【技术实现步骤摘要】
模型训练方法、图像检测方法、装置及电子设备
[0001]本公开涉及人工智能
，尤其涉及计算机视觉、图像处理、增强现实和深度学习等
，可应用于增强现实、元宇宙、自动驾驶等场景，具体涉及一种模型训练方法、图像检测方法、装置及电子设备。
技术介绍
[0002]利用深度学习技术进行基于单目图像的3D物体检测，主要依赖于3D目标包围框的先验信息，提前遍历数据集生成3D候选框，然后利用图像检测模型处理输入的单目图像输出的3D偏移量，再结合3D候选框得到物体的真实3D包围框，实现对单目图像的3D检测任务。
[0003]目前，针对图像检测模型的训练主要采用有监督技术，通过用雷达传感器、相机传感器收集数据，然后人工进行标注来监督神经网络的学习，但人工标注的工作量大且标注周期较长。
技术实现思路
[0004]本公开提供了一种模型训练方法、图像检测方法、装置及电子设备。
[0005]根据本公开的第一方面，提供了一种模型训练方法，包括：
[0006]基于有标签图像数据对第一初始模型进行训练，得到第
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，包括：基于有标签图像数据对第一初始模型进行训练，得到第二初始模型；获取无标签图像数据，并对所述无标签图像数据进行数据增强处理，得到第一增强图像数据和第二增强图像数据；基于所述第一增强图像数据和所述第二增强图像数据对所述第二初始模型进行迭代式的增强训练，得到目标模型；其中，所述目标模型用于根据输入的待检测图像，输出所述待检测图像中物体的3D信息。2.根据权利要求1所述的方法，其中，所述增强训练，包括：将所述第一增强图像数据输入所述第二初始模型，获取所述第二初始模型的第一输出，将所述第一输出作为伪标签；将所述第二增强图像数据输入所述第二初始模型，获取所述第二初始模型的第二输出；基于所述第二输出和所述伪标签对所述第二初始模型进行自监督训练。3.根据权利要求2所述的方法，其中，所述第一增强图像数据包括N种增强图像数据，一种所述增强图像数据对应一种增强处理方式，N为正整数；所述将所述第一增强图像数据输入所述第二初始模型，获取所述第二初始模型的第一输出，将所述第一输出作为伪标签，包括：将所述N种增强图像数据输入所述第二初始模型，获取所述第二初始模型输出的每种增强图像数据各自对应的3D信息和各自对应的置信度；基于所述每种增强图像数据各自对应的3D信息及所述每种增强图像数据各自对应的置信度，获取所述第一增强图像数据的第一输出；基于所述第一增强图像数据的第一输出确定所述伪标签。4.根据权利要求3所述的方法，其中，所述基于所述每种增强图像数据各自对应的3D信息及所述每种增强图像数据各自对应的置信度，获取所述第一增强图像数据的第一输出，包括：对所述N种增强图像数据中置信度低于预设置信度的增强图像数据进行过滤处理，得到过滤后的增强图像数据；基于所述过滤后的增强图像数据各自对应的3D信息及所述过滤后的增强图像数据各自对应的置信度，获取所述第一增强图像数据的第一输出，所述第一增强图像数据为所述过滤后的增强图像数据。5.根据权利要求1所述的方法，其中，所述获取无标签图像数据，并对所述无标签图像数据进行数据增强处理，得到第一增强图像数据和第二增强图像数据，包括：获取无标签图像数据；对所述无标签图像数据进行第一增强处理，得到第一增强图像数据；对所述无标签图像数据进行第二增强处理，得到第二增强图像数据；其中，所述第一增强处理为不改变所述无标签图像数据形状、尺寸和角度中任一者的处理，所述第二增强处理为改变所述无标签图像数据形状、尺寸和角度中至少一者的处理。6.根据权利要求1所述的方法，其中，所述基于所述第一增强图像数据和所述第二增强
图像数据对所述第二初始模型进行迭代式增强训练，得到目标模型，包括：基于所述第一增强图像数据和所述第二增强图像数据对所述第二初始模型进行迭代式增强训练，以及基于所述有标签图像数据对所述第二初始模型进行监督训练，得到所述目标模型。7.一种图像检测方法，包括：获取待检测图像；将所述待检测图像输入目标模型，获取所述目标模型输出的所述待检测图像中物体的3D信息；其中，所述目标模型为根据权利要求1
‑
6中任一项所述的模型训练方法训练得到的模型。8.一种模型训练装置，包括：第一训练模块，用于基于有标签图像数据对第一初始模型进行训练，得到第二初始模型；处理模块，用于获取无标签图像数据，并对所述无标签图像数据进行数据增强处理，得...
【专利技术属性】
技术研发人员：邹智康，叶晓青，
申请(专利权)人：北京百度网讯科技有限公司，
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。