【技术实现步骤摘要】
图像检测模型的训练方法、装置、电子设备及存储介质
[0001]本申请涉及图像识别
，尤其涉及一种图像检测模型的训练方法、装置、电子设备及存储介质。
技术介绍
[0002]深度学习技术的模型性能严重依赖带标注的训练数据，如在不同场景上线相同功能的检测模型时，需要花费较大代价获取足够数量的标注数据来提高模型在相应场景下的性能。目前，半监督目标检测是利用少量的标注数据和大量的无标注数据进行模型训练，用于提升模型的训练性能和泛化性能。半监督目标检测的研究对于一些存在海量数据的场景和人工标注难度较大的场景具有重要的意义，如智能安检、医学图像、工业质检等。
[0003]由于目标检测任务的复杂性， 现有技术中半监督目标检测存在以下缺点：（1）半监督目标检测算法中，面对大规模的无标注图像训练时模型不稳定，会产生强标注数据（人工标注）与弱标注数据（模型生成）的不平衡的问题。（2）由初始检测器所构造的弱标注数据一次性全部加入训练会很大的限制模型的精度。
技术实现思路
[0004]本申请实施例提供了一种图像检测模型的...
【技术保护点】
【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：从无标注数据集获取本次训练使用的无标注图像；利用所述本次训练使用的第一检测模型基于所述本次训练使用的无标注图像构建所述本次训练使用的弱标注图像，所述本次训练使用的第一检测模型为上次训练出的第二检测模型；根据强标注图像和所述本次训练使用的弱标注图像对所述本次训练使用的第一检测模型进行训练，得到本次训练出的第二检测模型；确定当前训练次数是否达到预设训练次数；若未达到所述预设训练次数，则返回执行所述获取本次训练使用的无标注图像，直至训练次数达到所述预设训练次数时，将最后一次训练出的第二检测模型确定为目标检测模型。2.根据权利要求1所述的图像检测模型的训练方法，其特征在于，所述利用所述本次训练使用的第一检测模型基于所述本次训练使用的无标注图像构建所述本次训练使用的弱标注图像，包括：基于所述本次训练使用的第一检测模型对所述本次训练使用的无标注图像进行检测，得到对应无标注图像的检测结果；根据所述检测结果确定可靠性系数，从而得到所述本次训练使用的无标注图像中每个无标注图像的可靠性系数；按照所述可靠性系数从所述本次训练使用的无标注图像中筛选出符合预设标准的目标无标注图像；将所述目标无标注图像扩充至弱标注数据集，并将所述弱标注数据集中的弱标注图像作为所述本次训练使用的弱标注图像。3.根据权利要求2所述的图像检测模型的训练方法，其特征在于，所述检测结果包括所检测出目标的位置和置信度，所述根据所述检测结果确定可靠性系数，包括：根据所述位置和所述置信度确定所述无标注图像中每个目标的截断置信度；对所述无标注图像中全部目标的截断置信度求均值得到所述无标注图像的可靠性系数。4.根据权利要求2所述的图像检测模型的训练方法，其特征在于，所述按照所述可靠性系数从所述本次训练使用的无标注图像中筛选出符合预设标准的目标无标注图像，包括：确定可靠性分层的层次数；按照所述可靠性系数对所述本次训练使用的无标注图像进行排序，得到排序之后的无标注图像；基于所述层次数对所述排序之后的无标注图像进行可靠性分层得到对应层次的无标注图像，并将预设层次的无标注图像作为所述目标无标注图像。5.根据权利要求4所述的图像检测模型的训练方法，其特征在于，在将预设层次的无标注图像作为所述目标无标注图像之后，还包括：对所述目标无标注图像中全部无标注图像的可靠性系数求均值得到所述目标无标注图像的分层可靠性系数。6.根据权利要求1所述的图像检测模型的训练方法，其特征在于，当本次训练为首次训
练时，在利用所述本次训练使用的第一检测模型基于所述本次训练使用的无标注图像构建所述本次训练使用的弱标注图像之前，还包括：采用所述强标注图像对初始检测模型进行训练，得到所述本次训练使用的第一检测模型。7.根据权利要求6所述的图像检测模型的训练方法，其特征在于，在采用所述强标注图像对初始检测模型进行训练，得到所述本次训练使用的第一检测模型之后，还包括：确定所述强标注图像对应的强监督损失函数。8.根据权利要求2所述的图像检测模型的训练方法，其特征在于，所述根据强标注图像和所述本次训练使用的弱标注图像对所述本次训练使用的第一检测模型进行训练，得到本次训练出的第二检测模型，包括：将所述强标注图像和所述本次训练使用的弱标注图像进行融合得到融合图像；采用所述融...
【专利技术属性】
技术研发人员：王威，李一清，李林超，周凯，
申请(专利权)人：浙江啄云智能科技有限公司，
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。