【技术实现步骤摘要】
本申请涉及模型训练，尤其是涉及一种基于师生训练框架的目标检测模型的主动学习训练方法。
技术介绍
1、目标检测即是在视频图像中同时准确定位和分类出所有的特定目标(例如，人、车、物品等)，经常被应用于智慧交通、智慧园区、工业生产等场景。近年来，随着ai+安防的迅速发展，与目标检测相关技术得到空前的应用和突破创新。然而，其仍存在诸多局限和挑战，例如，如何保证在不同的场景中均能够保持多目标的准确性及高召回度、如何快速适应新摄像场景的变化和迁移等等。
2、目前，通用的做法是，人工对目标场景下的大量实景图像进行标注，以标注出实景图像中所包括的各个待识别目标的目标方框，并通过迭代训练模型，以使模型适用于在不同场景下的目标检测，以此保证了识别结果的准确性和高召回；此方式需要耗费大量的时间和人力成本，无法快速响应实际场景多样化的需求。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种基于师生训练框架的目标检测模型的主动学习训练方法，可借助于待优化检测模型，通过确定候选样本图像的优化检测结果，采用弱监督方式辅助用户主动学习候选样本图像，并利用辅助检测模型，实现待优化检测模型的模型参数的更新，以此，通过师生训练框架训练得到的目标检测模型，在有效减少人工标注所耗费的时间成本的情况下，还可以提高了目标检测模型的训练效率，快速适应场景的迁移和多样性，且能够避免目标检测模型出现过拟合的情况，保证目标检测模型的泛化性。
2、本申请实施例提供了一种基于师生训练框架的目标检测模型的主动学习
3、响应于用户所施加的类别标注操作，确定从目标检测场景下抽取到的每张候选样本图像所属的图像标注类别；
4、通过待优化检测模型，推理得到每张候选样本图像的识别检测结果；其中，所述待优化检测模型为所述师生训练框架中的教师模型；
5、针对于每张候选样本图像，对该候选样本图像的识别检测结果进行优化处理，通过滤除所述识别检测结果中的冗余检测框，得到该候选样本图像的优化检测结果；
6、基于每张候选样本图像的识别检测结果和优化检测结果，从多张候选样本图像中筛选出用于训练辅助检测模型的训练样本图像；其中，所述辅助检测模型与所述待优化检测模型构成了师生训练框架；所述辅助检测模型为所述师生训练框架中的学生模型；
7、利用多张训练样本图像训练所述辅助检测模型，并在训练过程中利用结合每张训练样本图像的图像标注类别所确定出的综合损失值，调整所述辅助检测模型的辅助模型参数，得到在每个训练周期内完成训练的辅助检测模型；
8、利用在每个训练周期内完成训练的辅助检测模型的辅助模型参数，更新所述待优化检测模型的模型参数，得到目标检测模型。
9、在一种可能的实施方式中，所述针对于每张候选样本图像，对该候选样本图像的识别检测结果进行优化处理，通过滤除所述识别检测结果中的冗余检测框，得到该候选样本图像的优化检测结果，包括：
10、针对于每张候选样本图像，对该候选样本图像的识别检测结果中的多个识别检测框进行分类处理，将用于标注相同的目标检测对象的识别检测框划分为同一识别类别组；
11、针对于每个识别类别组，利用所设置的置信度阈值和交并比阈值，滤除该识别类别组中的冗余检测框，得到用于标注该目标检测对象的目标检测框；
12、直至完成每个识别类别组中的冗余检测框的滤除为止，基于用于标注每个目标检测对象的目标检测框，得到该候选样本图像的优化检测结果。
13、在一种可能的实施方式中，所述基于每张候选样本图像的识别检测结果和优化检测结果，从多张候选样本图像中筛选出用于训练辅助检测模型的训练样本图像，包括：
14、基于该候选样本图像的识别检测结果和优化检测结果，确定该候选样本图像的图像质量分值；
15、按照每张候选样本图像的图像质量分值，对所述多张候选样本图像进行降序排列，将位于前预设位的候选样本图像确定为用于训练辅助检测模型的训练样本图像。
16、在一种可能的实施方式中，所述基于该候选样本图像的识别检测结果和优化检测结果，确定该候选样本图像的图像质量分值，包括：
17、通过确定该候选样本图像的识别检测结果中每个目标检测框的框目标置信度的平均信息熵，确定该候选样本图像的第一图像质量分值；
18、基于该候选样本图像的优化检测结果，通过确定该候选样本图像中各个识别检测框的方框置信度之和，确定该候选样本图像的第二图像质量分值；
19、通过分别对所述第一图像质量分值和所述第二图像质量分值进行归一化处理，确定该候选样本图像的图像质量分值。
20、在一种可能的实施方式中，通过以下步骤确定出所述综合损失值：
21、通过识别每张训练样本图像中是否存在目标检测对象，将所述多张训练样本图像划分为正样本图像和负样本图像；
22、针对于所述正样本图像，采用无监督的方式，确定在利用所述正样本图像训练所述辅助检测模型的过程中，所述辅助检测模型所产生的第一损失值；
23、针对于所述负样本图像，采用有监督的方式，确定在利用所述负样本图像训练所述辅助检测模型的过程中，所述辅助检测模型所产生的第二损失值；
24、结合预设平衡系数，通过组合所述第一损失值和所述第二损失值，确定出在训练过程中所述辅助检测模型所产生的所述综合损失值。
25、在一种可能的实施方式中，所述采用无监督的方式，确定在利用所述正样本图像训练所述辅助检测模型的过程中，所述辅助检测模型所产生的第一损失值，包括：
26、分别将所述正样本图像的识别检测结果中每个目标检测框的框目标置信度、框类别置信度以及方框置信度与置信度阈值进行比较，确定在利用所述正样本图像训练所述辅助检测模型的过程中，所述辅助检测模型所涉及的、满足适用条件的目标损失函数；
27、基于所述辅助检测模型在每个目标损失函数下的子损失值，确定所述辅助检测模型所产生的第一损失值。
28、在一种可能的实施方式中，所述分别将所述正样本图像的识别检测结果中每个目标检测框的框目标置信度、框类别置信度以及方框置信度与置信度阈值进行比较，确定在利用所述正样本图像训练所述辅助检测模型的过程中，所述辅助检测模型所涉及的、满足适用条件的目标损失函数，包括：
29、当所述方框置信度大于置信度阈值时，则确定所述目标损失函数包括分类损失函数；和/或，
30、当所述方框置信度大于置信度阈值或所述框目标置信度大于置信度阈值时，则确定所述目标损失函数包括目标框回归损失函数；和/或，
31、当所述方框置信度大于置信度阈值或所述框类别置信度大于置信度阈值时，则确定所述目标损失函数包括目标损失函数。
32、在一种可能的实施方式中，所述利用在每个训练周期内完成训练的辅助检测模型的辅助模型参数，通过更新所述待优化检测模型的模型参数，得到目标检测模型，包括：
本文档来自技高网...【技术保护点】
1.一种基于师生训练框架的目标检测模型的主动学习训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述针对于每张候选样本图像，对该候选样本图像的识别检测结果进行优化处理，通过滤除所述识别检测结果中的冗余检测框，得到该候选样本图像的优化检测结果，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述基于每张候选样本图像的识别检测结果和优化检测结果，从多张候选样本图像中筛选出用于训练辅助检测模型的训练样本图像，包括：
4.根据权利要求3所述的训练方法，其特征在于，所述基于该候选样本图像的识别检测结果和优化检测结果，确定该候选样本图像的图像质量分值，包括：
5.根据权利要求1所述的训练方法，其特征在于，通过以下步骤确定出所述综合损失值：
6.根据权利要求5所述的训练方法，其特征在于，所述采用无监督的方式，确定在利用所述正样本图像训练所述辅助检测模型的过程中，所述辅助检测模型所产生的第一损失值，包括：
7.根据权利要求6所述的训练方法，其特征在于，所述分别将所述正样本图像的识
8.根据权利要求1所述的训练方法，其特征在于，所述利用在每个训练周期内完成训练的辅助检测模型的辅助模型参数，更新所述待优化检测模型的模型参数，得到目标检测模型，包括：
9.一种基于师生训练框架的目标检测模型的主动学习训练装置，其特征在于，所述训练装置包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至8任一所述的基于师生训练框架的目标检测模型的主动学习训练方法的步骤。
...【技术特征摘要】
1.一种基于师生训练框架的目标检测模型的主动学习训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述针对于每张候选样本图像，对该候选样本图像的识别检测结果进行优化处理，通过滤除所述识别检测结果中的冗余检测框，得到该候选样本图像的优化检测结果，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述基于每张候选样本图像的识别检测结果和优化检测结果，从多张候选样本图像中筛选出用于训练辅助检测模型的训练样本图像，包括：
4.根据权利要求3所述的训练方法，其特征在于，所述基于该候选样本图像的识别检测结果和优化检测结果，确定该候选样本图像的图像质量分值，包括：
5.根据权利要求1所述的训练方法，其特征在于，通过以下步骤确定出所述综合损失值：
6.根据权利要求5所述的训练方法，其特征在于，所述采用无监督的方式，确定在利用所述正样本图像训练所述辅助...
【专利技术属性】
技术研发人员：王湾湾，郑影，吕逸良，杨艳鑫，杨恒，王杨俊杰，
申请(专利权)人：中电金信软件有限公司，
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。