一种目标检测方法、装置、存储介质及设备制造方法及图纸

本发明专利技术公开了一种目标检测方法、装置、存储介质及设备，所述方法包括获取待进行目标检测的图片；将所述图片输入目标检测模型得到所述图片的目标检测结果；其中，所述目标检测模型通过预设的训练方法训练预设的机器学习模型而得到，所述预设的训练方法用于基于带有残缺标注的第一数据集和所述机器学习模型生成带有全标注的第二数据集，根据所述第一数据集和所述第二数据集训练所述机器学习模型，得到所述目标检测模型。本发明专利技术通过对残缺标注场景中的机器学习模型进行训练，得到的目标检测模型的精准度依然保持在较高水平，在确保目标检测精准的同时显著扩展了基于人工智能进行目标检测的可实施场景，也减低了人力成本。

【技术实现步骤摘要】
一种目标检测方法、装置、存储介质及设备
本说明书涉及目标检测领域，尤其涉及一种目标检测方法、装置、存储介质及设备。
技术介绍
随着计算机技术的发展，通过依托于人工智能的机器学习手段进行目标检测的技术的准确度和速度大为提升，已经日渐成为了一种主流的目标检测的研究方向。传统的通过机器学习手段进行目标检测的方法可以通过构建数据集，依托所述数据集对机器进行训练得到目标检测机器，依托目标检测机器自动进行目标检测。然而，这种方法对于数据集的要求较高，数据集中需要标注有目标检测中的全部类别，标注动作对于人工依赖性强，对人力资源耗费明显。当然，现有技术也陆续提出了一些可以降低对于标注的依赖性的方法，比如过滤缺少标注的数据，但是这使得数据集的数据量减小影响了训练精度；再比如依托于无监督学习或者部分监督学习方法训练机器，但是这需要对机器的框架进行较大改动。
技术实现思路
为了降低目标检测场景中，训练过程对于数据集的标注的依赖程度，使得残缺标注对应的图片在训练过程中能够更好地发挥作用，本说明书实施例提供一种目标检测方法、装置、存储介质及设备。一方本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，所述方法包括：/n预先训练预设的机器学习模型，得到目标检测模型；/n获取待进行目标检测的图片；/n将所述图片输入目标检测模型得到所述图片的目标检测结果；/n其中，所述预先训练预设的机器学习模型，得到目标检测模型，包括：/n获取带有残缺标注的第一数据集；所述残缺标注为无法通过映射的方式覆盖目标检测的全部类别的标注；/n通过将所述第一数据集输入所述机器学习模型得到第二数据集；所述第二数据集的图片包括真值标注和伪真值标注，所述真值标注中的类别和伪真值标注中的类别的并集覆盖了所述目标检测的全部类别；/n将所述第一数据集和所述第二数据集作为训练集，训练所述机器学习模型，...

【技术特征摘要】
1.一种目标检测方法，其特征在于，所述方法包括：
预先训练预设的机器学习模型，得到目标检测模型；
获取待进行目标检测的图片；
将所述图片输入目标检测模型得到所述图片的目标检测结果；
其中，所述预先训练预设的机器学习模型，得到目标检测模型，包括：
获取带有残缺标注的第一数据集；所述残缺标注为无法通过映射的方式覆盖目标检测的全部类别的标注；
通过将所述第一数据集输入所述机器学习模型得到第二数据集；所述第二数据集的图片包括真值标注和伪真值标注，所述真值标注中的类别和伪真值标注中的类别的并集覆盖了所述目标检测的全部类别；
将所述第一数据集和所述第二数据集作为训练集，训练所述机器学习模型，得到目标检测模型。


2.根据权利要求1所述的方法，其特征在于，所述获取带有残缺标注的第一数据集，包括：
获取至少一个子数据集，各个子数据集均包括图片和所述图片对应的原始标注，所述原始标注中的至少一个类别能够被映射到目标检测对应的类别；并且，各个子数据集中至少一个为残缺子数据集，所述残缺子数据集中的原始标注中的类别无法覆盖目标检测对应的全部类别；
根据各个子数据集的原始标注中的类别与目标检测对应的类别的映射关系，得到第一数据集，所述第一数据集包括图片和图片对应的真值标注，所述图片来源于所述各个子数据集，所述真值标注根据原始标注和所述映射关系而得到。


3.根据权利要求1或2所述的方法，其特征在于，所述通过将所述第一数据集输入预设的机器学习模型，得到第二数据集，包括：
将第一数据集中的各个图片依次输入机器学习模型，得到每个图片对应的目标检测结果；
根据所述目标检测结果、所述图片的真值标注和目标检测的类别生成所述图片对应的伪真值标注；
将所述图片及其对应的标注作为第二数据集的元素，得到第二数据集。


4.根据权利要求3所述的方法，其特征在于，所述目标检测结果包括检测框，对应于所述检测框的预测置信度和类别置信度：
在将第一数据集中的各个图片依次输入机器学习模型，得到每个图片对应的目标检测结果之后，还包括对所述目标检测结果进行类别过滤的步骤；所述对所述目标检测结果进行类别过滤，包括：对于所述目标结果中每一个检测框，将类别置信度最高的类别作为所述检测框中物体对应的类别；
所述根据所述目标检测结果、所述图片的真值标注和目标检测的类别生成所述图片对应的伪真值标注，包括；
对于所述目标检测结果中的各个检测框，若所述检测框中的物体对应的类别并未被所述图片的真值标注命中，并且属于所述目标检测的类别，则为所述检测框中的物体进行伪真值标注。


5.根据权利要求1所述的方法，其特征在于，所述将所述第一数据集和第二数据集作为训练集，训练所述机器学习模型，得到目标检测模型，包括：
根据所述第一数据集输入所述机器学习模型得到的目标检测结果确定正样本；
根据所述第二数据集输入所述机器学习模...

【专利技术属性】
技术研发人员：罗泽坤，李剑，王昌安，彭瑾龙，王亚彪，汪铖杰，李季檩，黄飞跃，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44