[發明專利]樣本圖像增量、圖像檢測模型訓練及圖像檢測方法

有效

• 申請號: 202110371342.4
• 申請日: 2021-04-07
• 公開（公告）號: CN112949767B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 王云浩;張濱;辛穎;馮原;韓樹民
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06N3/0475;G06N3/045;G06N3/08
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

本公開提供了一種樣本圖像增量方法、圖像檢測模型訓練方法、圖像檢測方法，以及對應的裝置、電子設備、計算機可讀存儲介質及計算機程序產品，涉及計算機視覺和深度學習等人工智能領域，可應用于智能云和工業質檢場景下。一具體實施方式包括：獲取原始樣本圖像的第一卷積特征；根據區域生成網絡和第一卷積特征確定候選區域、候選區域中包含目標對象的第一概率；基于第一概率在候選區域中確定目標候選區域，并將目標候選區域映射回原始樣本圖像，得到中間圖像；對中間圖像中對應目標候選區域的部分進行圖像增強處理和/或對中間圖像中對應非目標候選區域的部分進行圖像模糊處理，得到增量樣本圖像。應用該實施方式生成的增量樣本圖像可用性更高。

技術領域

本公開涉及為人工智能領域，具體涉及計算機視覺和深度學習技術，可應用于智能云和工業質檢場景下，尤其涉及一種樣本圖像增量方法、圖像檢測模型訓練方法、圖像檢測方法，以及對應的裝置、電子設備、計算機可讀存儲介質及計算機程序產品。

背景技術

在目標檢測領域中，機器學習算法往往需要通過對大量已標注的訓練樣本進行學習，從而利用訓練好的模型對實際樣本進行目標檢測。

在部分技術領域下，由于目標物體數量稀少或者獲得難度極高，很難收集到足夠的訓練樣本，也就無法保證訓練出的模型的識別能力。

現有技術通常通過對樣本圖像進行旋轉等變換方式、基于生成對抗網絡或遷移學習的方式來實現小樣本的樣本增量。

發明內容

本公開實施例提出了一種樣本圖像增量方法、圖像檢測模型訓練方法、圖像檢測方法，以及對應的裝置、電子設備、計算機可讀存儲介質及計算機程序產品。

第一方面，本公開實施例提出了一種樣本圖像增量方法，包括：獲取原始樣本圖像的第一卷積特征；根據區域生成網絡和第一卷積特征確定候選區域、候選區域中包含目標對象的第一概率；基于第一概率在候選區域中確定目標候選區域，并將目標候選區域映射回原始樣本圖像，得到中間圖像；對中間圖像中對應目標候選區域的部分進行圖像增強處理和/或對中間圖像中對應非目標候選區域的部分進行圖像模糊處理，得到增量樣本圖像。

第二方面，本公開實施例提出了一種樣本圖像增量裝置，包括：第一卷積特征獲取單元，被配置成獲取原始樣本圖像的第一卷積特征；候選區域及概率確定單元，被配置成根據區域生成網絡和第一卷積特征確定候選區域、候選區域中包含目標對象的第一概率；目標候選區域確定及映射單元，被配置成基于第一概率在候選區域中確定目標候選區域，并將目標候選區域映射回原始樣本圖像，得到中間圖像；中間圖像處理單元，被配置成對中間圖像中對應目標候選區域的部分進行圖像增強處理和/或對中間圖像中對應非目標候選區域的部分進行圖像模糊處理，得到增量樣本圖像。

第三方面，本公開實施例提出了一種圖像檢測模型訓練方法，包括：獲取增量樣本圖像的第二卷積特征；其中，增量樣本圖像通過如第一方面中的任一實現方式得到；根據區域生成網絡和第二卷積特征確定新候選區域、新候選區域包含目標對象的第二概率；獲取對應第一概率的第一損失值，以及對應第二概率的第二損失值；基于加權后的第一損失值和第二損失值，確定綜合損失值；基于綜合損失值滿足預設要求，得到訓練完成的圖像檢測模型。

第四方面，本公開實施例提出了一種圖像檢測模型訓練裝置，包括：第二卷積特征獲取單元，被配置成獲取增量樣本圖像的第二卷積特征；其中，增量樣本圖像通過如第二方面中的任一實現方式得到；新候選區域及概率確定單元，被配置成根據區域生成網絡和第二卷積特征確定新候選區域、新候選區域包含目標對象的第二概率；損失值獲取單元，被配置成獲取對應第一概率的第一損失值，以及對應第二概率的第二損失值；綜合損失值確定單元，被配置成基于加權后的第一損失值和第二損失值，確定綜合損失值；圖像檢測模型訓練單元，被配置成基于綜合損失值滿足預設要求，得到訓練完成的圖像檢測模型。

第五方面，本公開實施例提供了一種圖像檢測方法，包括：接收待檢測圖像；調用圖像檢測模型對待檢測圖像進行檢測；其中，圖像檢測模型通過如第三方面中的任一實現方式得到。