[发明专利]一种目标检测模型训练方法、目标检测方法和装置

权利要求书

1.一种目标检测模型训练方法，其特征在于，所述方法包括：

获取当前检测场景的未标注标签的第一样本图像；

基于基线检测模型对各第一样本图像进行检测，确定各第一样本图像中置信度大于第一预设阈值的目标图像区域；其中，一个目标图像区域的置信度表示该目标图像区域包含预设对象的概率；所述基线检测模型为：基于当前检测场景以外的其他检测场景的第二样本图像进行训练得到的，用于检测所述预设对象的网络模型；

基于各第一样本图像中目标图像区域的图像特征，对各第一样本图像中的目标图像区域进行聚类，得到多个图像区域集合；

针对每一图像区域集合，基于该图像区域集合包含的目标图像区域的置信度，计算该图像区域集合的置信度，作为该图像区域集合包含的目标图像区域的软标签；

针对各第一样本图像中的每一目标图像区域，根据该目标图像区域的软标签，对所述基线检测模型进行模型训练，得到当前检测场景的目标检测模型。

2.根据权利要求1所述的方法，其特征在于，所述针对各第一样本图像中的每一目标图像区域，根据该目标图像区域的软标签，对所述基线检测模型进行模型训练，得到当前检测场景的目标检测模型，包括：

针对各第一样本图像中的每一目标图像区域，将该目标图像区域的软标签，作为该目标图像区域的真实标签，对所述基线检测模型进行模型训练，得到当前检测场景的目标检测模型。

3.根据权利要求1所述的方法，其特征在于，所述针对各第一样本图像中的每一目标图像区域，根据该目标图像区域的软标签，对所述基线检测模型进行模型训练，得到当前检测场景的目标检测模型，包括：

针对各第一样本图像中的每一目标图像区域，将该目标图像区域的软标签，作为该目标图像区域的真实标签，对所述基线检测模型进行模型训练，得到待选检测模型；

获取用户对备选图像区域集合进行标注的标签，作为所述备选图像区域集合包含的目标图像区域的硬标签；其中，所述备选图像区域集合包含的目标图像区域的软标签属于预设范围；

针对所述备选图像区域集合中的每一目标图像区域，将该目标图像区域的硬标签，作为该目标图像区域的真实标签，对所述待选检测模型进行模型训练，得到当前检测场景的目标检测模型。

4.根据权利要求1所述的方法，其特征在于，所述基线检测模型为快速区域卷积神经网络模型或YOLO模型。

5.根据权利要求1所述的方法，其特征在于，所述基于各第一样本图像中目标图像区域的图像特征，对各第一样本图像中的目标图像区域进行聚类，得到多个图像区域集合，包括：

基于各第一样本图像中目标图像区域的图像特征，按照K-means聚合算法，对各第一样本图像中的目标图像区域进行聚类，得到多个图像区域集合。

6.根据权利要求1所述的方法，其特征在于，该图像区域集合的置信度用于表示该图像区域集合包含的目标图像区域的置信度的平均水平。

7.一种目标检测方法，其特征在于，所述方法包括：

获取待检测图像；

将所述待检测图像输入至当前检测场景的目标检测模型，得到所述待检测图像的检测结果；其中，所述目标检测模型为采用权利要求1至6任一项所述的目标检测模型训练方法获取的。

8.根据权利要求7所述的方法，其特征在于，所述检测结果包括以下至少一项：表示所述待检测图像中是否包含预设对象的标识、所述待检测图像中各图像区域包含预设对象的概率、所述各图像区域的位置信息。