，预先训练完成的目标检测模型库中包括多个目标检测模型，每个目标检测模型可以实现对一类任务的检测，因此目标检测模型库可以满足新任务和旧任务的目标识别需求，不会产生灾难性遗忘的问题。
实施例2：
在上述实施例的基础上，本申请实施例中，目标检测模型库的训练过程包括：
获取包括多个数据集的样本集，多个数据集中的每个数据集对应一类任务；
采用对应同一类任务的数据集，对目标检测模型进行训练，将训练完成的目标检测模型加入目标检测模型库。
在目标检测模型库的训练过程中，可以使用样本集对来训练和优化目标检测模型库。样本集中包括多个数据集，每个数据集对应一类任务，基于一类任务的数据集，可以实现对这类任务进行检测的目标检测模型的训练。例如，样本集D＝D1∪D2∪…∪Dn，Dn标识第n类任务的数据集。
示例的，数据集可以包括带有标注框的图像，每个标注框代表了该图像中的一个目标，例如是人、车、动物等等。一般的，数据集包含足够数量的训练数据，通过在训练过程中对其进行反复迭代和优化，直到达到所需的精度和泛化能力要求，可以保证训练完成的目标检测模型的精度。
在本申请实施例中对目标检测模型的训练过程不做限定。
在针对一类任务检测的目标检测模型训练完成后，可以将该训练完成的目标检测模型加入目标检测模型库，便于后续采用目标检测模型库中的该目标检测模块对相应类别任务进行检测。
实施例3：
在上述各实施例的基础上，本申请实施例中，采用对应同一类任务的数据集，对目标检测模型进行训练包括：
在多个数据集中选取一个目标数据集；
基于目标数据集训练得到目标检测模型；
判断在多个数据集中，是否存在除目标数据集外的能够被目标检测模型完成目标检测的其他数据集；
如果存在，确定目标数据集和其他数据集对应同一类任务，并确定目标检测模型用于进行同一类任务的检测；
如果不存在，确定目标检测模型用于进行目标数据集对应的任务类型的检测。
考虑到多个数据集中可能部分数据集对应同一类任务，因此针对同一类任务无需分别训练目标检测模型，从而在保证目标检测模型的检测精度的基础上，提高目标检测模型的训练效率。
电子设备在多个数据集中选取目标数据集时可以是按照设定选取规则进行选取，或者也可以是随机选取任一目标数据集。在该目标数据集的基础上可以训练得到相应的目标检测模型。例如在目标数据集D1的基础上训练得到目标检测模型m1。
然后，电子设备可以测试目标检测模型在多个数据集中除目标数据集外的候选数据集的性能，即测试目标检测模型是否能够对候选数据集完成目标检测，如果候选数据集中存在能够被满足性能要求的其他数据集，则表示其他数据集与目标数据集对应同一类任务，目标检测设备可以用于完成这同一类任务的检测。如果候选数据集中不存在能够被满足性能要求的其他数据集，表示仅有目标数据集对应这一类任务，目标检测设备可以用于完成这一类任务的检测。
在本申请实施例中，可以先基于目标数据集训练目标检测模型，再通过目标检测模型去识别多个数据集中是否存在与目标数据集对应同一类任务的其他数据集，因此可以保证采用同一类任务对应的数据集都能够用于对目标检测模型的训练，提高目标检测模型检测精度，以及提高目标检测模型的训练效率。
在根据对应同一类任务的全部数据集确定目标检测模型后，可以在多个数据集中继续针对其他类任务再次选取目标数据集，重复该实施例所示的步骤，直至针对多个数据集或者样本集中的所有数据集都确定了相应的目标检测模型。
实施例4：
在上述各实施例的基础上，在本申请实施例中，确定目标检测模型用于进行同一类任务的检测包括：
采用其他数据集对目标检测模型进行一轮训练，并采用指数滑动平均算法更新目标检测模型；
确定更新后的目标检测模型用于进行同一类任务的检测。
若在多个数据集中，存在除目标数据集外的能够被目标检测模型完成目标检测的其他数据集，由于目标检测模型基于目标数据集训练完成，因此还可以采用其他数据集对目标检测模型再次进行训练，从而进一步提高目标检测模型的精度。
在采用其他数据集对目标检测模型进行训练时，可以采用其他数据集对目标检测模型进行一轮训练，例如使用目标检测模型m1在其他数据集D1上更新1个训练轮次(epoch)，然后使用指数滑动平均算法更新目标检测模型。由于之前已经采用目标数据集对目标检测模型完成了训练，因此采用其他数据集对目标检测模型进行一轮训练，即可完成对目标检测模型的优化，而无需多轮训练，在一定程度上可以提高了目标检测模型的训练效率。
一个可能的实现方式中，更新后的目标检测模型满足：m′ 1＝(1-α)m1+αm1，m′ 1表示更新后的目标检测模型，m1表示目标检测模型。在该实现方式中使用指数滑动平均算法更新了目标检测模型。指数滑动平均算法可以兼容全期平均和移动平均所长，不舍弃过去的数据即目标数据集对目标检测模型的影响，因此可以保证目标检测模型的检测精度。
实施例5：
在上述各实施例的基础上，在本申请实施例中，确定目标数据集和其他数据集对应同一类任务之后，方法还包括：
在多个数据集中删除目标数据集和其他数据集，得到更新后的数据集；
在更新后的数据集中重新选取一个目标数据集，继续训练新的目标检测模型，直至基于更新后的数据集中所有的数据集完成训练。
为了训练完成目标检测模型库，在针对同一类任务对应的目标检测模型完成训练后，电子设备可以继续在多个数据集中选取其它类别的任务进行对应的目标检测模型的训练。
电子设备可以针对训练完成目标检测模型的同一类任务的数据集进行删除，对多个数据集进行更新，例如将目标数据集D1更新为D1＝D1∪Di，而将多个数据集更新为D＝D-D1，电子设备针对更新后的数据集D进行目标检测模型的训练。
电子设备在更新后的数据集中再次选取一个目标数据集，并针对再次选取的该目标数据集训练一个目标检测模型，重复上述实施例所示的步骤，直至针对多个数据集或者样本集中的所有数据集都确定了相应的目标检测模型。
实施例7：
在上述各实施例的基础上，在本申请实施例中，根据每个目标检测模型针对第一数据的目标检测结果和置信度，确定第一数据的目标检测结果包括：
在每个目标检测模型针对第一数据的置信度中，确定最高置信度；
根据最高置信度对应的目标检测结果，确定第一数据的目标检测结果。
目标检测模型库中的每个目标检测模型都针对第一数据输出了相应的置信度，经过上述目标检测模型的训练过程可以了解，针对该第一数据所属类别任务的目标检测模型可以更准确地对第一数据进行检测，也就是说，该目标检测模型针对第一数据输出的置信度通常为最高。
因此，在本申请实施例中，在每个目标检测模型针对第一数据的置信度中，确定最高置信度，根据该最高置信度对应的目标检测结果可以确定第一数据的目标检测结果。示例的，电子设备可以将该最高置信度对应的目标检测结果确定为第一数据的目标检测结果。
下面以一个具体的实施例对上述各实施例进行说明，可以包括如下步骤：
步骤1：给定不同类别的训练数据集D＝D1∪D2∪…∪Dn。
步骤2：初始化目标检测模型库为空集M＝Φ。
步骤3：串行训练：
a)在D1的基础上训练得到目标检测模型m1，然后进行模型泛化：
1)测试模型m1在其他数据集Di上的性能：若性能满足要求，将D1和D分别更新为D1＝D1∪Di,D＝D-Di，使用m1在Di上更新1个epoch。使用指数滑动平均更新模型m′ 1＝(1-α)m1+αm1，将m′ 1作为任务D1和任务Di的输出模型。
2)使用模型m′ 1重复上一步进行模型泛化，直至更新到的目标检测模型在剩余的所有任务上均不满足要求，本步得到的模型记为m′，将m′加入模型集合M，数据集记为D′＝D1 ′∪D″,其中D″为该步筛选后的剩余的所有任务的并集。
b)在D″上重复上述步骤，直至剩余集合为空集。
步骤4：模型集合M为最终得到的目标检测模型库。对于新的样本s，根据M中所有目标检测模型的最高置信度确定样本s对应的置信度，最高置信度对应bounding box值为样本s的位置。
经过上述训练过程，可以减少网络参数的偏离程度，在一定程度上缓解或避免灾难性遗忘的问题。
实施例7：
基于相同的技术构思，在上述各实施例的基础上，本申请提供了一种目标检测装置，图2为本申请的一些实施例提供的一种目标检测装置结构示意图，如图2所示，该装置包括：
输入模块201，用于将待检测的第一数据输入到预先训练完成的目标检测模型库中，目标检测模型库中包括多个目标检测模型，多个目标检测模型中的每个目标检测模型用于进行一类任务的检测；
第一确定模块202，用于基于目标检测模型库，确定每个目标检测模型针对第一数据的目标检测结果和置信度；
第二确定模块203，用于根据每个目标检测模型针对第一数据的目标检测结果和置信度，确定第一数据的目标检测结果。
在一种可能的实施方式中，该装置还包括训练模块，训练模块，用于获取包括多个数据集的样本集，多个数据集中的每个数据集对应一类任务；采用对应同一类任务的数据集，对目标检测模型进行训练，将训练完成的目标检测模型加入目标检测模型库。
在一种可能的实施方式中，训练模块，具体用于在多个数据集中选取一个目标数据集；基于目标数据集训练得到目标检测模型；判断在多个数据集中，是否存在除目标数据集外的能够被目标检测模型完成目标检测的其他数据集；如果存在，确定目标数据集和其他数据集对应同一类任务，并确定目标检测模型用于进行同一类任务的检测；如果不存在，确定目标检测模型用于进行目标数据集对应的任务类型的检测。
在一种可能的实施方式中，训练模块，具体用于采用其他数据集对目标检测模型进行一轮训练，并采用指数滑动平均算法更新目标检测模型；确定更新后的目标检测模型用于进行同一类任务的检测。
在一种可能的实施方式中，更新后的目标检测模型满足：m′ 1＝(1-α)m1+αm1，m′ 1表示更新后的目标检测模型，m1表示目标检测模型。
在一种可能的实施方式中，训练模块，还用于在多个数据集中删除目标数据集和其他数据集，得到更新后的数据集；在更新后的数据集中重新选取一个目标数据集，继续训练新的目标检测模型，直至基于更新后的数据集中所有的数据集完成训练。
在一种可能的实施方式中，第二确定模块203，具体用于在每个目标检测模型针对第一数据的置信度中，确定最高置信度；根据最高置信度对应的目标检测结果，确定第一数据的目标检测结果。
实施例8：
基于相同的技术构思，本申请还提供了一种电子设备，图3为本申请实施例提供的一种电子设备结构示意图，如图3所示，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
存储器303中存储有计算机程序，当程序被处理器301执行时，使得处理器301执行如下步骤：
将待检测的第一数据输入到预先训练完成的目标检测模型库中，目标检测模型库中包括多个目标检测模型，多个目标检测模型中的每个目标检测模型用于进行一类任务的检测；
基于目标检测模型库，确定每个目标检测模型针对第一数据的目标检测结果和置信度；
根据每个目标检测模型针对第一数据的目标检测结果和置信度，确定第一数据的目标检测结果。
在一种可能的实施方式中，处理器301，还用于获取包括多个数据集的样本集，多个数据集中的每个数据集对应一类任务；
采用对应同一类任务的数据集，对目标检测模型进行训练，将训练完成的目标检测模型加入目标检测模型库。
在一种可能的实施方式中，处理器301，具体用于在多个数据集中选取一个目标数据集；
基于目标数据集训练得到目标检测模型；
判断在多个数据集中，是否存在除目标数据集外的能够被目标检测模型完成目标检测的其他数据集；
如果存在，确定目标数据集和其他数据集对应同一类任务，并确定目标检测模型用于进行同一类任务的检测；
如果不存在，确定目标检测模型用于进行目标数据集对应的任务类型的检测。
在一种可能的实施方式中，处理器301，具体用于采用其他数据集对目标检测模型进行一轮训练，并采用指数滑动平均算法更新目标检测模型；
确定更新后的目标检测模型用于进行同一类任务的检测。
在一种可能的实施方式中，更新后的目标检测模型满足：m′ 1＝(1-α)m1+αm1，m′ 1表示更新后的目标检测模型，m1表示目标检测模型。
在一种可能的实施方式中，处理器301，还用于在多个数据集中删除目标数据集和其他数据集，得到更新后的数据集；
在更新后的数据集中重新选取一个目标数据集，继续训练新的目标检测模型，直至基于更新后的数据集中所有的数据集完成训练。
在一种可能的实施方式中，处理器301，具体用于在每个目标检测模型针对第一数据的置信度中，确定最高置信度；
根据最高置信度对应的目标检测结果，确定第一数据的目标检测结果。
上述电子设备提到的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字指令处理器)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
实施例9：
基于相同的技术构思，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质内存储有可由电子设备执行的计算机程序，当程序在电子设备上运行时，使得电子设备执行时实现上述任一实施例。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、MO(磁光盘)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、NAND FLASH(非易失性存储器)、SSD(固态硬盘)等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种目标检测方法，其特征在于，所述方法包括：
将待检测的第一数据输入到预先训练完成的目标检测模型库中，所述目标检测模型库中包括多个目标检测模型，所述多个目标检测模型中的每个目标检测模型用于进行一类任务的检测；
基于所述目标检测模型库，确定所述每个目标检测模型针对所述第一数据的目标检测结果和置信度；
根据所述每个目标检测模型针对所述第一数据的目标检测结果和置信度，确定所述第一数据的目标检测结果。
2.如权利要求1所述的方法，其特征在于，所述目标检测模型库的训练过程包括：
获取包括多个数据集的样本集，所述多个数据集中的每个数据集对应一类任务；
采用对应同一类任务的数据集，对目标检测模型进行训练，将训练完成的所述目标检测模型加入所述目标检测模型库。
3.如权利要求2所述的方法，其特征在于，所述采用对应同一类任务的数据集，对目标检测模型进行训练包括：
在所述多个数据集中选取一个目标数据集；
基于所述目标数据集训练得到目标检测模型；
判断在所述多个数据集中，是否存在除所述目标数据集外的能够被所述目标检测模型完成目标检测的其他数据集；
如果存在，确定所述目标数据集和所述其他数据集对应同一类任务，并确定所述目标检测模型用于进行所述同一类任务的检测；
如果不存在，确定所述目标检测模型用于进行所述目标数据集对应的任务类型的检测。
4.如权利要求3所述的方法，其特征在于，所述确定所述目标检测模型用于进行所述同一类任务的检测包括：
采用所述其他数据集对所述目标检测模型进行一轮训练，并采用指数滑动平均算法更新所述目标检测模型；
确定更新后的所述目标检测模型用于进行所述同一类任务的检测。
5.如权利要求4所述的方法，其特征在于，所述更新后的所述目标检测模型满足：m′ 1＝(1-α)m1+αm1，m′ 1表示所述更新后的所述目标检测模型，m1表示所述目标检测模型。
6.如权利要求3所述的方法，其特征在于，所述确定所述目标数据集和所述其他数据集对应同一类任务之后，所述方法还包括：
在所述多个数据集中删除所述目标数据集和所述其他数据集，得到更新后的数据集；
在所述更新后的数据集中重新选取一个目标数据集，继续训练新的目标检测模型，直至基于所述更新后的数据集中所有的数据集完成训练。
7.如权利要求1-6任一项所述的方法，其特征在于，所述根据所述每个目标检测模型针对所述第一数据的目标检测结果和置信度，确定所述第一数据的目标检测结果包括：
在所述每个目标检测模型针对所述第一数据的置信度中，确定最高置信度；
根据所述最高置信度对应的目标检测结果，确定所述第一数据的目标检测结果。
8.一种目标检测装置，其特征在于，所述装置包括：
输入模块，用于将待检测的第一数据输入到预先训练完成的目标检测模型库中，所述目标检测模型库中包括多个目标检测模型，所述多个目标检测模型中的每个目标检测模型用于进行一类任务的检测；
第一确定模块，用于基于所述目标检测模型库，确定所述每个目标检测模型针对所述第一数据的目标检测结果和置信度；
第二确定模块，用于根据所述每个目标检测模型针对所述第一数据的目标检测结果和置信度，确定所述第一数据的目标检测结果。
9.一种电子设备，其特征在于，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7任一项所述的目标检测方法的步骤。
10.一种计算机存储介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行权利要求1-7任一项所述的目标检测方法的步骤。
CN202310581916.XA 2023-05-23 2023-05-23 一种目标检测方法、装置、设备及介质 Pending CN116681967A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310581916.XA CN116681967A (zh) 2023-05-23 2023-05-23 一种目标检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310581916.XA CN116681967A (zh) 2023-05-23 2023-05-23 一种目标检测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116681967A true CN116681967A (zh) 2023-09-01

Family

ID=87784572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310581916.XA Pending CN116681967A (zh) 2023-05-23 2023-05-23 一种目标检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116681967A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117253333A (zh) * 2023-11-20 2023-12-19 深圳市美安科技有限公司 一种火灾摄像检测装置、火灾检测报警方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117253333A (zh) * 2023-11-20 2023-12-19 深圳市美安科技有限公司 一种火灾摄像检测装置、火灾检测报警方法及系统

Similar Documents

Publication Publication Date Title
CN110276446B (zh) 模型训练和选择推荐信息的方法和装置
CN108073519B (zh) 测试用例生成方法和装置
CN110163376B (zh) 样本检测方法、媒体对象的识别方法、装置、终端及介质
US11829848B2 (en) Adding negative classes for training classifier
US11880400B2 (en) Machine learning-based user-customized automatic patent document classification method, device, and system
US11481659B1 (en) Hyperparameter optimization using fairness constraints
CN111160959B (zh) 一种用户点击转化预估方法及装置
CN116681967A (zh) 一种目标检测方法、装置、设备及介质
CN114330588A (zh) 一种图片分类方法、图片分类模型训练方法及相关装置
CN109615080B (zh) 无监督模型评估方法、装置、服务器及可读存储介质
CN111159241A (zh) 一种点击转化预估方法及装置
CN110059743B (zh) 确定预测的可靠性度量的方法、设备和存储介质
WO2019194128A1 (ja) モデル学習装置、モデル学習方法、プログラム
CN117523218A (zh) 标签生成、图像分类模型的训练、图像分类方法及装置
US11989626B2 (en) Generating performance predictions with uncertainty intervals
CN114419420A (zh) 一种模型检测方法、装置、设备以及存储介质
CN110991659B (zh) 异常节点识别方法、装置、电子设备及存储介质
CN114065858A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN113723436A (zh) 数据的处理方法、装置、计算机设备和存储介质
CN116740489A (zh) 一种目标检测方法、装置、设备及介质
CN111767937A (zh) 目标检测模型训练方法、装置、电子设备及存储介质
CN112836076A (zh) 一种图像标签生成方法、装置及设备
WO2021024297A1 (ja) 敵対的事例検知システム、方法およびプログラム
US20180330272A1 (en) Method of Adding Classes to Classifier
US11928466B2 (en) Distributed representations of computing processes and events

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