[发明专利]多目标检测方法、装置、电子设备及存储介质

说明书

本发明涉及人工智能技术领域，提供一种多目标检测方法、装置、电子设备及存储介质，所述方法将多个训练样本数据输入学生模型的第一网络结构中进行训练得到多个第一预测类别标签，及输入教师模型的第二网络结构中进行训练得到多个第二预测类别标签，根据所述多个第一预测类别标签及所述多个第二预测类别标签更新所述学生模型的网络参数，根据所述学生模型更新后的网络参数，对所述教师模型的网络参数进行更新，当满足迭代训练结束条件时，结束对所述学生模型和所述教师模型的训练过程，得到多目标检测器，使用所述多目标检测器对目标数据进行检测。本发明不仅能够减少模型参数量，还能防止模型过拟合，提升模型泛化能力，从而提高检测的准确度。

技术领域

本发明涉及人工智能技术领域，具体涉及一种多目标检测方法、装置、电子设备及存储介质。

背景技术

目标检测成为了近年来理论和应用的研究热点，它是数据处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。得益于深度学习CNN网络架构的发展，目标检测任务的性能逐步提高。然而，现有的目标检测框架针对完全标注的监督学习模式设计，对于半标注和无标注的数据集，现有框架难以抽取出数据集中有效地信息并加以训练。目标检测任务在实际应用中存在目标域变换或目标类别变化，并且对模型大小和推理速度都有更加苛刻的要求。

发明内容

鉴于以上内容，有必要提出一种多目标检测方法、装置、电子设备及存储介质，能够提高多目标检测的准确度。

本发明的第一方面提供一种多目标检测方法，所述方法包括：

初始化学生模型的第一网络结构和教师模型的第二网络结构；

根据给定的多个类别的样本数据集确定批次训练中单个类别的样本采样数量，根据所述样本采样数量从所述给定的多个类别的样本数据集中获取多个训练样本数据；

将所述多个训练样本数据输入所述第一网络结构中进行训练得到多个第一预测类别标签，及输入所述第二网络结构中进行训练得到多个第二预测类别标签；

根据所述多个第一预测类别标签及所述多个第二预测类别标签更新所述学生模型的网络参数；

根据所述学生模型更新后的网络参数，对所述教师模型的网络参数进行更新；

当满足迭代训练结束条件时，结束对所述学生模型和所述教师模型的训练过程，得到多目标检测器；

使用所述多目标检测器对目标数据进行检测。

根据本发明的一个可选的实施方式，所述初始化学生模型的第一网络结构和教师模型的第二网络结构包括：

初始化网络结构相同的所述第一网络结构和所述第二网络结构，其中，所述第一网络结构和所述第二网络结构采用共享的骨干网络；

将所述第一网络结构的骨干网络与多个第一检测分支进行连接；

将所述第二网络结构的骨干网络与多个第二检测分支进行连接；

其中，所述多个第一检测分支的数量与所述多个第二检测分支的数量均与所述样本数据集的类别的数量的一致，且每个所述第一检测分支及每个所述第二检测分支均用于检测一个所述类别。

根据本发明的一个可选的实施方式，所述根据给定的多个类别的样本数据集确定批次训练中单个类别的样本采样数量包括：

计算每个类别的样本数据集的样本数量；

根据多个所述样本数量确定最小样本数量；

根据所述最小样本数量确定所述样本采样数量，其中，所述样本采样数量小于或等于所述最小样本数量。