[发明专利]样本图像增量、图像检测模型训练及图像检测方法

说明书

本公开提供了一种样本图像增量方法、图像检测模型训练方法、图像检测方法，以及对应的装置、电子设备、计算机可读存储介质及计算机程序产品，涉及计算机视觉和深度学习等人工智能领域，可应用于智能云和工业质检场景下。一具体实施方式包括：获取原始样本图像的第一卷积特征；根据区域生成网络和第一卷积特征确定候选区域、候选区域中包含目标对象的第一概率；基于第一概率在候选区域中确定目标候选区域，并将目标候选区域映射回原始样本图像，得到中间图像；对中间图像中对应目标候选区域的部分进行图像增强处理和/或对中间图像中对应非目标候选区域的部分进行图像模糊处理，得到增量样本图像。应用该实施方式生成的增量样本图像可用性更高。

技术领域

本公开涉及为人工智能领域，具体涉及计算机视觉和深度学习技术，可应用于智能云和工业质检场景下，尤其涉及一种样本图像增量方法、图像检测模型训练方法、图像检测方法，以及对应的装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

在目标检测领域中，机器学习算法往往需要通过对大量已标注的训练样本进行学习，从而利用训练好的模型对实际样本进行目标检测。

在部分技术领域下，由于目标物体数量稀少或者获得难度极高，很难收集到足够的训练样本，也就无法保证训练出的模型的识别能力。

现有技术通常通过对样本图像进行旋转等变换方式、基于生成对抗网络或迁移学习的方式来实现小样本的样本增量。

发明内容

本公开实施例提出了一种样本图像增量方法、图像检测模型训练方法、图像检测方法，以及对应的装置、电子设备、计算机可读存储介质及计算机程序产品。

第一方面，本公开实施例提出了一种样本图像增量方法，包括：获取原始样本图像的第一卷积特征；根据区域生成网络和第一卷积特征确定候选区域、候选区域中包含目标对象的第一概率；基于第一概率在候选区域中确定目标候选区域，并将目标候选区域映射回原始样本图像，得到中间图像；对中间图像中对应目标候选区域的部分进行图像增强处理和/或对中间图像中对应非目标候选区域的部分进行图像模糊处理，得到增量样本图像。

第二方面，本公开实施例提出了一种样本图像增量装置，包括：第一卷积特征获取单元，被配置成获取原始样本图像的第一卷积特征；候选区域及概率确定单元，被配置成根据区域生成网络和第一卷积特征确定候选区域、候选区域中包含目标对象的第一概率；目标候选区域确定及映射单元，被配置成基于第一概率在候选区域中确定目标候选区域，并将目标候选区域映射回原始样本图像，得到中间图像；中间图像处理单元，被配置成对中间图像中对应目标候选区域的部分进行图像增强处理和/或对中间图像中对应非目标候选区域的部分进行图像模糊处理，得到增量样本图像。

第三方面，本公开实施例提出了一种图像检测模型训练方法，包括：获取增量样本图像的第二卷积特征；其中，增量样本图像通过如第一方面中的任一实现方式得到；根据区域生成网络和第二卷积特征确定新候选区域、新候选区域包含目标对象的第二概率；获取对应第一概率的第一损失值，以及对应第二概率的第二损失值；基于加权后的第一损失值和第二损失值，确定综合损失值；基于综合损失值满足预设要求，得到训练完成的图像检测模型。

第四方面，本公开实施例提出了一种图像检测模型训练装置，包括：第二卷积特征获取单元，被配置成获取增量样本图像的第二卷积特征；其中，增量样本图像通过如第二方面中的任一实现方式得到；新候选区域及概率确定单元，被配置成根据区域生成网络和第二卷积特征确定新候选区域、新候选区域包含目标对象的第二概率；损失值获取单元，被配置成获取对应第一概率的第一损失值，以及对应第二概率的第二损失值；综合损失值确定单元，被配置成基于加权后的第一损失值和第二损失值，确定综合损失值；图像检测模型训练单元，被配置成基于综合损失值满足预设要求，得到训练完成的图像检测模型。

第五方面，本公开实施例提供了一种图像检测方法，包括：接收待检测图像；调用图像检测模型对待检测图像进行检测；其中，图像检测模型通过如第三方面中的任一实现方式得到。