基于人工智能的目标检测方法、装置及可读存储介质制造方法及图纸

本申请实施例公开了一种基于人工智能的目标检测方法、装置及可读存储介质，可通过标注有第一所有类别标签的旧类别样本图像、标注有第二所有类别标签的新类别样本图像中至少一者进行学习得到的特征提取参数，对待检测图像进行特征提取得到图像特征后进行检测，得到待检测图像的旧类别检测结果和新类别检测结果；第一所有类别标签基于旧类别样本图像的新类别预测标签与旧类别真实标签融合得到，第二所有类别标签基于新类别样本图像的旧类别预测标签与新类别真实标签融合得到。本申请实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。该方案无需获取额外无标签数据进行学习，就能准确地检测旧类别集合和新类别集合中所有类别目标。集合中所有类别目标。集合中所有类别目标。

【技术实现步骤摘要】
基于人工智能的目标检测方法、装置及可读存储介质


[0001]本申请实施例涉及人工智能
，具体涉及一种基于人工智能的目标检测方法、装置及计算机可读存储介质。

技术介绍

[0002]目标检测通常是计算机视觉的重要研究方向之一，目标检测通常是以图像作为模型输入、模型预测输出感兴趣目标的边界框(本文中简称为检测框)和类别。在目标检测的实际应用场景中，经常会遇到如下增量目标检测的情况：在已训练好的用于检测旧类别集合(如类别1、类别2和类别3)目标的检测模型基础上，由于如需求变化等因素，需要增加检测模型对新类别集合(如类别4和类别5)目标的检测能力。
[0003]现有技术中在面对增量目标检测问题时，通过蒸馏学习的方式来训练，得到可用于同时检测旧类别集合与新类别集合中所有类别目标的检测模型。但是，本申请实施例专利技术人发现：为了保证检测模型的检测准确度，即为了能准确地检测出旧类别集合与新类别集合中所有类别目标，有的蒸馏学习的方式需要获取额外的无标签数据进行训练。
[0004]可见，现有技术中在无额外的无标签数据训练得到的检测模型，检测旧类别集合和新类别集合中所有类别目标的准确度较低。

技术实现思路

[0005]本申请实施例提供一种基于人工智能的目标检测方法、装置、计算机设备及计算机可读存储介质，无需获取额外的无标签数据进行学习，就能够准确地检测旧类别集合和新类别集合中所有类别目标。
[0006]第一方面，本申请实施例提供一种基于人工智能的目标检测方法，所述方法包括：
[0007]获取待检测图像；
[0008]获取所述待检测图像的特征提取参数，其中，所述特征提取参数基于标注有第一所有类别标签的旧类别样本图像、标注有第二所有类别标签的新类别样本图像中的至少一者进行学习得到，所述第一所有类别标签基于旧类别样本图像的新类别预测标签与所述旧类别样本图像的旧类别真实标签融合得到，所述第二所有类别标签基于新类别样本图像的旧类别预测标签与所述新类别样本图像的新类别真实标签融合得到；
[0009]基于所述特征提取参数，对所述待检测图像进行特征提取，得到所述待检测图像的图像特征；
[0010]基于所述图像特征进行检测，得到所述待检测图像的旧类别检测结果和新类别检测结果。
[0011]第二方面，本申请实施例提供一种目标检测装置，所述目标检测装置包括：
[0012]第一获取单元，用于获取待检测图像；
[0013]第二获取单元，用于获取所述待检测图像的特征提取参数，其中，所述特征提取参数基于标注有第一所有类别标签的旧类别样本图像、标注有第二所有类别标签的新类别样
本图像中的至少一者进行学习得到，所述第一所有类别标签基于旧类别样本图像的新类别预测标签与所述旧类别样本图像的旧类别真实标签融合得到，所述第二所有类别标签基于新类别样本图像的旧类别预测标签与所述新类别样本图像的新类别真实标签融合得到；
[0014]提取单元，用于基于所述特征提取参数，对所述待检测图像进行特征提取，得到所述待检测图像的图像特征；
[0015]检测单元，用于基于所述图像特征进行检测，得到所述待检测图像的旧类别检测结果和新类别检测结果。
[0016]第三方面，本申请实施例还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行本申请实施例提供的任一种基于人工智能的目标检测方法。
[0017]第四方面，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的基于人工智能的目标检测方法。
[0018]第五方面，本申请实施例还提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现本专利技术实施例所提供的任一种基于人工智能的目标检测方法。
[0019]从以上内容可得出，本申请实施例具有以下的有益效果：
[0020]本申请实施例通过基于待检测图像的特征提取参数进行特征提取得到待检测图像的图像特征，并基于待检测图像的图像特征进行目标检测得到待检测图像的旧类别检测结果和新类别检测结果；第一方面，由于该特征提取参数基于标注有第一所有类别标签的旧类别样本图像、标注有第二所有类别标签的新类别样本图像中的至少一者进行学习得到，因此能准确地检测出旧类别集合与新类别集合中所有类别的目标。
[0021]第二方面，由于是预测得到的新类别预测标签作为旧类别样本图像的新类别目标标注、预测得到的旧类别预测标签作为新类别样本图像的旧类别目标标注，因此无需额外分别在新、旧样本图像上分别进行旧、新类别目标的人工标注，降低了人力成本。
[0022]第三方面，由于第一所有类别标签是基于旧类别样本图像的新类别预测标签与旧类别样本图像的旧类别真实标签融合得到，从而使得旧类别样本图像中的新类别目标不会缺失标签，避免了因旧类别样本图像上缺失新类别目标的标签而导致存在新类别目标的假负样本问题，从而，从根源上避开模型学习过程中的假负样本，进而无需新增无标签数据进行模型训练；由此，即使在无额外的无标签数据训练得到的特征提取参数，基于该特征提取参数提取得到的待检测图像的图像特征进行目标检测，也可以准确地检测旧类别集合和新类别集合中所有类别目标。
[0023]第四方面，由于第二所有类别标签基于新类别样本图像的旧类别预测标签与新类别样本图像的新类别真实标签融合得到，从而使得新类别样本图像中的旧类别目标不会缺失标签，避免了因新类别样本图像上缺失旧类别目标的标签而导致存在旧类别目标的假负样本问题；从而，从根源上避开特征提取参数学习过程中的假负样本，进而无需新增无标签数据进行模型训练；由此，即使在无额外的无标签数据训练得到的特征提取参数，基于该特征提取参数提取得到的待检测图像的图像特征进行目标检测，也可以准确地检测旧类别集合和新类别集合中所有类别目标，避免了由于无标签数据获取困难等缺失无标签数据时导致的目标检测的准确度较低问题。从而无需获取额外的无标签数据进行学习，就能够准确
地检测旧类别集合和新类别集合中所有类别目标。
附图说明
[0024]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1是本申请实施例中提供的目标检测系统的一个场景示意图；
[0026]图2是本申请实施例中提供的基于人工智能的目标检测方法的一个实施例流程示意图；
[0027]图3是本申请实施例中提供的模型训练的一种流程示意图；
[0028]图4是本申请实施例中提供的预设检测模型的一种架构示意图；
[0029]图5是本申请实施例中提供的新旧数据集中的标签信息对比示意图；
[0030]图6是本申请实施例中提供的新旧类别数据缺失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的目标检测方法，其特征在于，所述方法包括：获取待检测图像；获取所述待检测图像的特征提取参数，其中，所述特征提取参数基于标注有第一所有类别标签的旧类别样本图像、标注有第二所有类别标签的新类别样本图像中的至少一者进行学习得到，所述第一所有类别标签基于旧类别样本图像的新类别预测标签与所述旧类别样本图像的旧类别真实标签融合得到，所述第二所有类别标签基于新类别样本图像的旧类别预测标签与所述新类别样本图像的新类别真实标签融合得到；基于所述特征提取参数，对所述待检测图像进行特征提取，得到所述待检测图像的图像特征；基于所述图像特征进行检测，得到所述待检测图像的旧类别检测结果和新类别检测结果。2.根据权利要求1所述的基于人工智能的目标检测方法，其特征在于，所述特征提取参数的学习过程包括如下步骤：获取旧类别样本图像和所述旧类别样本图像的旧类别真实标签；基于训练好的新类别检测器对所述旧类别样本图像进行预测，得到所述旧类别样本图像的新类别预测标签；将所述旧类别真实标签和所述新类别预测标签进行融合，得到所述旧类别样本图像的第一所有类别标签；基于所述第一所有类别标签和所述旧类别样本图像，对预设检测模型进行训练，得到用于检测新类别目标和旧类别目标的第一目标检测模型；提取所述第一目标检测模型的特征提取层的模型参数，以作为所述特征提取参数。3.根据权利要求2所述的基于人工智能的目标检测方法，其特征在于，所述训练好的新类别检测器通过如下步骤训练得到：获取新类别样本图像和所述新类别样本图像的新类别真实标签；基于标注有所述新类别真实标签的所述新类别样本图像，对初始的新类别检测器进行训练，得到所述训练好的新类别检测器。4.根据权利要求1所述的基于人工智能的目标检测方法，其特征在于，所述特征提取参数的学习过程包括如下步骤：获取新类别样本图像和所述新类别样本图像的新类别真实标签；基于训练好的旧类别检测器对所述新类别样本图像进行预测，得到所述新类别样本图像的旧类别预测标签；将所述新类别真实标签和所述旧类别预测标签进行融合，得到所述新类别样本图像的第二所有类别标签；基于所述第二所有类别标签和所述新类别样本图像，对预设检测模型进行训练，得到用于检测新类别目标和旧类别目标的第二目标检测模型；提取所述第二目标检测模型的特征提取层的模型参数，以作为所述特征提取参数。5.根据权利要求4所述的基于人工智能的目标检测方法，其特征在于，所述训练好的旧类别检测器通过如下步骤训练得到：获取旧类别样本图像和所述旧类别样本图像的旧类别真实标签；
基于标注有所述旧类别真实标签的所述旧类别样本图像，对初始的旧类别检测器进行训练，得到训练好的旧类别检测器。6.根据权利要求1所述的基于人工智能的目标检测方法，其特征...

【专利技术属性】
技术研发人员：黄钟毅，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：