[發(fā)明專利]模型訓(xùn)練方法、圖像特征提取方法、目標(biāo)檢測方法和裝置

在審

• 申請?zhí)枺?/td>: 202011035233.7
• 申請日: 2020-09-27
• 公開（公告）號(hào): CN112232384A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計(jì)）人: 王遠(yuǎn)江;鄭凱;袁野
• 申請（專利權(quán)）人: 北京邁格威科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 北京潤澤恒知識(shí)產(chǎn)權(quán)代理有限公司 11319
• 代理人: 王婷婷

本申請實(shí)施例公開了模型訓(xùn)練方法、圖像特征提取方法、目標(biāo)檢測方法和裝置。該方法的實(shí)施例包括：獲取第一樣本集，第一樣本集中包括樣本圖像；從第一樣本集中提取部分樣本圖像作為目標(biāo)樣本圖像，執(zhí)行如下訓(xùn)練步驟：將各目標(biāo)樣本圖像輸入至初始模型，得到各目標(biāo)樣本圖像的特征信息；對所得到的特征信息進(jìn)行聚類，并基于聚類結(jié)果確定各目標(biāo)樣本圖像對應(yīng)的負(fù)樣本圖像；確定各目標(biāo)樣本圖像對應(yīng)的正樣本圖像；基于各目標(biāo)樣本圖像對應(yīng)的正樣本圖像和負(fù)樣本圖像，確定損失值，并基于損失值調(diào)整初始模型的參數(shù)；響應(yīng)于檢測到初始模型訓(xùn)練完成，將調(diào)整參數(shù)后的初始模型確定為圖像特征提取模型。該實(shí)施方式降低了模型訓(xùn)練時(shí)的人力成本，同時(shí)提高了模型的準(zhǔn)確性。

技術(shù)領(lǐng)域

本申請實(shí)施例涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體涉及模型訓(xùn)練方法、圖像特征提取方法、目標(biāo)檢測方法和裝置。

背景技術(shù)

隨著人工智能領(lǐng)域的發(fā)展，模型訓(xùn)練任務(wù)越來越多。例如，在圖像特征提取模型、目標(biāo)檢測模型等模型訓(xùn)練時(shí)，通常需要使用大量的帶有標(biāo)注的樣本，使模型進(jìn)行充分的有監(jiān)督學(xué)習(xí)。

現(xiàn)有技術(shù)中，通常通過人工為樣本進(jìn)行標(biāo)注，從而使用帶有標(biāo)注的樣本進(jìn)行模型訓(xùn)練。這種人工標(biāo)注方式較為耗費(fèi)人力成本。同時(shí)，人工標(biāo)注存在的主觀差異性，會(huì)導(dǎo)致標(biāo)注不夠準(zhǔn)確，從而導(dǎo)致模型的輸出結(jié)果的不夠準(zhǔn)確。

發(fā)明內(nèi)容

本申請實(shí)施例提出了模型訓(xùn)練方法、圖像特征提取方法、目標(biāo)檢測方法和裝置，以解決現(xiàn)有技術(shù)中在模型訓(xùn)練過程中因人工標(biāo)注樣本導(dǎo)致人力成本較高以及模型的輸出結(jié)果的準(zhǔn)確性較低的技術(shù)問題。

第一方面，本申請實(shí)施例提供了一種圖像特征提取模型訓(xùn)練方法，該方法包括：獲取第一樣本集，所述第一樣本集中包括樣本圖像；從所述第一樣本集中提取部分樣本圖像作為目標(biāo)樣本圖像，執(zhí)行如下訓(xùn)練步驟：將各目標(biāo)樣本圖像輸入至初始模型，得到各目標(biāo)樣本圖像的特征信息；對所得到的特征信息進(jìn)行聚類，并基于聚類結(jié)果確定各目標(biāo)樣本圖像對應(yīng)的負(fù)樣本圖像；確定各目標(biāo)樣本圖像對應(yīng)的正樣本圖像；基于各目標(biāo)樣本圖像對應(yīng)的正樣本圖像和負(fù)樣本圖像，確定損失值，并基于所述損失值調(diào)整所述初始模型的參數(shù)；響應(yīng)于檢測到所述初始模型訓(xùn)練完成，將調(diào)整參數(shù)后的初始模型確定為圖像特征提取模型。

第二方面，本申請實(shí)施例提供了一種圖像特征提取方法，該方法包括：獲取目標(biāo)圖像；將所述目標(biāo)圖像輸入至采用第一方面中的方法訓(xùn)練得到的圖像特征提取模型，得到所述目標(biāo)圖像的特征信息。

第三方面，本申請實(shí)施例提供了一種目標(biāo)檢測方法，包括：獲取目標(biāo)圖像；將所述目標(biāo)圖像輸入至預(yù)先訓(xùn)練的目標(biāo)檢測模型，得到所述目標(biāo)圖像的目標(biāo)檢測結(jié)果，其中，所述目標(biāo)檢測模型中包含圖像特征提取模型，所述圖像特征提取模型通過第一方面中的方法訓(xùn)練得到。

第四方面，本申請實(shí)施例提供了一種圖像特征提取模型訓(xùn)練裝置，該裝置包括：獲取單元，被配置成獲取第一樣本集，所述第一樣本集中包括樣本圖像；第一訓(xùn)練單元，被配置成從所述第一樣本集中提取部分樣本圖像作為目標(biāo)樣本圖像，執(zhí)行如下訓(xùn)練步驟：將各目標(biāo)樣本圖像輸入至初始模型，得到各目標(biāo)樣本圖像的特征信息；對所得到的特征信息進(jìn)行聚類，并基于聚類結(jié)果確定各目標(biāo)樣本圖像對應(yīng)的負(fù)樣本圖像；確定各目標(biāo)樣本圖像對應(yīng)的正樣本圖像；基于各目標(biāo)樣本圖像對應(yīng)的正樣本圖像和負(fù)樣本圖像，確定損失值，并基于所述損失值調(diào)整所述初始模型的參數(shù)；響應(yīng)于檢測到所述初始模型訓(xùn)練完成，將調(diào)整參數(shù)后的初始模型確定為圖像特征提取模型。

第五方面，本申請實(shí)施例提供了一種圖像特征提取裝置，該裝置包括：獲取單元，被配置成獲取目標(biāo)圖像；輸入單元，被配置成將所述目標(biāo)圖像輸入至采用第一方面中的方法訓(xùn)練得到的圖像特征提取模型，得到所述目標(biāo)圖像的特征信息。

第六方面，本申請實(shí)施例提供了一種目標(biāo)檢測裝置，該裝置包括：獲取單元，被配置成獲取目標(biāo)圖像；輸入單元，被配置成將所述目標(biāo)圖像輸入至預(yù)先訓(xùn)練的目標(biāo)檢測模型，得到所述目標(biāo)圖像的目標(biāo)檢測結(jié)果，其中，所述目標(biāo)檢測模型中包含圖像特征提取模型，所述圖像特征提取模型通過第一方面中的方法訓(xùn)練得到。