[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

说明书

本申请实施例提供了一种目标检测模型训练方法、目标检测方法和装置，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第一样本图像进行检测，确定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；基于第一样本图像中目标图像区域的图像特征，对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，对基线检测模型进行模型训练，得到目标检测模型，能够降低检测的成本，提高检测的效率。

技术领域

本申请涉及深度学习技术领域，特别是涉及一种目标检测模型训练方法、目标检测方法和装置。

背景技术

随着计算机技术的快速发展，基于深度学习对图像进行检测在各方面得到了广泛的应用。例如，在视频监控领域，基于训练得到的目标检测模型对监控图像进行目标检测，可以确定监控图像中包含的预设对象(例如，动物或人物等)，以及预设对象所占的图像区域。

相关技术中，为了提高目标检测的精确度，针对某一检测场景，需要获取大量该检测场景对应的人工标注了目标对象的标签的样本图像，进而，可以基于这些样本图像对预设结构的卷积神经网络模型进行训练，得到该检测场景对应的目标检测模型。

然而，基于人工对大量样本图像进行标注，会增大标注的复杂度和成本，进而，会增加检测的成本，降低检测的效率。

发明内容

本申请实施例的目的在于提供一种目标检测模型训练方法、目标检测方法和装置，以降低检测的成本，提高检测的效率。具体技术方案如下：

第一方面，为了达到上述目的，本申请实施例公开了一种目标检测模型训练方法，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。

可选的，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。

可选的，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；