一种训练目标检测模型的方法、装置、设备及存储介质制造方法及图纸

本申请提供一种训练目标检测模型的方法、装置、设备及存储介质，可以应用于人工智能领域或智慧医疗领域等，用于解决训练得到的目标检测模型的检测准确性和检测可靠性较低的问题。该方法至少包括：采用辅助检测模型，分别预测多个采样标注各自对应的符合细粒度类型的第一伪标注；采用辅助检测模型，基于第二样本图像对应的多种变换图像，以及相应的第二样本标注，分别预测多种变换图像各自对应的符合细粒度类型的第二伪标注；基于获得的多个第一伪标注和多个第二伪标注，对目标检测模型进行训练。通过充分利用粗粒度类型的标注，提高训练得到的目标检测模型的检测准确性和检测可靠性较低。性较低。性较低。

【技术实现步骤摘要】
一种训练目标检测模型的方法、装置、设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种训练目标检测模型的方法、装置、设备及存储介质。

技术介绍

[0002]随着科技的不断发展，越来越多的设备可以通过已训练的目标检测模型，来提供目标检测服务，目标检测服务可以用于确定图像中目标的所在位置。
[0003]例如，设备可以通过已训练的目标检测模型，对胸部X光(Chest X
‑
ray，CXR)图像进行异常定位，以帮助临床对各种胸廓疾病的诊断。
[0004]相关技术中，由于样本图像的细粒度的样本标注需要由经验丰富的专业人员手动进行标注获得，因此获得已训练的目标检测模型的方法，通常是基于少量关联有细粒度的样本标注的样本图像，以及大量未关联样本标注的样本图像，对目标检测模型进行半监督训练获得的。
[0005]然而，由于相关技术中关联有细粒度的样本标注的样本图像的数量较少，而未关联样本标注的样本图像的数量较多，因此基于未关联样本标注的样本图像的训练，通常仅依据基于关联有细粒度的样本标注的样本图像的训练过程来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练目标检测模型的方法，其特征在于，包括：获取第一样本图像集和第二样本图像集，其中，每个第一样本图像关联有细粒度类型的第一样本标注，每个第二样本图像关联有粗粒度类型的第二样本标注，所述细粒度类型的标注精度高于所述粗粒度类型；基于所述第一样本图像集和所述第二样本图像集，进行多轮迭代训练，输出已训练的目标检测模型，其中，每轮迭代包括：对第一样本图像的第一样本标注进行采样处理，获得符合所述粗粒度类型的多个采样标注，并采用辅助检测模型，分别预测所述多个采样标注各自对应的符合所述细粒度类型的第一伪标注；采用所述辅助检测模型，基于第二样本图像对应的多种变换图像，以及相应的第二样本标注，分别预测所述多种变换图像各自对应的符合所述细粒度类型的第二伪标注；基于获得的多个第一伪标注和多个第二伪标注，对目标检测模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述基于获得的多个第一伪标注和多个第二伪标注，对目标检测模型进行训练，包括：基于获得的多个第一伪标注，确定所述辅助检测模型的采样一致性损失，其中，所述采样一致性损失表征：基于多个采样标注进行预测的一致性；基于获得的多个第二伪标注，确定所述辅助检测模型的变换一致性损失，其中，所述变换一致性损失表征：基于多种变换图像进行预测的一致性；基于所述多个第一伪标注，以及所述第一样本标注，确定所述辅助检测模型的预测损失，其中，所述预测损失表征：预测伪标注的准确性；基于获得的采样一致性损失、变换一致性损失和预测损失，对目标检测模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述基于获得的采样一致性损失、变换一致性损失和预测损失，对目标检测模型进行训练，包括：基于获得的采样一致性损失、变换一致性损失和预测损失，调整所述辅助检测模型的模型参数；采用所述辅助检测模型，预测所述第二样本图像符合所述细粒度类型的第三伪标注；采用所述目标检测模型，预测所述第一样本图像的第一预测标注，以及预测所述第二样本图像的第二预测标注；基于获得的第一预测标注与所述第一样本标注之间的误差，以及所述第二预测标注与所述第三伪标注之间的误差，调整所述目标检测模型的模型参数。4.根据权利要求2所述的方法，其特征在于，所述基于获得的多个第一伪标注，确定所述辅助检测模型的采样一致性损失，包括：分别确定所述多个第一伪标注中每两个第一伪标注之间的误差，获得各采样一致性误差；基于获得的各采样一致性误差的加权平均值，确定所述辅助检测模型的采样一致性损失。5.根据权利要求2所述的方法，其特征在于，所述第二伪标...

【专利技术属性】
技术研发人员：纪浩钦，刘浩哲，何楠君，李悦翔，魏东，郑冶枫，
申请(专利权)人：腾讯医疗健康深圳有限公司，
类型：发明
国别省市：