目标检测模型训练和目标检测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种目标检测模型训练和目标检测方法、装置、设备及介质，涉及计算机视觉技术领域。该方法包括：将可信图像和歧义图像进行融合，得到融合图像；可信图像是不包含歧义目标区域的图像，歧义图像是包含至少一个歧义目标区域的图像；将融合图像输入至区域建议网络，得到融合图像中的候选区域；依据融合图像中的候选区域，对歧义图像中的歧义目标区域进行标签矫正；基于矫正后的标签，对待训练模型进行训练，得到目标检测模型。本发明专利技术实施例的技术方案，可以解决歧义目标人工标注困难的问题，降低噪声目标对模型的干扰，提升模型训练稳定性。练稳定性。练稳定性。

【技术实现步骤摘要】
目标检测模型训练和目标检测方法、装置、设备及介质


[0001]本专利技术涉及计算机视觉
，尤其涉及一种目标检测模型训练和目标检测方法、装置、设备及介质。

技术介绍

[0002]目标检测的任务是找出图像中所有感兴趣的目标，确定他们的类别和位置，是计算机视觉领域的核心问题之一。
[0003]基于监督学习的目标检测算法的效果严重依赖于人工标签的质量。在一些特殊场景下，例如，X光安检场景下，由于目标背景复杂、极端角度和过度遮挡等问题，使得人工标注的标签具有不可靠性，存在歧义。
[0004]对于上述有歧义的目标，若直接将其标注为目标，可能会对目标检测模型正样本的学习带来离群的噪声；若不标注为目标，模型在学习时会当成负样本处理，使得监督学习的过程缺失这部分目标特征，也会影响模型训练效果。

技术实现思路

[0005]本专利技术提供了一种目标检测模型训练和目标检测方法、装置、设备及介质，以解决图像中含有歧义目标时影响模型训练效果的问题。
[0006]根据本专利技术的一方面，提供了一种目标检测模型训练方法，包括：...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型训练方法，其特征在于，包括：将可信图像和歧义图像进行融合，得到融合图像；所述可信图像是不包含歧义目标区域的图像，所述歧义图像是包含至少一个歧义目标区域的图像；将所述融合图像输入至区域建议网络，得到所述融合图像中的候选区域；依据所述融合图像中的候选区域，对所述歧义图像中的歧义目标区域进行标签矫正；基于矫正后的标签，对待训练模型进行训练，得到目标检测模型。2.根据权利要求1所述的方法，其特征在于，将可信图像和歧义图像进行融合，得到融合图像，包括：对所述可信图像和歧义图像分别进行数据增强；依据预设中心距离，将数据增强后的可信图像和歧义图像进行重叠；依据重叠区域中可信图像的像素能量值和歧义图像的像素能量值，确定重叠区域的像素能量值，得到所述融合图像。3.根据权利要求1所述的方法，其特征在于，依据所述融合图像中的候选区域，对所述歧义图像中的歧义目标区域进行标签矫正，包括：计算所述歧义图像中的歧义目标区域与每个候选区域的相似度，并根据所述相似度，确定与所述歧义目标区域匹配的目标候选区域；依据所述歧义目标区域与所述目标候选区域的相似度，以及所述目标候选区域的类别置信度，对所述歧义图像中的歧义目标区域进行标签矫正。4.根据权利要求3所述的方法，其特征在于，依据所述歧义目标区域与所述目标候选区域的相似度，以及所述目标候选区域的类别置信度，对所述歧义图像中的歧义目标区域进行标签矫正，包括：对所述目标候选区域的类别置信度进行归一化处理，得到所述目标候选区域的软标签类别置信度；依据所述歧义目标区域与所述目标候选区域的相似度，以及所述目标候选区域的软标签类别置信度，对所述歧义目标区域进行标签矫正。5.根据权利要求4所述的方法，其特征在于，依据所述歧义目标区域与所述目标候选区域的相似度，以及所述目标候选区域的软标签类别置信度，对所述歧义目标区域进行标签矫正，包括：根据可信图像和歧义图像中可信目标区域与每个候选区域之间的交并比，确定与每个可信目标区域关联的至少一个候选区域；依据每个可信目标区域和所述可信目标区域关联的候选区域之间的相似度，确定相似度阈值；依据可信目标区域关联的候选区域的类别置信度，确定置信度阈值；在所述目标候选区域的软标签类别置信度大于所述置信度阈值，...

【专利技术属性】
技术研发人员：王威，何林阳，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：