[發明專利]一種目標檢測模型的訓練方法、目標檢測方法及終端設備

有效

• 申請號: 202010933269.0
• 申請日: 2020-09-08
• 公開（公告）號: CN112215255B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 李國法;紀澤鋒
• 申請（專利權）人: 深圳大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06N3/0475;G06N3/094
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 唐佳芝

本申請適用于圖像處理的技術領域，提供了一種目標檢測模型的訓練方法，包括：獲取多個數據集，每個所述數據集包括源域圖像以及目標域圖像；將每個所述數據集中的所述源域圖像以及所述目標域圖像進行轉換處理，得到過渡域圖像；將所述過渡域圖像以及所述目標域圖像輸入對抗學習模型中，訓練目標檢測模型，得到訓練后的目標檢測模型；所述對抗學習模型包括目標檢測模型以及所述域分類模型；所述目標檢測模型以及域分類模型用于對抗學習。上述方案，通過域分類模型與目標檢測模型進行對抗學習，使得目標檢測模型適應于不同的場景，提高了對不同場景下圖像的檢測精度。

技術領域

本申請屬于圖像處理的技術領域，尤其涉及一種目標檢測模型的訓練方法、目標檢測方法及終端設備。

背景技術

得益于近年來深度學習技術的快速發展，針對圖像的目標檢測的性能日益優良，廣泛地應用在自動駕駛、智能交通、監控系統和人臉檢測等領域。

然而，傳統的目標檢測技術往往依賴于大量可靠的帶標注的源域圖像進行監督學習。當訓練數據和測試數據的域不同時，傳統的目標檢測技術無法很好地勝任(其中，域是指圖像所處的環境，例如白天和黑夜為不同域)。而域差異或域轉移常常導致不利的模型泛化，造成對圖像的檢測精度較低，這是一個亟需解決的問題。

發明內容

有鑒于此，本申請實施例提供了一種目標檢測模型的訓練方法、目標檢測方法及終端設備，可以解決域差異或域轉移常常導致不利的模型泛化，造成對圖像的檢測精度較低的技術問題。

本申請實施例的第一方面提供了一種目標檢測模型的訓練方法，所述方法包括：

獲取多個數據集，每個所述數據集包括源域圖像以及目標域圖像；所述源域圖像中包括目標物體的標注信息；所述目標域圖像中不包括目標物體的標注信息；

將每個所述數據集中的所述源域圖像以及所述目標域圖像進行轉換處理，得到過渡域圖像；所述過渡域圖像包括所述源域圖像中的所述目標物體、所述源域圖像中的所述標注信息以及所述目標域圖像中的背景信息；

將所述過渡域圖像以及所述目標域圖像輸入對抗學習模型中，訓練目標檢測模型，得到訓練后的目標檢測模型；所述對抗學習模型包括目標檢測模型以及域分類模型；所述目標檢測模型以及所述域分類模型用于對抗學習。

本申請實施例的第二方面提供了一種目標檢測的方法，所述方法包括：

采集待檢測圖像；

獲取預先訓練的目標檢測模型；所述預先訓練的目標檢測模型是由過渡域圖像以及目標域圖像訓練對抗學習模型而得；其中，所述對抗學習模型包括目標檢測模型以及域分類模型；所述目標檢測模型以及所述域分類模型用于對抗學習；所述過渡域圖像是由源域圖像以及所述目標域圖像進行轉換處理，得到的圖像；

將待識別的圖像輸入所述目標檢測模型中，得到由所述目標檢測模型輸出的目標檢測結果。

本申請實施例的第三方面提供了一種目標檢測模型的訓練裝置，所述裝置包括：

第一獲取單元，用于獲取多個數據集，每個所述數據集包括源域圖像以及目標域圖像；所述源域圖像中包括目標物體的標注信息；所述目標域圖像中不包括目標物體的標注信息；

圖像處理單元，用于將每個所述數據集中的所述源域圖像以及所述目標域圖像進行轉換處理，得到過渡域圖像；所述過渡域圖像包括所述源域圖像中的所述目標物體、所述源域圖像中的所述標注信息以及所述目標域圖像中的背景信息；

訓練單元，用于將所述過渡域圖像以及所述目標域圖像輸入對抗學習模型中，訓練目標檢測模型，得到訓練后的目標檢測模型；所述對抗學習模型包括目標檢測模型以及域分類模型；所述目標檢測模型以及所述域分類模型用于對抗學習。

本申請實施例的第四方面提供了一種目標檢測的裝置，所述裝置包括：