目标检测方法、装置、设备和存储介质制造方法及图纸

本申请提供了一种目标检测方法，装置、设备和存储介质。该方法包括：获取目标图像；使用预先训练好的目标检测模型对所述目标图像中的目标对象进行检测，得到对应的检测结果；其中，所述目标检测模型是通过教师模型和学生模型共同对训练图像对应的标签数据进行去噪，并基于所述教师模型、所述训练图像以及去噪后的标签数据对所述学生模型进行训练得到的。也就是说，在教师模型和学生模型的共同作用下对标定的标签数据进行去噪，降低标签数据中噪声对目标检测模型的影响，从而提高目标检测模型的预测精度，进而提高图像检测结果的准确性。进而提高图像检测结果的准确性。进而提高图像检测结果的准确性。

【技术实现步骤摘要】
目标检测方法、装置、设备和存储介质


[0001]本申请实施例涉及计算机
，尤其涉及一种目标检测方法、装置、设备和存储介质。

技术介绍

[0002]随着深度学习不断的发展，深度学习在图像检测领域得到了广泛的应用，例如，通过深度学习网络检测目标图像中的违禁品的类别和位置。然而，在上述深度学习网络的训练过程中，由于各类目标对象具有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，导致对训练图像的标注难度较大，容易出现较多的噪声标签数据，这会对检测模型的训练造成很大的影响，导致训练后得到的检测模型的检测准确率降低。

技术实现思路

[0003]针对传统技术存在的技术问题，本申请实施例提供了一种目标检测方法，装置、设备和存储介质。
[0004]第一方面，本申请实施例提供一种目标检测方法，包括：
[0005]获取目标图像；
[0006]使用预先训练好的目标检测模型对所述目标图像中的目标对象进行检测，得到对应的检测结果；
[0007]其中，所述目标检测模型是通过教师模型和学生模型共同对训练图像对应的标签数据进行去噪，并基于所述教师模型、所述训练图像以及去噪后的标签数据对所述学生模型进行训练得到的。
[0008]第二方面，本申请实施例提供一种目标检测装置，包括：
[0009]获取模块，用于获取目标图像；
[0010]处理模块，用于使用预先训练好的目标检测模型对所述目标图像中的目标对象进行检测，得到对应的检测结果；
[0011]其中，所述目标检测模型是通过教师模型和学生模型共同对训练图像对应的标签数据进行去噪，并基于所述教师模型、所述训练图像以及去噪后的标签数据对所述学生模型进行训练得到的。
[0012]第三方面，本申请实施例提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述处理器实现如本申请实施例第一方面提供的所述目标检测方法的步骤。
[0013]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例第一方面提供的所述目标检测方法的步骤。
[0014]本申请实施例提供的技术方案，在获取到目标图像之后，使用预先训练好的目标检测模型对目标图像中的目标对象进行检测，得到对应的检测结果；其中，上述目标检测模型是通过教师模型和学生模型共同对训练图像对应的标签数据进行去噪，并基于教师模
型、训练图像以及去噪后的标签数据对学生模型进行训练得到的。也就是说，在教师模型和学生模型的共同作用下对标定的标签数据进行去噪，降低标签数据中噪声对目标检测模型的影响，从而提高目标检测模型的预测精度，进而提高图像检测结果的准确性。
附图说明
[0015]图1为本申请实施例提供的目标检测方法的一种流程示意图；
[0016]图2为本申请实施例提供的目标检测模型训练过程的一种流程示意图；
[0017]图3为本申请实施例提供的检测结果的可靠因子确定过程的一种流程示意图；
[0018]图4为本申请实施例提供的目标检测装置的一种结构示意图；
[0019]图5为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
[0020]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
[0021]在图像检测领域中，待检测的目标对象(例如违禁品)容易出现过度遮挡、极端角度、异常物品以及成像噪声等现象，导致对训练图像中目标对象的标注难度较高，容易出现大量的噪声标签数据，例如，标注框类别标注错误，存在误标框以及漏标框等，从而导致基于这些标签数据训练得到的检测模型的检测准确率降低，进而导致图像检测结果的准确性不高。
[0022]为此，本申请实施例提供的技术方案，能够通过教师模型和学生模型共同对训练图像对应的标签数据进行去噪，并基于教师模型、训练图像以及去噪后的标签数据对学生模型进行训练，从而得到检测性能较好的目标检测模型，使用该目标检测模型对目标图像中的目标对象(例如违禁品)进行检测，可提高检测结果的准确性。
[0023]图1为本申请实施例提供的目标检测方法的一种流程示意图。如图1所示，该方法可以包括：
[0024]S101、获取目标图像。
[0025]S102、使用预先训练好的目标检测模型对目标图像中的目标对象进行检测，得到对应的检测结果。
[0026]具体的，上述目标图像可以为需要进行目标对象检测的图像，目标对象可以为人物、动物、物品或者车辆等一些对象，例如目标对象为违禁品。在实际应用中，可以通过摄像装置采集目标图像，也可以从相应的存储设置中获取目标图像，在得到目标图像之后，可以将目标图像输入至预先训练好的目标检测模型中，该目标检测模型可以包括主干网络、瓶颈层以及检测头等，通过该目标检测模型对目标图像进行特征提取，并基于提取的特征确定目标图像对应的检测结果。以目标对象为违禁品为例，通过目标检测模型对目标图像中的违禁品进行检测，从而得到违禁品的类别和位置。
[0027]上述目标检测模型是通过教师模型和学生模型共同对训练图像对应的标签数据进行去噪，并基于教师模型、训练图像以及去噪后的标签数据对学生模型进行训练得到的。在本实施例中，可以设置两个模型，一个是网络结构复杂参数量大的检测模型作为教师模
型，另一个是网络结构简单参数量少的检测模型作为学生模型，通过蒸馏的方式对学生模型进行训练，以及通过教师模型对学生模型针对训练图像的检测结果进行验证，以及通过学生模型对教师模型针对训练图像的检测结果进行验证，并基于相互验证后的检测结果确定标签数据中存在的错误标签以及漏选标签等，即在教师模型和学生模型的相互协同作用下对标签数据进行去噪，减少标签数据的噪声对目标检测模型的影响，从而提高目标检测模型的检测性能。
[0028]本申请实施例提供的目标检测方法，在获取到目标图像之后，使用预先训练好的目标检测模型对目标图像中的目标对象进行检测，得到对应的检测结果；其中，上述目标检测模型是通过教师模型和学生模型共同对训练图像对应的标签数据进行去噪，并基于教师模型、训练图像以及去噪后的标签数据对学生模型进行训练得到的。也就是说，在教师模型和学生模型的共同作用下对标定的标签数据进行去噪，降低标签数据中噪声对目标检测模型的影响，从而提高目标检测模型的预测精度，进而提高图像检测结果的准确性。
[0029]在一个实施例中，还可以参照下述实施例所述的过程对目标检测模型进行训练。在上述实施例的基础上，可选地，如图2所示，在上述S101之前，该方法还包括：
[0030]S201、通过教师模型和学生模型对训练图像进行检测，得到教师模型的第一检测结果集合和学生模型的第二检测结果集合。
[0031]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：获取目标图像；使用预先训练好的目标检测模型对所述目标图像中的目标对象进行检测，得到对应的检测结果；其中，所述目标检测模型是通过教师模型和学生模型共同对训练图像对应的标签数据进行去噪，并基于所述教师模型、所述训练图像以及去噪后的标签数据对所述学生模型进行训练得到的。2.根据权利要求1所述的方法，其特征在于，在所述获取目标图像之前，还包括：通过教师模型和学生模型对训练图像进行检测，得到教师模型的第一检测结果集合和学生模型的第二检测结果集合；根据第三检测结果集合与训练图像对应的标签数据之间的交并比、所述第三检测结果集合中各检测结果的可靠因子，以及所述第三检测结果集合对应的原始损失值，确定所述第三检测结果集合对应的第一损失值；其中，所述第三检测结果集合中包括所述第一检测结果集合中可靠因子最高的m个检测结果，以及所述第二检测结果集合中可靠因子最高的m个检测结果，所述m为大于1的自然数；根据第四检测结果集合中各检测结果的可靠因子以及所述第四检测结果集合对应的原始损失值，确定所述第四检测结果集合对应的第二损失值；其中，所述第四检测结果集合中包括所述第一检测结果集合和所述第二检测结果集合中除所述第三检测结果集合之外的检测结果；根据所述第一损失值和所述第二损失值对所述学生模型进行训练，得到目标检测模型。3.根据权利要求2所述的方法，其特征在于，所述第一检测结果集合中各检测结果的可靠因子的确定过程，包括：确定第一检测结果集合中各检测结果针对第二检测结果集合中同一类别的检测结果之间的交并比；将最大交并比确定为各检测结果的目标交并比；确定所述第一检测结果集合在类别方面相对所述第二检测结果集合的KL散度；根据所述KL散度和所述目标交并比，确定所述第一检测结果集合中各检测结果的可靠因子。4.根据权利要求2所述的方法，其特征在于，所述根据第三检测结果集合与训练图像对应的标签数据之间的交并比、所述第三检测结果集合中各检测结果的可靠因子，以及所述第三检测结果集合对应的原始损失值，确定所述第三检测结果集合对应的第一损失值，包括：当所述第三检测结果集合与训练图像对应的标签数据之间的交并比小于或等于第一预设阈值时，根据所述第三检测结果集合中各检测结果的可靠因子、各检测结果的每个类别的置信度以及各检测结...

【专利技术属性】
技术研发人员：李林超，权家新，周凯，温婷，
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：