本申请涉及提供一种目标检测模型的训练方法、检测方法、设备和介质，方法包括：获取测试集，将测试集输入第一模型，得到每一张测试图像的潜在目标样本图片，根据每一张测试图像的潜在目标样本图片获得正样本集和负样本集，利用正样本集和负样本集训练第二模型，将正样本集输入训练好的第二模型，得到正样本特征库，将负样本集输入训练好的第二模型，得到负样本特征库，将潜在目标样本图片输入训练好的第二模型，得到潜在目标样本图片的特征，将潜在目标样本图片的特征输入到第三模型，得到潜在目标样本图片的预测类别，根据预测类别和潜在目标样本图片的真实类别调整第三模型的参数，得到训练好的第三模型；可以提高少样本目标检测召回率和精度。
【技术实现步骤摘要】
本专利技术涉及视觉检测领域，尤其涉及一种目标检测模型的训练方法、检测方法、设备和介质。
技术介绍
1、深度学习的检测器在检测常见交通目标(如汽车、行人和骑自行车的人)方面取得了显著成功。然而，很多检测器通常不能检测在训练过程中看不到或很少看到的新目标(如不规则路障和狗过马路等)，这些目标被称为少样本目标。在少样本目标的检测中会存在大量与其相似的物体，因此提高检测的精度是少样本目标检测需要解决的问题。
2、目前的少样本目标检测方法借助数据增强，对样本数据进行补充，采用常规的神经网络进行训练，比如yolo系列的神经网络，以此增加检测模型的泛化性，虽然能在一定程度上解决少样本的识别问题，但是该方法存在召回率低和检测精度低的问题。
技术实现思路
1、有鉴于此，本专利技术的目的是提供一种目标检测模型的训练方法、检测方法、设备和介质，可以提高少样本目标检测的召回率和精度。
2、一方面，本专利技术提供了一种目标检测模型的训练方法，所述目标检测模型包括第一模型、第二模型和第三模型，所述方法包括以下步骤：
3、获取测试集，将所述测试集输入所述第一模型，得到每一张测试图像的潜在目标样本图片，根据每一张测试图像的潜在目标样本图片获得正样本集和负样本集；所述测试集包括n张测试图像；
4、对所述正样本集和所述负样本集进行数据增强，得到多模态训练样本集，并利用所述多模态训练样本集训练第二模型；
5、利用所述正样本集和负样本集训练所述第二模型；
6、将所述潜在目标样本图片输入训练好的第二模型，得到潜在目标样本图片的特征；
7、将潜在目标样本图片的特征输入到所述第三模型，得到潜在目标样本图片的预测类别，根据预测类别和潜在目标样本图片的真实类别调整所述第三模型的参数，得到训练好的第三模型。
8、可选地，所述将所述测试集输入所述第一模型，得到每一张测试图像的潜在目标样本图片，根据每一张测试图像的潜在目标样本图片获得正样本集和负样本集，具体包括：
9、将所述n张测试图像输入所述第一模型，得到每一张测试图像的若干个潜在目标样本框，根据每一张测试图像的若干个潜在目标样本框，得到每一张测试图像的潜在目标样本图片；
10、计算每一张测试图像的潜在目标样本图片与标注目标样本框的第一重叠率，根据所述第一重叠率得到所述正样本集和所述负样本集；所述正样本集包括目标样本图片，所述负样本集包括非目标样本图片。
11、可选地，所述根据每一张测试图像的若干个潜在目标样本框，得到每一张测试图像的潜在目标样本图片，具体包括：
12、计算每一张测试图像的若干个潜在目标样本框的第二重叠率；
13、将所述第二重叠率大于预设值的潜在目标样本框进行目标整合，得到每一张测试图像的潜在目标样本图片；其中，进行目标整合的潜在目标样本框属于同一张测试图像。
14、可选地，所述利用所述正样本集和负样本集训练所述第二模型，具体包括：
15、将正样本集中的潜在目标样本图片进行图片融合，将正样本集中的目标样本文本进行文本融合；
16、根据融合之后的潜在目标样本图片和融合之后的目标样本文本得到样本图片文本对；
17、将所述样本图片文本对与所述负样本集进行组合，得到多模态训练样本集；
18、利用所述多模态训练样本集训练所述第二模型。
19、可选地，所述将潜在目标样本图片的特征输入到所述第三模型，得到潜在目标样本图片的预测类别，根据预测类别和潜在目标样本图片的真实类别调整所述第三模型的参数，得到训练好的第三模型，具体包括：
20、将潜在目标样本图片的特征输入到所述第三模型，所述第三模型计算潜在目标样本图片的特征与正样本特征库的第一样本相似度和计算潜在目标样本图片的特征与负样本特征库中的第二样本相似度；
21、根据所述第一样本相似度和第二样本相似度得到潜在目标样本图片的预测类别，根据预测类别和潜在目标样本图片的真实类别调整所述第三模型的参数，返回执行将潜在目标样本图片的特征输入到所述第三模型这一步骤，直到预测类别满足预设条件，得到训练好的第三模型。
22、另一方面，本专利技术提供一种目标检测方法，包括以下步骤：
23、获取待检测图像，将所述待检测图像输入第一模型，得到潜在目标图片；
24、将所述潜在目标图片输入训练好的第二模型，得到潜在目标图片的图像特征；所述第二模型通过一种目标检测模型的训练方法训练得到；
25、将所述图像特征输入训练好的第三模型，得到待检测图像的检测类别；所述第三模型通过一种目标检测模型的训练方法训练得到。
26、可选地，所述将所述图像特征输入训练好的第三模型，得到待检测图像的检测类别，具体包括：
27、将所述图像特征输入训练好的第三模型，将所述图像特征与文本特征库进行对比，得到第一相似度和所述图像特征的第一属性；
28、将所述图像特征与正样本特征库进行对比，并将所述图像特征与负文本特征库进行对比，得到第二相似度和所述图像特征的第二属性；
29、若所述第一属性和所述第二属性都为正，确认所述第一相似度或第二相似度是否大于预设值，若所述第一相似度或第二相似度大于预设值，得到待检测图像的检测类别为第二相似度对应的正样本。
30、可选地，所述将所述图像特征与正样本特征库进行对比，并将所述图像特征与负文本特征库进行对比，得到第二相似度和所述图像特征的第二属性，具体包括：
31、将所述图像特征与正样本特征库进行对比，得到第三相似度；
32、将所述图像特征与负文本特征库进行对比，得到第四相似度；
33、若所述第三相似度大于所述第四相似度，以所述第三相似度作为第二相似度，并得到所述图像特征的第二属性为正；
34、若所述第三相似度小于或等于所述第四相似度，以所述第四相似度作为第二相似度，并得到所述图像特征的第二属性为负。
35、另一方面，本专利技术提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面所述的目标检测模型的训练方法或目标检测方法。
36、另一方面，本专利技术提供一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行前面所述的目标检测模型的训练方法或目标检测方法。
37、实施本专利技术包括以下有益效果：本专利技术提供一种目标检测模型包括第一模型、第二模型和第三模型，其中，该目标检测模型的训练方法包括以下步骤：获取测试集，将测试集输入第一模型，得到每一张测试图像的潜在目标样本图片，根据每一张测试图像的潜在目标样本图片获得正样本集和负样本集；测试集包括n张测试图像，利用所述正样本集和负样本集训练所述第二模型，将正样本集输入训练好的第二模型，得到正样本特征库，将负样本集输入训练好的第二模型本文档来自技高网
...
【技术保护点】
1.一种目标检测模型的训练方法，其特征在于，所述目标检测模型包括第一模型、第二模型和第三模型，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述将所述测试集输入所述第一模型，得到每一张测试图像的潜在目标样本图片，根据每一张测试图像的潜在目标样本图片获得正样本集和负样本集，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述根据每一张测试图像的若干个潜在目标样本框，得到每一张测试图像的潜在目标样本图片，具体包括：
4.根据权利要求2所述的方法，其特征在于，所述利用所述正样本集和负样本集训练所述第二模型，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述将潜在目标样本图片的特征输入到所述第三模型，得到潜在目标样本图片的预测类别，根据预测类别和潜在目标样本图片的真实类别调整所述第三模型的参数，得到训练好的第三模型，具体包括：
6.一种目标检测方法，其特征在于，包括以下步骤：
7.根据权利要求6所述的检测方法，其特征在于，所述将所述图像特征输入训练好的第三模型，得到待检测图像的检测类别，具体包括：
8.根据权利要求7所述的检测方法，其特征在于，所述将所述图像特征与正样本特征库进行对比，并将所述图像特征与负文本特征库进行对比，得到第二相似度和所述图像特征的第二属性，具体包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述的方法。
...
【技术特征摘要】
1.一种目标检测模型的训练方法，其特征在于，所述目标检测模型包括第一模型、第二模型和第三模型，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述将所述测试集输入所述第一模型，得到每一张测试图像的潜在目标样本图片，根据每一张测试图像的潜在目标样本图片获得正样本集和负样本集，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述根据每一张测试图像的若干个潜在目标样本框，得到每一张测试图像的潜在目标样本图片，具体包括：
4.根据权利要求2所述的方法，其特征在于，所述利用所述正样本集和负样本集训练所述第二模型，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述将潜在目标样本图片的特征输入到所述第三模型，得到潜在目标样本图片的预测类别，根据预测类别和潜在目标样本图片的真实类别调整所述第三模...
【专利技术属性】
技术研发人员：左鑫孟，刘江，张玉亭，谢征，
申请(专利权)人：中国电信股份有限公司，
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。