图像检测模型的训练和图像检测方法及装置制造方法及图纸

本公开涉及一种图像检测模型的训练和图像检测方法及装置，所述方法包括：通过初始训练集对初始检测模型进行训练，获得第一检测模型；通过第一检测模型对第二训练样本进行处理，获得第二训练样本的检测结果；通过包括第一训练样本和第二训练样本的扩充训练集对第一检测模型进行训练，获得第二检测模型。根据本公开的实施例，通过第一检测模型对第二训练样本进行检测，获得第二训练样本的检测结果，所述检测结果减小标注的工作量。进一步地，通过第二训练样本及其标注信息扩充训练集，使用扩充的训练集训练第一检测模型，获得第二检测模型，提升第二检测模型的性能，扩展第二检测模型的使用场景。

Training of image detection model and method and device of image detection

【技术实现步骤摘要】
图像检测模型的训练和图像检测方法及装置
本公开涉及计算机
，尤其涉及一种图像检测模型的训练和图像检测方法及装置。
技术介绍
近来，深度学习技术被广泛地应用于图像检测中。然而，基于深度学习的模型在投入实际应用前需要利用大量的训练数据对模型进行训练，才能确保模型在复杂场景下的处理性能。因此，在实际工程中对于图像训练数据的需求是巨大的。标注人员需要对大量的给定图片进行标注，标注工作量较大，尤其是面对复杂的场景，难以形成较大规模的训练集，从而限制了模型的使用场景和性能。
技术实现思路
本公开提出了一种图像检测模型的训练方法和图像检测方法及装置。根据本公开的一方面，提供了一种图像检测模型的训练方法，包括：通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。根据本公开的实施例的图像检测模型的训练方法，通过初步训练获得的第一检测模型对第二训练样本进行检测，获得第二训练样本的检测结果，基于检测结果获取第二训练样本的标注信息减小标注的工作量。进一步地，通过第二训练样本获得扩充训练集，迅速扩充训练集的规模，使用扩充的训练集对第一检测模型进行进一步的训练，获得第二检测模型，提升第二检测模型的性能，扩展第二检测模型的使用场景。在一些可能的实现方式中，通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，包括：通过所述第一检测模型对所述扩充训练集中的训练样本进行处理，获得所述训练样本的检测结果；根据所述训练样本的检测结果以及所述训练样本的标注信息，确定所述第一检测模型的模型损失；根据所述模型损失对第一检测模型的参数值进行调整，得到所述第二检测模型。通过这种方式，可根据检测结果和标注信息获得第二检测模型，提升第二检测模型的检测精度。在一些可能的实现方式中，所述第二训练样本的检测结果包括标注区域和未标注区域，其中，所述标注区域包括所述第二训练样本的检测结果中包括的至少一个目标区域。通过这种方式，可获得标注区域和未标注区域，可减少人工标注的工作量，提高第二检测模型的训练效率。在一些可能的实现方式中，在确定所述第一检测模型的模型损失的过程中，所述标注区域的权重大于所述未标注区域的权重。通过这种方式，可提高第二检测模型的训练效率。在一些可能的实现方式中，所述方法还包括：响应于所述第二检测模型满足预设模型条件，将所述第二检测模型确定为目标检测模型。通过这种方式，可获得检测精度较高的目标检测模型。在一些可能的实现方式中，所述方法还包括：响应于所述第二检测模型不满足预设模型条件，迭代执行通过当前检测模型对当前训练集进行扩充并利用扩充后的训练集训练所述当前检测模型的流程，直到训练得到的检测模型满足所述预设模型条件。通过这种方式，可通过迭代的方式提升模型的检测精度，获得检测精度较高的目标检测模型。在一些可能的实现方式中，所述训练样本包括：第一样本图像和第二样本图像，其中，所述第一样本图像和所述第二样本图像对应于同一区域的不同时刻。在一些可能的实现方式中，所述第二训练样本的检测结果包括所述第一样本图像相对于所述第二样本图像的至少一个预测变化区域，所述第二训练样本的标注信息包括指示所述至少一个预测变化区域中每个预测变化区域的标注，其中，所述标注为变化区域或未变化区域。通过这种方式，可降低人工标注的工作量，提高模型的训练效率。在一些可能的实现方式中，所述第一训练样本和所述第二训练样本为遥感图像。在一些可能的实现方式中，所述第一检测模型的检测阈值大于训练得到的目标检测模型的检测阈值。通过这种方式，可提高目标检测模型的检测精度。在一些可能的实现方式中，在所述通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练之前，还包括：利用不同的预处理参数，对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行同一类型的第一预处理，得到包括第三样本图像和第四样本图像的第三训练样本，其中，所述扩充训练集还包括所述第三训练样本。通过这种方式，可迅速扩充训练集。在一些可能的实现方式中，所述第一预处理包括下列中的至少一种：饱和度调整处理、对比度调整处理、亮度调整处理、色度调整处理、模糊处理和锐化处理。通过这种方式，可在不改变配准的情况下迅速扩充训练集。在一些可能的实现方式中，在所述通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练之前，还包括：对所述扩充训练集中的第一训练样本或第二训练样本包括的第一样本图像和第二样本图像进行配准偏移处理，得到包括第五样本图像和第六样本图像的第四训练样本，其中，所述第五样本图像和所述第六样本图像之间存在配准偏差，所述扩展训练集包括所述第四训练样本。通过这种方式，可迅速扩充训练集。在一些可能的实现方式中，所述对第一样本图像和第二样本图像进行配准偏移处理，包括：利用不同的预处理参数，对所述第一样本图像和第二样本图像进行同一类型的第二预处理，其中，所述第二预处理包括下列中的至少一种：像素平移处理、旋转处理和缩放处理。通过这种方式，可在改变配准的情况下迅速扩充训练集，并可提升第二检测模型的鲁棒性和适应能力。根据本公开的另一方面，提供了一种图像检测方法，包括：获取待检测的图像；利用图像检测模型对所述图像进行检测，得到所述图像的检测结果，其中，所述图像检测模型是利用上述的训练方法训练得到的。根据本公开的另一方面，提供了一种图像检测模型的训练装置，包括：第一训练模块，用于通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；处理模块，用于通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；第二训练模块，用于通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。在一些可能的实现方式中，所述第二训练模块被进一步配置为：通过所述第一检测模型对所述扩充训练集中的训练样本进行处理，获得所述训练样本的检测结果；根据所述训练样本的检测结果以及所述训练样本的标注信息，确定所述第一检测模型的模型损失；根据所述模型损失对第一检测模型的参数值进行调整，得到所述第二检测模型。在一些可能的实现方式中，所述第二训练样本的检测结果包括标注区域和未标注区域，其本文档来自技高网...

【技术保护点】
1.一种图像检测模型的训练方法，其特征在于，所述方法包括：/n通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；/n通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；/n通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。/n

【技术特征摘要】
1.一种图像检测模型的训练方法，其特征在于，所述方法包括：
通过初始训练集对初始检测模型进行训练，获得第一检测模型，其中，所述初始训练集包括具有标注信息的多个第一训练样本；
通过所述第一检测模型对至少一个第二训练样本进行处理，获得所述至少一个第二训练样本的检测结果；
通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，其中，所述第二训练样本的标注信息是基于所述第二训练样本的检测结果得到的。


2.根据权利要求1所述的方法，其特征在于，通过包括所述多个第一训练样本和所述至少一个第二训练样本的扩充训练集对所述第一检测模型进行训练，获得第二检测模型，包括：
通过所述第一检测模型对所述扩充训练集中的训练样本进行处理，获得所述训练样本的检测结果；
根据所述训练样本的检测结果以及所述训练样本的标注信息，确定所述第一检测模型的模型损失；
根据所述模型损失对第一检测模型的参数值进行调整，得到所述第二检测模型。


3.根据权利要求1或2所述的方法，其特征在于，所述第二训练样本的检测结果包括标注区域和未标注区域，其中，所述标注区域包括所述第二训练样本的检测结果中包括的至少一个目标区域。


4.一种图像检测方法，其特征在于，包括：
获取待检测的图像；
利用图像检测模型对所述图像进行检测，得到所述图像的检测结果，其中，所述图像检测模型是利用权利要求1至3中任一项所述的训练方法训练得到的。


5.一种图像检测模型的训练装置，其特征...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京;11