【技术实现步骤摘要】
本申请涉及计算机视觉，尤其涉及一种目标检测模型训练方法、装置以及电子设备。
技术介绍
1、近年来，由于数据规模和计算能力的增加，基于深度学习的方法，特别是基于卷积神经网络(cnn)的方法，在计算机视觉和自然语言处理方面表现出了优异的性能。类似地，基于cnn的方法由于其强大的特征提取能力，也适用于合成孔径雷达图像(sar)的目标检测。
2、但是现有的方法，大多依赖于全监督学习，这就需要大规模的标记训练样本。然而，尽管有大量的sar图像，但在现实中有标记的sar图像却很少。标注sar图像需要大量有经验的人力和资源，缺少标记的训练数据会降低检测性能。而半监督的方法，在再训练阶段以固定比率处理真实标签和伪标签的损失函数，可能导致预测结果恶化；而且，预测标记框的质量也会影响训练质量。
3、因此，如何增加合成孔径雷达图像训练样本的多样性，提高目标检测模型的检测性能，是目前研究的重要问题。
技术实现思路
1、本专利技术主要解决的技术问题是提供一种目标检测模型训练方法、装置以及电子...
【技术保护点】
1.一种目标检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述步骤二中，对所述无标签数据集进行第一预处理，包括对所述无标签数据集中的图像进行水平翻转。
3.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述步骤三中，对所述无标签数据集进行第二预处理，包括将所述无标签数据集中图像的所有像素与预设区域值内的随机值相乘。
4.根据权利要求3所述的目标检测模型训练方法，其特征在于，在所述步骤三中，对所述无标签数据集进行第二预处理，还包括以给定概率将所述无标签数据集中图像的像素随机...
【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：
2.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述步骤二中，对所述无标签数据集进行第一预处理，包括对所述无标签数据集中的图像进行水平翻转。
3.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述步骤三中，对所述无标签数据集进行第二预处理，包括将所述无标签数据集中图像的所有像素与预设区域值内的随机值相乘。
4.根据权利要求3所述的目标检测模型训练方法，其特征在于，在所述步骤三中，对所述无标签数据集进行第二预处理，还包括以给定概率将所述无标签数据集中图像的像素随机设置为0或255。
5.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述步骤三中，还包括计算所述第二检测网络的总目标损失函数值l，计算方法为：l＝ll+αlu，其中...
【专利技术属性】
技术研发人员：田壮壮，王坤，刘洪昌，张恒伟，靳浩，陈帅，吴逢川，熊正大，彭锦超，贺会洲，沈义龙，刘胜利，陆洪涛，陆静，许增增，
申请(专利权)人：中国人民解放军六三八九一部队，
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。