一种检测模型的处理方法及装置制造方法及图纸

本申请提供一种检测模型的处理方法及装置，涉及机器学习技术领域，可以提高检测模型的检测准确率。该处理方法包括：获取N帧图片；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；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；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；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。

【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，则对于第一检测模型来说，置信度大于第一检测模型对应的置信度阈值的检测框就是对象检测正确的检测框。利用大于第一检测模型对应的置信度阈值的第一置信度阈值，选择置信度大于该第一置信度阈值的检测框为正样本，置信度小于该第一置信度阈值的检测框为负样本。其中，正样本表示对象检测正确的检测框，负样本表示对象检测错误的检测框。这样就可以将第一检测模型检测出的对象检测正确的检测框中的置信度低于第一置信度阈值的检测框划分到负样本中，而该对象检测正确的检测框中的置信度低于第一置信度阈值的检测框是第一检测模型检测出的所有对象检测正确的检测框中的准确度较低的，即该对象检测正确的检测框中的置信度低于第一置信度阈值的检测框是所有对象检测正确的检测框中误检可能性最大的。因此，这样确定出的正样本中的误检可能性较大的对象检测正确的检测框(可以称为不确定正样本)被减少，则正样本的准确度高于利用第一检测模型对应的置信度阈值确定出的对象检测正确的检测框的准确度。进而，利用准确度高于第一检测模型检测出的对象检测正确的检测框的准确度的正样本，训练第一检测模型得到的第二检测模型的正确检测数量更高，即提高了检测模型的正确检测数量。其次，正样本和负样本还是利用N帧图片生成的，而N帧图片是在线采集的图片，则正样本和负样本就是当前的检测场景中的数据。进而，利用该正样本和该负样本训练得到的第二检测模型在当前的检测场景中的检测准确率更高，即提高了检测模型在当前的检测场景中的检测准确率。另外，利用第一检测模型检测出N帧图片中的检测框、检测框的对象信息，无需人工标记N帧图片，就可得到用于训练第一检测模型的正样本和负样本。如此，实现了无监督的训练检测模型。在一种可能的实施方式中，该方法在得到第二检测模型之后，还包括：确定第一检测模型的检测能力和第二检测模型的检测能力；在确定第二检测模型的检测能力优于第一检测模型的检测能力的情况下，确定第二检测模型对应的置信度阈值，第二检测模型用于对后续采集到的图片的检测；在确定第一检测模型的检测能力优于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，对第一检测模型进行训练。另一种可能的实施方式中，上述确定第一检测模型的检测能力和第二检测模型的检测能力，包括：获取M帧图片；M帧图片为在线采集的图片，M帧图片与N帧图片不同，M为正整数；将M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第一置信度；将M帧图片输入到第二检测模型，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。其中，第一数量为第一置信度高于第一检测模型对应的置信度阈值的检测框的数量；第二数量为第二置信度高于第一检测模型对应的置信度阈值的检测框的数量；第一数量用于表征第一检测模型的检测能力，第二数量用于表征第二检测模型的检测能力。其中，上述确定第一检测模型的检测能力优于第二检测模型的检测能力，包括：若第一数量大于第二数量，则确定第一检测模型的检测能力优于第二检测模型的检测能力。可以理解的是，服务器分别用第一检测模型和第二检测模型，对M帧图片进行对象检测处理，得到第一数量、第二数量。由于第一检测模型和第二检测模型是对相同的图片(即M帧图片)进行对象测量处理，并且，第一检测模型对应的第一数量和第二检测模型对应的第二数量都是指置信度大于第一检测模型对应的置信度阈值的检测框的数量。那么，在处理对象相同、且用于统计检测框数量的置信度阈值相同的情况下，通过比较第一检测模型对应的第一数量和第二检测模型对应的第二数量的关系，就可以确定第一检测模型和第二检测模型中哪一个检测模型对相同的图片，检测出的置信度大于同一个置信度阈值(即第一检测模型对应的置信度阈值)的检测框的数量更多。而对相同的图片，检测出的置信度大于同一个置信度阈值(即第一检测模型对应的置信度阈值)的检测框的数量更多，则表示了该检测模型的检测能力更优。另一种可能的实施方式中，上述在确定第一检测模型的检测能力优于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：确定重新确定的正样本包括负样本中满足预设条件的样本和正样本；确定重新确定的负样本包括负样本中除满足预设条件的样本以外的其他样本。其中，预设条件可以是按照检测框的置信度降序排列后的负样本中的前P个样本。P是第二预设阈值。或者，预设条件可以是第二置信度阈值。第二置信度阈值可以是根据第一置信度阈值和/或第一检测模型对应的置信度阈值设置的。另一种可能的实施方式中，该方法还包括：获取在线采集到的初始图片；对初始图片去冗余处理，得到目标图片；目标图片包括N帧图片和M帧图片。另一种可能的实施方式中，上述对初始图片去冗余处理，得到目标图片，包括：将初始图片输入到当前的检测模型，进行对象检测处理，得到每帧初始图片中检测框；对每帧初始图片执行第一操作，以得到目标图片。其中，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，则删除第i帧初始图片；i∈[1，K]，K等于初始图片的数量。可以理解的是，通过删除与第i-1帧初始图片重叠度高的第i帧初始图片，即减少了目标图片所需的存储空间大小，又保证目标图片的数据多样性。另一种可能的实施方式中，上述对初始图片去冗余处理，得到目标图片，包括：将初始图片输入到当前的检测模型，进行对象检测处理，得到每帧初始图片中检测框、以及每帧初始图片对应的中间特征图；对每帧初始图片执本文档来自技高网...

【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】
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。

【专利技术属性】
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