[发明专利]网络训练及目标检测方法、装置、电子设备和存储介质

说明书

本公开涉及一种网络训练及目标检测方法、装置、电子设备和存储介质，所述网络训练方法包括：获取无标签标注的样本图像以及待训练的目标检测网络；通过目标检测网络对样本图像进行处理，得到样本图像的检测结果，检测结果包括样本图像中目标所在的预测区域；根据检测结果，确定样本图像对应的伪标签信息，伪标签信息包括样本图像中目标所在的伪标注区域；根据伪标签信息以及目标检测网络中预置的锚框信息，确定伪标注区域与锚框信息表征的锚框区域之间的匹配损失；根据匹配损失，确定目标检测网络的网络损失，并基于网络损失，训练目标检测网络。本公开实施例可实现提高目标检测网络的训练效率。

技术领域

本公开涉及计算机技术领域，尤其涉及一种网络训练及目标检测方法、装置、电子设备和存储介质。

背景技术

随着深度学习在目标检测技术的广泛应用，目标检测技术形成了由深度网络提取特征，并通过对特征进行分类与回归得到物体类别和位置的范式。目前，目标检测网络的训练方法主要通过交并比(Intersection over Union，IoU)的方式将锚框与标签框进行匹配，然后以锚框为参考，学习物体标签框与锚框的相对位置。

然而，在基于半监督训练方式训练目标检测网络的场景中，由于部分样本图像采用的是不准确的伪标签框，这种根据交并比进行匹配的方式，会使得伪标签框匹配到次优的锚框，例如出现匹配的锚框并不在物体上，或者匹配到的锚框并不能完整覆盖整个物体等情况，影响目标检测网络的训练效果，降低训练效率。

发明内容

本公开提出了一种网络训练及目标检测技术方案。

根据本公开的一方面，提供了一种网络训练方法，包括：获取无标签标注的样本图像以及待训练的目标检测网络；通过所述目标检测网络对所述样本图像进行处理，得到所述样本图像的检测结果，所述检测结果包括所述样本图像中目标所在的预测区域；根据所述检测结果，确定所述样本图像对应的伪标签信息，所述伪标签信息包括所述样本图像中目标所在的伪标注区域；根据所述伪标签信息以及所述目标检测网络中预置的锚框信息，确定所述伪标注区域与所述锚框信息表征的锚框区域之间的匹配损失；根据所述匹配损失，确定所述目标检测网络的网络损失，并基于所述网络损失，训练所述目标检测网络。

在一种可能的实现方式中，所述伪标签信息中包括多个伪标注区域，其中，所述根据所述匹配损失，确定所述目标检测网络的网络损失，包括：针对所述多个伪标注区域中的每个伪标注区域，根据所述伪标注区域与多个锚框区域之间的匹配损失，确定所述多个锚框区域各自对应的第一权重，同一锚框区域的所述第一权重与所述匹配损失负相关；根据所述多个锚框区域各自对应的第一权重以及所述多个锚框区域各自对应的匹配损失，确定所述伪标注区域对应的区域损失；根据得到的所述多个伪标注区域对应的区域损失，确定所述目标检测网络的网络损失。

在一种可能的实现方式中，所述伪标签信息中包括所述伪标注区域对应的置信度，所述置信度表征所述伪标注区域的可靠程度，其中，所述根据得到的所述多个伪标注区域对应的区域损失，确定所述目标检测网络的网络损失，包括：根据所述多个伪标注区域各自对应的置信度，确定所述多个伪标注区域各自对应的第二权重，所述第二权重与所述置信度正相关；根据多个伪标注区域各自对应的第二权重以及所述多个伪标注区域各自对应的区域损失，确定所述目标检测网络的网络损失。

在一种可能的实现方式中，所述匹配损失包括以下至少一种：所述伪标注区域与所述锚框区域之间的分类损失；所述伪标注区域与所述锚框区域对应的预测区域之间的第一位置损失；所述伪标注区域与所述锚框区域之间的第二位置损失。

在一种可能的实现方式中，所述锚框信息中包括所述目标检测网络针对锚框区域所预测的分类分数，所述伪标签信息中包括所述伪标注区域对应的伪标注值，所述伪标注值用于指示所述伪标注区域内是否包含所述目标，所述分类分数表征所述锚框区域内包括所述目标的概率；其中，所述根据所述伪标签信息以及所述目标检测网络中预置的锚框信息，确定所述伪标注区域与所述锚框信息表征的锚框区域之间的匹配损失，包括：