[發明專利]目標檢測方法、裝置、電子設備及存儲介質

在審

• 申請號: 202110593978.3
• 申請日: 2021-05-28
• 公開（公告）號: CN113298159A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 吳宥萱;賴柏霖;周曉云;亞當·哈里森;黃凌云;呂樂;肖京
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/53;G06N3/02;G06N3/08
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

本發明涉及人工智能技術，揭露了一種目標檢測方法，包括：獲取訓練數據集；使用訓練數據集對原始檢測模型進行訓練，得到訓練參數，并對老師檢測模型與學生檢測模型進行初始化；對所述學生檢測模型進行訓練與參數更新，得到對照參數；根據對照參數對所述老師檢測模型進行更新；返回對所述學生檢測模型進行訓練與參數更新步驟，直到所述學生檢測模型收斂，得到目標檢測模型；利用目標檢測模型識別待檢測圖像包含的目標對象，得到檢測結果。此外，本發明還涉及區塊鏈技術，所述訓練數據集可存儲于區塊鏈的節點。本發明還提出一種目標檢測裝置、電子設備以及計算機可讀存儲介質。本發明可以解決目標檢測模型標注數據量少時檢測結果準確性較低的問題。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種目標檢測方法、裝置、電子設備及計算機可讀存儲介質。

背景技術

目前，目標檢測模型的應用已經涉及多個領域，如人臉檢測，車輛檢測，行人計數，自動駕駛，安全系統以及醫學檢測等。

而目標檢測模型中往往含有大量參數，需要通過大量標注數據進行學習，但在標注數據量低的情況下，很容易易造成過擬合問題，而大量的數據標注往往耗時耗力；同時對于現有的目標檢測模型，在訓練時使用偽標簽的方式，但偽標簽會放大邊緣的噪聲，造成模型容易學習到錯誤數據，導致模型的檢測結果準確性較低。

發明內容

本發明提供一種目標檢測方法、裝置及計算機可讀存儲介質，其主要目的在于解決目標檢測模型標注數據量少時檢測結果準確性較低的問題。

為實現上述目的，本發明提供的一種目標檢測方法，包括：

獲取訓練數據集,其中,所述訓練數據集包括標注數據和未標注數據；

使用所述訓練數據集中的標注數據對預構建的原始檢測模型進行訓練，得到訓練參數，并利用所述訓練參數對預構建的老師檢測模型與學生檢測模型進行初始化；

利用所述訓練數據集和初始化后的所述老師檢測模型對初始化后的所述學生檢測模型進行訓練與參數更新，得到對照參數；

根據所述對照參數對初始化后的所述老師檢測模型進行更新；

返回利用所述訓練數據集和初始化后的所述老師檢測模型對初始化后的所述學生檢測模型進行訓練與參數更新步驟，直到所述學生檢測模型收斂，得到目標檢測模型；

利用所述目標檢測模型識別待檢測圖像包含的目標對象，得到檢測結果。

可選地，所述所述獲取訓練數據集，包括：

從第一數據庫中獲取帶有檢測框和標簽的圖像，得到標注數據；

從第二數據庫中獲取未經過處理的圖像，得到未標注數據；

將所述標注數據和未標注數據匯集，得到訓練數據集。

可選地，所述使用所述訓練數據集中的標注數據對預構建的原始檢測模型進行訓練，得到訓練參數，包括：

獲取預構建的原始檢測模型；

利用所述原始檢測模型對所述訓練數據集中的標注數據進行目標檢測，得到檢測結果；

根據所述標注數據的標簽和檢測框計算所述檢測結果的損失值；

根據所述損失值對所述原始檢測模型的參數進行更新，得到訓練參數。

可選地，所述利用所述訓練數據集對初始化后的所述學生檢測模型進行訓練與參數更新，得到對照參數，包括：

對所述訓練數據集進行增廣處理，得到擴增數據集；

對所述擴增數據集進行擾動處理，得到擾動數據集；