[发明专利]基于半监督学习的检测模型训练方法、装置、设备及介质

说明书

本申请提供一种基于半监督学习的检测模型训练方法、装置、设备及介质，涉及图像处理技术领域。该方法通过对样本图像中检测目标的第一识别区的已有标注框，采用预设扩增规则，得到其他多个识别区的扩增标注框，并根据第一识别区的已有标注框以及其他识别区的扩增标注框进行模型的训练，得到检测模型。其中，通过预设扩增规则，在已有标注框的基础上，得到多个扩增标注框，可以有效提高训练样本扩增速度，从而提高检测模型训练的效率，同时也有效增强了检测模型的泛化能力。另外，通过采用改进后的损失函数，对训练得到的检测模型进行优化，使得检测模型的检测精确度更高。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种基于半监督学习的检测模型训练方法、装置、设备及介质。

背景技术

近年来，随着图像处理技术的不断更新及发展，深度学习在计算机视觉上的应用越来越广泛，并迅速在目标检测、图像分类，分割，图像生成等领域取得了重大突破。其中，目标检测是众多计算机视觉算法的基础，受到众多研究者的关注。基于深度学习的目标检测算法，虽然比传统目标检测方法取得了更好的效果。但训练深度学习模型的一个重要前提是：需要大量有标签的训练数据。随着人力成本的升高，提高人工标注数据的效率和使用率也变得愈加重要。

现有技术中，在获取训练样本时，是需要对样本中的目标标注矩形框，当面临新的场景，更换新的检测目标时，则需要新增一批新的检测目标所对应的训练样本，同时对新增的训练样本进行目标标注。

由于现有技术中，需要不断的对大量的目标进行标注，导致运算成本相对较高，同时算法迭代速度较慢，降低了模型训练的速度。

发明内容

本发明的目的在于，针对上述现有技术中的不足，提供一种基于半监督学习的检测模型训练方法、装置、设备及介质，以便于解决现有技术中存在的检测样本框标注数据量大，运算速度较慢，导致模型训练效率较低的问题。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种基于半监督学习的检测模型训练方法，包括：

根据样本图像中检测目标的第一识别区的已有标注框，分别采用至少一个预设扩增规则，得到所述样本图像中所述检测目标的至少一个第二识别区的扩增标注框；每个所述预设扩增规则对应一个所述第二识别区；

根据具有所述已有标注框和所述扩增标注框的所述样本图像进行模型训练，得到检测模型；所述检测模型用于对待测图像中所述检测目标的所述第一识别区和至少一个所述第二识别区进行检测。

可选地，所述根据样本图像中检测目标的第一识别区的已有标注框，分别采用至少一个预设扩增规则，得到所述样本图像中所述检测目标的至少一个第二识别区的扩增标注框，包括：

根据所述第一识别区的已有标注框的坐标，和一个所述预设扩增规则对应的预设扩增比例，得到一个所述第二识别区的扩增标注框的坐标；

根据至少一个所述第二识别区的扩增标注框的坐标，对所述样本图像进行标注，得到至少一个所述第二识别区的所述扩增标注框。

可选地，所述方法还包括：

采用所述检测模型，对所述样本图像进行预测，得到所述第一识别区的第一预测框和至少一个所述第二识别区的第二预测框；

根据所述第一预测框、至少一个所述第二预测框、所述已有标注框、至少一个所述扩增标注框，确定所述检测模型的损失函数值；

根据所述损失函数值，对所述检测模型的参数进行更新，直至更新后的所述检测模型的损失函数值最小。

可选地，所述根据所述第一预测框、至少一个所述第二预测框、所述已有标注框、至少一个所述扩增标注框，确定所述检测模型的损失函数值，包括：