伪标签生成方法、目标检测模型训练方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115082757A(43)申请公布日2022.09.20(21)申请号202210827746.4(22)申请日2022.07.13(71)申请人北京百度网讯科技有限公司地址100085北京市海淀区上地十街10号百度大厦2层(72)发明人于越孙昊谭啸(74)专利代理机构北京市汉坤律师事务所11602专利代理师姜浩然吴丽丽(51)Int.Cl.G06V10/774(2022.01)权利要求书3页说明书17页附图8页(54)发明名称伪标签生成方法、目标检测模型训练方法及装置(57)摘要本公开提供了一种伪标签生成方法、目标检测模型训练方法及装置，涉及人工智能技术领域，尤其涉及图像处理、计算机视觉和深度学习等技术领域。实现方案为：一种伪标签生成方法，包括通过对不带标签的图像数据进行第一目标检测获得至少一个第一检测框，以及通过对不带标签的图像数据进行第二目标检测获得至少一个第二检测框；确定包括至少一个第一检测框和至少一个第二检测框的检测框中的独立检测框，其中，独立检测框与包括至少一个第一检测框和至少一个第二检测框的检测框中除独立检测框之外的其余检测框不具有对应关系；以及将独立检测框确定为不带标签的图像数据的伪标签。CN115082757ACN115082757A权利要求书1/3页1.一种伪标签生成方法，包括：通过对不带标签的图像数据进行第一目标检测获得至少一个第一检测框，以及通过对所述不带标签的图像数据进行第二目标检测获得至少一个第二检测框；确定包括所述至少一个第一检测框和所述至少一个第二检测框的检测框中的独立检测框，其中，所述独立检测框与包括所述至少一个第一检测框和所述至少一个第二检测框的所述检测框中除所述独立检测框之外的其余检测框不具有对应关系；以及将所述独立检测框确定为所述不带标签的图像数据的伪标签。2.根据权利要求1所述的方法，其中，所述确定包括所述至少一个第一检测框和所述至少一个第二检测框的检测框中的独立检测框包括：计算所述至少一个第一检测框中的每个第一检测框与所述至少一个第二检测框中的每个第二检测框的重合程度；以及基于所述重合程度确定所述独立检测框。3.根据权利要求2所述的方法，其中，基于所述重合程度确定所述独立检测框包括：响应于所述至少一个第一检测框中的一个第一检测框与所述至少一个第二检测框中的每个第二检测框的重合程度均小于或等于所述预定阈值，将该第一检测框确定为所述独立检测框。4.根据权利要求2或3所述的方法，其中，基于所述重合程度确定所述独立检测框包括：响应于所述至少一个第二检测框中的一个第二检测框与所述至少一个第一检测框中的每个第一检测框的重合程度均小于或等于所述预定阈值，将该第二检测框确定为所述独立检测框。5.根据权利要求2所述的方法，其中，基于所述重合程度确定所述独立检测框包括：响应于所述至少一个第一检测框中的一个第一检测框与所述至少一个第二检测框中的一个第二检测框的重合程度大于所述预定阈值、且该第一检测框所指示的目标类别与该第二检测框所指示的目标类别不同，将该第一检测框和该第二检测框均确定为所述独立检测框。6.根据权利要求2至5中任一项所述的方法，还包括：确定所述其余检测框中具有所述对应关系的成对检测框，其中，所述成对检测框中的两个检测框的重合程度大于所述预定阈值、且所述两个检测框所指示的目标类别相同；将所述成对检测框的位置坐标进行归一化，以获得经归一化的检测框；以及将所述经归一化的检测框和所述独立检测框确定为所述不带标签的图像数据的伪标签。7.一种目标检测模型训练方法，包括：获取带有伪标签的第一图像训练数据，其中，所述伪标签根据权利要求1至6中任一项所述的伪标签生成方法生成，其中，经由预训练的第一教师模型执行第一目标检测，以及经由预训练的第二教师模型执行第二目标检测；基于所述带有伪标签的第一图像训练数据以及带有人工标签的第二图像训练数据，训练对应于所述第一教师模型的第一学生模型以获得所述第一学生模型的第一学生模型更新参数，以及训练对应于所述第二教师模型的第二学生模型以获得所述第二学生模型的第二学生模型更新参数；以及2CN115082757A权利要求书2/3页基于所述第一学生模型更新参数以及所述第一教师模型的第一当前模型参数来更新所述第一教师模型，以及基于所述第二学生模型更新参数和所述第二教师模型的第二当前模型参数来更新所述第二教师模型。8.根据权利要求7所述的方法，其中，所述预训练的第一教师模型具有第一初始模型参数，且所述预训练的第二教师模型具有第二初始模型参数，其中，所述第一初始模型参数是通过基于所述带有人工标签的第二图像训练数据对所述第一学生模型进行训练而获得的，且所述第二初始模型参数是通过基于所述带有人工标签的第二图像训练数据对所述第二学