【技术实现步骤摘要】
一种检测模型训练方法、车辆损伤检测方法及终端设备
[0001]本申请属于人工智能
，尤其涉及一种检测模型训练方法、检测模型训练装置、车辆损伤检测方法、终端设备及计算机可读存储介质。
技术介绍
[0002]随着深度学习技术的发展，人们可以通过使用深度学习的方法，训练得到用于图像检测的神经网络模型，以对图像进行检测。通常地，为使训练得到的神经网络模型在进行检测时获得较高的准确率，需要大量的标注样本数据进行模型训练。
[0003]然而，现有技术中的样本数据受到人工成本和时间的影响，通常只能覆盖特定的业务场景，从而导致现有技术中的神经网络模型的检测准确率低下，且适用范围小。
技术实现思路
[0004]本申请实施例提供了一种检测模型训练方法、检测模型训练装置、车辆损伤检测方法、终端设备及计算机可读存储介质，可以解决现有技术存在的神经网络模型的检测准确率低下，且适用范围小的问题。
[0005]第一方面，本申请实施例提供了一种检测模型训练方法，包括：
[0006]基于第一训练数据对预先构建的检...
【技术保护点】
【技术特征摘要】
1.一种检测模型训练方法，其特征在于，包括：基于第一训练数据对预先构建的检测模型进行训练，得到初始检测模型；其中，所述第一训练数据包括第一样本图像集和所述第一样本图像集对应的第一标签集合；所述第一标签集合包括所述第一样本图像集中每张第一样本图像对应的第一标签；所述第一标签用于描述所述第一样本图像中车辆的损伤位置；基于所述初始检测模型对第二训练数据进行处理，得到所述第二训练数据对应的伪标签集合；其中，所述第二训练数据包括第二样本图像集和所述第二样本图像集对应的第二标签集合；所述第二样本图像集中每张第二样本图像由所述第一样本图像和未标注的样本图像拼接得到；所述第二标签集合由所述每张第二样本图像中存在的第一标签构成；所述未标注的样本图像指不存在标签，且与所述第一样本图像集所处场景不同的图像；根据所述第二标签集合对所述伪标签集合进行更新，得到目标标签集合；根据目标训练数据对所述初始检测模型进行迭代训练，得到目标检测模型；所述目标训练数据包括所述第二样本图像集和与所述第二样本图像集对应的目标标签集合。2.如权利要求1所述的检测模型训练方法，其特征在于，所述根据所述目标标签集合对应的目标训练数据对所述初始检测模型进行迭代训练，得到目标检测模型，包括：根据所述初始检测模型的迭代次数确定所述初始检测模型在所述迭代次数时对应的目标训练策略；根据所述目标训练策略对所述初始检测模型进行训练，直至所述迭代次数等于预设次数阈值，以得到所述目标检测模型。3.如权利要求2所述的检测模型训练方法，其特征在于，所述根据所述初始检测模型的迭代次数，确定所述初始检测模型在所述迭代次数时对应的目标训练策略，包括：当检测到所述迭代次数小于预设迭代次数时，将所述初始检测模型中的卷积层进行冻结之后再进行训练的策略确定为所述目标训练策略；当检测到所述迭代次数等于所述预设迭代次数时，将根据经过所述预设迭代次数训练之后的训练检测模型对所述第二训练数据进行处理，得到更新标签集合的策略确定为所述目标训练策略；当检测到所述迭代次数大于所述预设迭代次数时，将所述训练检测模型中的卷积层取消冻结，并根据包括第二样本图像集和与所述第二样本图像集对应的更新标签集合的训练数据，对所述训练检测模型进行训练的策略确定为所述目标训练策略。4.如权利要求1所述的检测模型训练方法，其特征在于，在基于所述初始检测模型对第二训练数据进行处理，得到所述第二训练数据对应的伪标签集合之前，还包括：从所述第一样本图像集中随机获取一个目标第一样本图像，并从未标注的样本图像集中随机获取预设数目个未标注的样本图像；对所述目标第一样本图像和所述预设数目个未标注的样本图像进行拼接，得到目标图像；根据所述目标图像，以及所述目标图像中存在的所述目标第一样本图像对应的第一标签构成所述第二训练数据。5.如权利要求4所述的检测模型训练方法，其特征在于，所述从所述第一样本图像集中随机获取一个目标第一样本图像，并从未标注的样本图像集中随机获取预设数目个未标注
的样本图像之后，还包括：根据预设...
【专利技术属性】
技术研发人员：赵霄鸿，刘莉红，刘玉宇，
申请(专利权)人：平安科技深圳有限公司，
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。