【技术实现步骤摘要】
目标检测模型训练方法、目标检测方法和装置
[0001]本申请实施例涉及人工智能
，尤其涉及一种目标检测模型训练方法、目标检测方法和装置。
技术介绍
[0002]近年来基于深度学习的目标检测模型得到了快速发展。一般地，训练目标检测模型需要大量的有标注图像数据，然而获取有标注图像数据需要耗费大量的时间和财力。相比之下，获取无标注数据更加容易。为了降低获取数据的成本，近年来，半监督目标检测(Semi
‑
supervised Object Detection，SSOD)受到了国内外研究人员的关注。
[0003]在半监督目标检测任务中，训练者同时采用少量有标注数据和大量无标注数据来训练检测模型。目前SSOD算法大多数基于自标注(self
‑
labeling)训练策略，即在每次训练迭代过程中，模型首先为无标注数据生成伪标签(pseudo label)，随后利用有标注数据和伪标注数据进行训练。然而对比实验结果发现，相比于只利用有标注数据的全监督目标检测(Fully Supervised O...
【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：获取无标注数据；将所述无标注数据输入第一目标检测模型，获取第一预测结果，所述第一预测结果包括至少一个第一包围框；将所述无标注数据输入第二目标检测模型，获取第二预测结果，所述第二预测结果包括至少一个第二包围框，其中，所述第一目标检测模型和所述第二目标检测模型包括相同的网络结构但参数初始化不同；在所述至少一个第一包围框和所述至少一个第二包围框中确定包围框对，其中，所述包围框对包括匹配的所述第一包围框和所述第二包围框；根据所述包围框对，确定所述无标注数据的伪标签；根据所述无标注数据和所述无标注数据的伪标签进行模型训练，对所述第一目标检测模型和所述第二目标检测模型的参数分别进行更新。2.根据权利要求1所述的方法，其特征在于，所述根据所述包围框对，确定所述无标注数据的伪标签，包括：将所述包围框对中较大的概率得分对应的包围框，确定为所述无标注数据的伪标签。3.根据权利要求1所述的方法，其特征在于，所述根据所述包围框对，确定所述无标注数据的伪标签，包括：确定所述包围框对中所述第一包围框的第一权重，以及包围框对中所述第二包围框的第二权重；确定所述包围框对中所述第一包围框的第一概率得分与所述第一权重的第一乘积，以及确定所述包围框对中所述第二包围框的第二概率得分与所述第二权重的第二乘积；将所述第一乘积和所述第二乘积中的较大值对应的包围框，确定为所述无标注数据的伪标签。4.根据权利要求3所述的方法，其特征在于，所述确定所述包围框对中所述第一包围框的第一权重，以及包围框对中所述第二包围框的第二权重，包括：采用判别器对所述包围框对中所述第一包围框对应的图像区域进行预测，得到第三概率得分；采用所述判别器对所述包围框对中所述第二包围框对应的图像区域进行预测，得到第四概率得分；根据所述第三概率得分和所述第四概率得分，确定所述第一权重和所述第二权重；其中，所述判别器是根据有标注数据对卷积神经网络模型进行训练得到的。5.根据权利要求1所述的方法，其特征在于，所述根据所述包围框对，确定所述无标注数据的伪标签，包括：利用检测头，根据所述包围框对中所述第一包围框的第一位置信息和所述包围框对中所述第二包围框的第二位置信息，得到第三包围框；其中，所述检测头是根据有标注数据对卷积神经网络模型进行训练得到的；将所述第三包围框确定为所述无标注数据的伪标签。6.根据权利要求5所述的方法，其特征在于，所述利用检测头，根据所述包围框对中所述第一包围框的第一位置信息和所述包围框对中所述第二包围框的第二位置信息，得到第
三包围框，包括：确定所述第一位置信息和所述第二位置信息的平均位置信息；根据所述平均位置信息提取所述第一目标检测模型对应的第一主干特征，以及根据所述平均位置信息提取所述第二目标检测模型对应的第二主干特征；将所述第一主干特征和所述第二主干特征进行拼接，得到第三主干特征；将所述第三主干特征输入所述检测头，得到所述第三包围框。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，所述在所述至少一个第一包围框和所述至少一个第二包围框中确定包围框对，包括：利用匹配运算，在所述至少一个第二包围框中确定与所述至少一个第一包围框中每个第一包围框相匹配的包...
【专利技术属性】
技术研发人员：马成丞，潘兴甲，高英国，林志文，鄢科，董未名，
申请(专利权)人：腾讯科技深圳有限公司，
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。