【技术实现步骤摘要】
一种目标检测方法及装置
[0001]本申请涉及人工智能
，尤其涉及一种目标检测方法及装置。
技术介绍
[0002]机器学习是实现人工智能的一种途径，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习用于研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习更加注重算法设计，使计算机能够自动地从数据中学习规律，并利用规律对未知数据进行预测。机器学习已经有了十分广泛的应用，如深度学习、数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、语音识别和手写识别等。
[0003]为了采用机器学习实现人工智能处理，可以构建训练数据集，该训练数据集包括大量有标签数据(如图像数据，即具有标定框和标定类别的图像)，基于训练数据集训练出机器学习模型，如具有目标检测功能的机器学习模型，可以采用机器学习模型对待检测数据进行目标检测，比如说，检测待检测数据中的目标框，并识别出目标类别，如车辆类别、动物类别、电子产品类别...
【技术保护点】
【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：获取初始管理模型和初始学习模型，并基于所述初始管理模型为无标签数据添加伪标签，并将伪标签划分为高质量伪标签和不确定伪标签；将无标签数据输入给初始学习模型，得到该无标签数据对应的第一预测值；基于与高质量伪标签对应的第一预测值确定第一预测标签和第一预测框，基于与不确定伪标签对应的第一预测值确定第二预测标签和第二预测框；将无标签数据输入给初始管理模型，得到该无标签数据对应的第二预测值，基于与不确定伪标签对应的第二预测值确定第三预测标签和第三预测框；基于所述第一预测标签、第一预测框、第二预测标签、第二预测框、第三预测标签和第三预测框对初始管理模型进行训练，得到已训练的目标管理模型；其中，所述目标管理模型用于对待检测数据进行目标检测。2.根据权利要求1所述的方法，其特征在于，所述获取初始管理模型和初始学习模型，包括：利用有标签数据训练得到一个基线模型；基于所述基线模型生成初始管理模型和初始学习模型；其中，所述初始管理模型的网络结构与所述基线模型的网络结构相同，所述初始管理模型的网络参数与所述基线模型的网络参数相同或不同；其中，所述初始学习模型的网络结构与所述基线模型的网络结构相同，所述初始学习模型的网络参数与所述基线模型的网络参数相同或不同。3.根据权利要求1所述的方法，其特征在于，基于所述初始管理模型为无标签数据添加伪标签，并将伪标签划分为高质量伪标签和不确定伪标签，包括：针对每个无标签数据，将该无标签数据输入给所述初始管理模型，得到该无标签数据对应的伪标签、及与所述伪标签对应的概率值；针对所述初始管理模型支持的每种类别，基于与该类别对应的所有伪标签对应的概率值，对该类别对应的所有伪标签进行排序；基于排序结果，选取概率值大的K个伪标签作为高质量伪标签，并将除所述高质量伪标签之外的剩余伪标签确定为不确定伪标签；其中，所述K为正整数。4.根据权利要求1所述的方法，其特征在于，所述将无标签数据输入给初始学习模型，包括：对所述无标签数据进行第一数据增广，将第一数据增广后的无标签数据输入给初始学习模型；所述将无标签数据输入给初始管理模型，包括：对所述无标签数据进行第二数据增广，将第二数据增广后的无标签数据输入给初始管理模型；其中，第一数据增广的方式与第二数据增广的方式不同。5.根据权利要求1所述的方法，其特征在于，所述基于所述第一预测标签、第一预测框、第二预测标签、第二预测框、第三预测标签和第三预测框对初始管理模型进行训练，得到已训练的目标管理模型，包括：基于所述第一预测标签和第一预测框确定第一损失值；基于所述第二预测标签、第二预测框、第三预测标签和第三预测框确定第二损失值；基于所述第一损失值和第二损失值对初始管理模型进行训练，得到所述目标管理模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第二预测标签、第二预测框、第三预测标签和第三预测框确定第二损失值，包括：若所述第二预测标签包括与所述初始学习模型支持的C种类别对应的C个第一...
【专利技术属性】
技术研发人员：陈斌斌，陈伟杰，杨世才，
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：
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。