[发明专利]目标检测方法及相关设备

说明书

本申请涉及人工智能技术领域，提供了一种目标检测方法及相关设备，该目标检测方法包括：获取待检测的图像信息；将图像信息输入预训练的目标检测模型，获得图像信息中目标物体的标注信息；其中，目标检测模型基于获取的目标数据集训练而得；目标数据集的获取步骤包括：获取多个包括图像信息与对应标注信息的初始数据集；针对每一初始数据集训练对应的初始检测模型；采用训练后的初始检测模型对未用于训练该初始检测模型的初始数据集提供的图像信息进行检测，并根据检测结果更新每一初始数据集中的标注信息；整合多个更新后的初始数据集得到目标数据集。本申请的实施有利于提高目标检测模型对图像信息进行检测的准确率。

技术领域

本申请涉及人工智能技术领域，具体而言，本申请涉及一种目标检测方法及相关设备。

背景技术

目标检测任务是指给定一张图像，利用目标检测算法自动找出图像中感兴趣的物体，并标注其位置和类别。针对目标检测任务，现有技术中一般采用多个包括图像信息与对应标注信息的数据集对基础网络进行微调，进而获得适应不同场景或需求的新模型。

然而，现有技术中一般采用直接合并的多个数据集对基础网络进行微调获得更新的检测模型，忽略了不同数据集中标注信息之间的相互影响，导致所更新的检测模型对图像进行检测的准确率较低；且因未能有效合并不同数据集上的标注信息，还容易出现误检和漏检的问题。

发明内容

本申请提供了一种目标检测方法及相关设备，可以解决上述至少一种技术问题。所述技术方案如下：

第一方面，提供了一种目标检测方法，包括：获取待检测的图像信息；将所述图像信息输入预训练的目标检测模型，获得所述图像信息中与目标物体相关的标注信息；其中，所述目标检测模型基于获取的目标数据集训练而得；所述目标数据集的获取步骤包括：获取多个初始数据集；所述初始数据集包括图像信息以及与预定义物体相关的标注信息；针对每一所述初始数据集训练对应的初始检测模型；采用训练后的初始检测模型对未用于训练该初始检测模型的初始数据集提供的图像信息进行检测，并根据检测结果更新每一初始数据集中的标注信息；整合多个更新后的初始数据集得到目标数据集。

结合第一方面，在第一方面的第一种实施方式中，所述获取多个初始数据集，包括：获取多个原始数据集；针对每一原始数据集，基于该原始数据集中标注信息所表征的物体类别与预定义物体类别匹配的数量，筛选该原始数据集中的标注信息，获得对应的初始数据集。

结合第一方面，在第一方面的第二种实施方式中，所述采用训练后的初始检测模型对未用于训练该初始检测模型的初始数据集提供的图像信息进行检测，并根据检测结果更新每一初始数据集中的标注信息，包括：针对每一初始数据集，执行下述步骤：设该初始数据集中已有的标注信息的置信度为预设值；采用未经该初始数据集进行训练的初始检测模型，检测该初始数据集提供的图像信息，获得对应的初始的标注信息与相应的置信度；基于置信度对所述已有的标注信息与初始的标注信息进行筛选，获得更新标注信息后的初始数据集。

结合第一方面的第二种实施方式，在第一方面的第三种实施方式中，所述基于置信度对所述已有的标注信息与初始标注信息进行筛选，获得更新标注信息后的初始数据集，包括：基于置信度对所述已有的标注信息与初始的标注信息进行排序，获得排序后的标注信息；采用非极大值抑制算法，删除所述排序后的标注信息中重复或置信度低于预设阈值的标注信息，获得更新标注信息后的初始数据集。

结合第一方面的第二种实施方式，在第一方面的第四种实施方式中，所述标注信息包括表征物体所在位置的位置信息、与表征物体类别的类别信息中的至少一项。

结合第一方面的第四种实施方式，在第一方面的第五种实施方式中，所述目标检测模型基于目标损失函数更新网络参数；所述目标损失函数包括基于所述置信度确定的分类损失函数与基于所述置信度确定的定位损失函数中的至少一项。