【技术实现步骤摘要】
一种检测模型的处理方法及装置
本申请涉及机器学习
,尤其涉及一种检测模型的处理方法及装置。
技术介绍
基于深度学习技术的检测模型已广泛应用于各种检测场景中,如视频监控、文字识别、数据走势预测等场景中。目前,大部分检测模型是根据预先采集的训练数据通过监督学习训练得到的。而由于环境等因素的影响,训练数据和上述检查场景中的数据之间可能存在一定的偏差。该偏差可能会导致检测模型的检测准确率较低。
技术实现思路
本申请提供一种检测模型的处理方法及装置,可以提高检测模型的检测准确率。为实现上述技术目的,本申请采用如下技术方案:第一方面,本申请实施例提供了一种检测模型的处理方法,该方法包括:先获取N帧图片;再将N帧图片输入到第一检测模型,进行对象检测处理,得到每帧图片中检测框的置信度;然后,根据第一置信度阈值和获取到的检测框的置信度,确定正样本和负样本;最后,根据正样本和负样本对第一检测模型进行训练,得到第二检测模型。其中,N帧图片为在线采集的图片,N为正整数。检测框用于表征图片中对象的位置;第一检测模型为初始检测模型或者为当前的检测模型。正样本包括第一检测框和N帧图片中包括第一检测框的图片,负样本包括第二检测框和N帧图片中包括第二检测框的图片。第一检测框为置信度高于第一置信度阈值的检测框,第二检测框为置信度低于第一置信度阈值的检测框。第一置信度阈值大于第一检测模型对应的置信度阈值;可以理解的是,本申请实施例的技术方案中,利用第一检测模型检测出N帧图片的检测框,则对于第一检测 ...
【技术保护点】
1.一种检测模型的处理方法,其特征在于,所述方法包括:/n获取N帧图片;所述N帧图片为在线采集的图片,N为正整数;/n将所述N帧图片输入到第一检测模型,进行对象检测处理,得到每帧图片中检测框的置信度;所述检测框用于表征图片中对象的位置;第一检测模型为初始检测模型或者为当前的检测模型;/n根据第一置信度阈值和获取到的检测框的置信度,确定正样本和负样本;所述正样本包括第一检测框和所述N帧图片中包括所述第一检测框的图片,所述负样本包括第二检测框和所述N帧图片中包括所述第二检测框的图片;所述第一检测框为置信度高于所述第一置信度阈值的检测框,所述第二检测框为置信度低于所述第一置信度阈值的检测框;所述第一置信度阈值大于所述第一检测模型对应的置信度阈值;/n根据所述正样本和所述负样本对所述第一检测模型进行训练,得到第二检测模型。/n
【技术特征摘要】 【专利技术属性】
1.一种检测模型的处理方法,其特征在于,所述方法包括:
获取N帧图片;所述N帧图片为在线采集的图片,N为正整数;
将所述N帧图片输入到第一检测模型,进行对象检测处理,得到每帧图片中检测框的置信度;所述检测框用于表征图片中对象的位置;第一检测模型为初始检测模型或者为当前的检测模型;
根据第一置信度阈值和获取到的检测框的置信度,确定正样本和负样本;所述正样本包括第一检测框和所述N帧图片中包括所述第一检测框的图片,所述负样本包括第二检测框和所述N帧图片中包括所述第二检测框的图片;所述第一检测框为置信度高于所述第一置信度阈值的检测框,所述第二检测框为置信度低于所述第一置信度阈值的检测框;所述第一置信度阈值大于所述第一检测模型对应的置信度阈值;
根据所述正样本和所述负样本对所述第一检测模型进行训练,得到第二检测模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述第一检测模型的检测能力和所述第二检测模型的检测能力;
在确定所述第二检测模型的检测能力优于所述第一检测模型的检测能力的情况下,确定所述第二检测模型对应的置信度阈值,所述第二检测模型用于对后续采集到的图片的检测;
在确定所述第一检测模型的检测能力优于所述第二检测模型的检测能力的情况下,重新确定正样本和负样本;根据重新确定的正样本和负样本,对所述第一检测模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述确定所述第一检测模型的检测能力和所述第二检测模型的检测能力,包括:
获取M帧图片;所述M帧图片为在线采集的图片,所述M帧图片与所述N帧图片不同,M为正整数;
将所述M帧图片输入到所述第一检测模型,进行对象检测处理,得到每帧图片中检测框的第一置信度;
将所述M帧图片输入到所述第二检测模型,进行对象检测处理,得到每帧图片中检测框的第二置信度;
确定第一数量和第二数量;所述第一数量为第一置信度高于所述第一检测模型对应的置信度阈值的检测框的数量;所述第二数量为第二置信度高于所述第一检测模型对应的置信度阈值的检测框的数量;所述第一数量用于表征所述第一检测模型的检测能力,所述第二数量用于表征所述第二检测模型的检测能力;
所述确定所述第一检测模型的检测能力优于所述第二检测模型的检测能力,包括:
若所述第一数量大于所述第二数量,则确定所述第一检测模型的检测能力优于所述第二检测模型的检测能力。
4.根据权利要求2所述的方法,其特征在于,所述在确定所述第一检测模型的检测能力优于所述第二检测模型的检测能力的情况下,重新确定正样本和负样本,包括:
确定所述重新确定的正样本包括所述负样本中满足预设条件的样本和所述正样本;
确定所述重新确定的负样本包括所述负样本中除满足所述预设条件的样本以外的其他样本。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取在线采集到的初始图片;
对所述初始图片去冗余处理,得到目标图片;所述目标图片包括所述N帧图片和所述M帧图片。
6.根据权利要求5所述的方法,其特征在于,所述对所述初始图片去冗余处理,得到目标图片,包括:
将所述初始图片输入到所述当前的检测模型,进行对象检测处理,得到每帧所述初始图片中检测框;
对每帧所述初始图片执行第一操作,以得到目标图片;其中,所述第一操作包括:若第i帧初始图片中检测框与对应的第i-1帧初始图片中检测框之间的重叠度大于预设重叠度阈值,则删除所述第i帧初始图片;i∈[1,K],K等于所述初始图片的数量。
技术研发人员:陈伟杰,马振鑫,陈斌斌,过一路,赵龙,杨世才,谢迪,浦世亮,
申请(专利权)人:杭州海康威视数字技术股份有限公司,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。