基于半监督学习的检测模型训练方法、装置、设备及介质制造方法及图纸

本申请提供一种基于半监督学习的检测模型训练方法、装置、设备及介质，涉及图像处理技术领域。该方法通过对样本图像中检测目标的第一识别区的已有标注框，采用预设扩增规则，得到其他多个识别区的扩增标注框，并根据第一识别区的已有标注框以及其他识别区的扩增标注框进行模型的训练，得到检测模型。其中，通过预设扩增规则，在已有标注框的基础上，得到多个扩增标注框，可以有效提高训练样本扩增速度，从而提高检测模型训练的效率，同时也有效增强了检测模型的泛化能力。另外，通过采用改进后的损失函数，对训练得到的检测模型进行优化，使得检测模型的检测精确度更高。

Training method, device, equipment and medium of detection model based on semi supervised learning

【技术实现步骤摘要】
基于半监督学习的检测模型训练方法、装置、设备及介质
本专利技术涉及图像处理
，具体而言，涉及一种基于半监督学习的检测模型训练方法、装置、设备及介质。
技术介绍
近年来，随着图像处理技术的不断更新及发展，深度学习在计算机视觉上的应用越来越广泛，并迅速在目标检测、图像分类，分割，图像生成等领域取得了重大突破。其中，目标检测是众多计算机视觉算法的基础，受到众多研究者的关注。基于深度学习的目标检测算法，虽然比传统目标检测方法取得了更好的效果。但训练深度学习模型的一个重要前提是：需要大量有标签的训练数据。随着人力成本的升高，提高人工标注数据的效率和使用率也变得愈加重要。现有技术中，在获取训练样本时，是需要对样本中的目标标注矩形框，当面临新的场景，更换新的检测目标时，则需要新增一批新的检测目标所对应的训练样本，同时对新增的训练样本进行目标标注。由于现有技术中，需要不断的对大量的目标进行标注，导致运算成本相对较高，同时算法迭代速度较慢，降低了模型训练的速度。
技术实现思路
本专利技术的目的在于，针对上述现有技术中的不足，提供一种基于半监督学习的检测模型训练方法、装置、设备及介质，以便于解决现有技术中存在的检测样本框标注数据量大，运算速度较慢，导致模型训练效率较低的问题。为实现上述目的，本申请实施例采用的技术方案如下：第一方面，本申请实施例提供了一种基于半监督学习的检测模型训练方法，包括：根据样本图像中检测目标的第一识别区的已有标注框，分别采用至少一个预设扩增规则，得到所述样本图像中所述检测目标的至少一个第二识别区的扩增标注框；每个所述预设扩增规则对应一个所述第二识别区；根据具有所述已有标注框和所述扩增标注框的所述样本图像进行模型训练，得到检测模型；所述检测模型用于对待测图像中所述检测目标的所述第一识别区和至少一个所述第二识别区进行检测。可选地，所述根据样本图像中检测目标的第一识别区的已有标注框，分别采用至少一个预设扩增规则，得到所述样本图像中所述检测目标的至少一个第二识别区的扩增标注框，包括：根据所述第一识别区的已有标注框的坐标，和一个所述预设扩增规则对应的预设扩增比例，得到一个所述第二识别区的扩增标注框的坐标；根据至少一个所述第二识别区的扩增标注框的坐标，对所述样本图像进行标注，得到至少一个所述第二识别区的所述扩增标注框。可选地，所述方法还包括：采用所述检测模型，对所述样本图像进行预测，得到所述第一识别区的第一预测框和至少一个所述第二识别区的第二预测框；根据所述第一预测框、至少一个所述第二预测框、所述已有标注框、至少一个所述扩增标注框，确定所述检测模型的损失函数值；根据所述损失函数值，对所述检测模型的参数进行更新，直至更新后的所述检测模型的损失函数值最小。可选地，所述根据所述第一预测框、至少一个所述第二预测框、所述已有标注框、至少一个所述扩增标注框，确定所述检测模型的损失函数值，包括：根据所述第一预测框和所述已有标注框，确定所述第一识别区对应的损失函数值；根据一个所述第二预测框和对应的所述扩增标注框，确定一个所述第二识别区对应的损失函数值；根据所述第一识别区对应的损失函数值和至少一个所述第二识别区对应的损失函数值，确定所述检测模型的损失函数值。可选地，所述已有标注框中每个像素点对应至少一个第一锚点框；所述根据所述第一预测框和所述已有标注框，确定所述第一识别区对应的损失函数值，包括：根据至少一个所述第一锚点框的坐标，分别对所述第一预测框和所述已有标注框的坐标进行转换；根据转换后的所述第一预测框的坐标和所述已有标注框的坐标，确定所述第一识别区对应的损失函数值。可选地，所述扩增标注框中每个像素点对应至少一个第二锚点框；所述根据一个所述第二预测框和对应的所述扩增标注框，确定一个所述第二识别区对应的损失函数值，包括：根据至少一个所述第二锚点框的坐标，分别对所述第二预测框和对应的所述扩增标注框的坐标进行转换；根据转换后的所述第二预测框的坐标和所述扩增标注框的坐标，确定一个所述第二识别区对应的损失函数值。第二方面，本申请实施例还提供了一种基于半监督学习的检测模型训练装置，包括：扩增模块、训练模块；所述扩增模块，用于根据样本图像中检测目标的第一识别区的已有标注框，分别采用至少一个预设扩增规则，得到所述样本图像中所述检测目标的至少一个第二识别区的扩增标注框；每个所述预设扩增规则对应一个所述第二识别区；所述训练模块，用于根据具有所述已有标注框和所述扩增标注框的所述样本图像进行模型训练，得到检测模型；所述检测模型用于对待测图像中所述检测目标的所述第一识别区和至少一个所述第二识别区进行检测。可选地，所述扩增模块，具体用于根据所述第一识别区的已有标注框的坐标，和一个所述预设扩增规则对应的预设扩增比例，得到一个所述第二识别区的扩增标注框的坐标；根据至少一个所述第二识别区的扩增标注框的坐标，对所述样本图像进行标注，得到至少一个所述第二识别区的所述扩增标注框。可选地，所述装置还包括：预测模块、确定模块、更新模块；所述预测模块，用于采用所述检测模型，对所述样本图像进行预测，得到所述第一识别区的第一预测框和至少一个所述第二识别区的第二预测框；所述确定模块，用于根据所述第一预测框、至少一个所述第二预测框、所述已有标注框、至少一个所述扩增标注框，确定所述检测模型的损失函数值；所述更新模块，用于根据所述损失函数值，对所述检测模型的参数进行更新，直至更新后的所述检测模型的损失函数值最小。可选地，所述确定模块，具体用于根据所述第一预测框和所述已有标注框，确定所述第一识别区对应的损失函数值；根据一个所述第二预测框和对应的所述扩增标注框，确定一个所述第二识别区对应的损失函数值；根据所述第一识别区对应的损失函数值和至少一个所述第二识别区对应的损失函数值，确定所述检测模型的损失函数值。可选地，所述已有标注框中每个像素点对应至少一个第一锚点框；所述确定模块，具体用于根据至少一个所述第一锚点框的坐标，分别对所述第一预测框和所述已有标注框的坐标进行转换；根据转换后的所述第一预测框的坐标和所述已有标注框的坐标，确定所述第一识别区对应的损失函数值。可选地，所述扩增标注框中每个像素点对应至少一个第二锚点框；所述确定模块，具体用于根据至少一个所述第二锚点框的坐标，分别对所述第二预测框和对应的所述扩增标注框的坐标进行转换；根据转换后的所述第二预测框的坐标和所述扩增标注框的坐标，确定一个所述第二识别区对应的损失函数值。第三方面，本申请实施例还提供了一种计算设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当计算设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如上述第一方面所述的基于半监督学习的检测模型训练方法的步骤。...

【技术保护点】
1.一种基于半监督学习的检测模型训练方法，其特征在于，包括：/n根据样本图像中检测目标的第一识别区的已有标注框，分别采用至少一个预设扩增规则，得到所述样本图像中所述检测目标的至少一个第二识别区的扩增标注框；每个所述预设扩增规则对应一个所述第二识别区；/n根据具有所述已有标注框和所述扩增标注框的所述样本图像进行模型训练，得到检测模型；所述检测模型用于对待测图像中所述检测目标的所述第一识别区和至少一个所述第二识别区进行检测。/n

【技术特征摘要】
1.一种基于半监督学习的检测模型训练方法，其特征在于，包括：
根据样本图像中检测目标的第一识别区的已有标注框，分别采用至少一个预设扩增规则，得到所述样本图像中所述检测目标的至少一个第二识别区的扩增标注框；每个所述预设扩增规则对应一个所述第二识别区；
根据具有所述已有标注框和所述扩增标注框的所述样本图像进行模型训练，得到检测模型；所述检测模型用于对待测图像中所述检测目标的所述第一识别区和至少一个所述第二识别区进行检测。


2.如权利要求1所述的方法，其特征在于，所述根据样本图像中检测目标的第一识别区的已有标注框，分别采用至少一个预设扩增规则，得到所述样本图像中所述检测目标的至少一个第二识别区的扩增标注框，包括：
根据所述第一识别区的已有标注框的坐标，和一个所述预设扩增规则对应的预设扩增比例，得到一个所述第二识别区的扩增标注框的坐标；
根据至少一个所述第二识别区的扩增标注框的坐标，对所述样本图像进行标注，得到至少一个所述第二识别区的所述扩增标注框。


3.如权利要求2所述的方法，其特征在于，所述方法还包括：
采用所述检测模型，对所述样本图像进行预测，得到所述第一识别区的第一预测框和至少一个所述第二识别区的第二预测框；
根据所述第一预测框、至少一个所述第二预测框、所述已有标注框、至少一个所述扩增标注框，确定所述检测模型的损失函数值；
根据所述损失函数值，对所述检测模型的参数进行更新，直至更新后的所述检测模型的损失函数值最小。


4.如权利要求3所述的方法，其特征在于，所述根据所述第一预测框、至少一个所述第二预测框、所述已有标注框、至少一个所述扩增标注框，确定所述检测模型的损失函数值，包括：
根据所述第一预测框和所述已有标注框，确定所述第一识别区对应的损失函数值；
根据一个所述第二预测框和对应的所述扩增标注框，确定一个所述第二识别区对应的损失函数值；
根据所述第一识别区对应的损失函数值和至少一个所述第二识别区对应的损失函数值，确定所述检测模型的损失函数值。


5.如权利要求4所述的方法，其特征在于，所述已有标注框中每个像素点对应至少一个第一锚点框；
所述根据所述第一预测框和所述已有标注框，确定所述...

【专利技术属性】
技术研发人员：徐菊婷，蒋伟伟，钟浩，
申请(专利权)人：北京明略软件系统有限公司，
类型：发明
国别省市：北京;11