模型训练方法、目标检测方法、装置、设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113920370A(43)申请公布日2022.01.11(21)申请号202111242618.5G06N3/08(2006.01)(22)申请日2021.10.25(71)申请人上海商汤智能科技有限公司地址200233上海市徐汇区桂平路391号3号楼1605A室(72)发明人谭靖儒(74)专利代理机构北京派特恩知识产权代理有限公司11270代理人李江张颖玲(51)Int.Cl.G06V10/764(2022.01)G06V10/46(2022.01)G06V40/10(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)权利要求书3页说明书19页附图5页(54)发明名称模型训练方法、目标检测方法、装置、设备及存储介质(57)摘要本申请实施例公开了一种模型训练方法、目标检测方法、装置、设备及存储介质，其中所述方法包括：获取带有实例级标签的第一样本和带有图像级标签的第二样本；所述第二样本是基于所述第一样本的实例级标签获取的；通过预训练的目标检测模型，确定所述第二样本中样本数据的伪标签；基于所述第一样本中样本数据的实例级标签，确定所述目标检测模型的原始检测损失；基于所述第二样本中样本数据的伪标签，确定所述目标检测模型的分类增强损失；基于所述原始检测损失和所述分类增强损失，利用所述第一样本和所述第二样本训练所述目标检测模型。CN113920370ACN113920370A权利要求书1/3页1.一种模型训练方法，其特征在于，所述方法包括：获取带有实例级标签的第一样本和带有图像级标签的第二样本；所述第二样本是基于所述第一样本的实例级标签获取的；通过预训练的目标检测模型，确定所述第二样本中样本数据的伪标签；基于所述第一样本中样本数据的实例级标签，确定所述目标检测模型的原始检测损失；基于所述第二样本中样本数据的伪标签，确定所述目标检测模型的分类增强损失；基于所述原始检测损失和所述分类增强损失，利用所述第一样本和所述第二样本训练所述目标检测模型。2.如权利要求1所述的方法，其特征在于，所述获取带有实例级标签的第一样本和带有图像级标签的第二样本，包括：从样本训练集中获取带有实例级标签的所述第一样本；基于所述实例级标签，确定所述第一样本所包括的至少一个类别；基于所述至少一个类别，获取相应所述类别对应的第二样本，得到带有图像级标签的所述第二样本。3.如权利要求2所述的方法，其特征在于，所述至少一个类别为所述第一样本中所有样本数据所属的类别，所述所有样本数据包括正常数据和长尾数据；所述基于所述至少一个类别，获取相应所述类别对应的第二样本，得到带有图像级标签的所述第二样本，包括：通过预设的图像数据集获取每一所述类别对应的第二样本，得到带有图像级标签的所述第二样本。4.如权利要求1至3任一项所述的方法，其特征在于，所述通过预训练的目标检测模型，确定所述第二样本中样本数据的伪标签，包括：将所述第二样本输入到所述预训练的目标检测模型中，得到所述第二样本中样本数据的候选框集合；确定所述候选框集合中每一候选框在相应样本数据的图像级标签下的分类置信度；对所述候选框集合中各个所述候选框的分类置信度进行排序，得到所述分类置信度得分最高的目标框；基于所述分类置信度得分最高的目标框，生成所述第二样本中样本数据的伪标签。5.如权利要求1至4任一项所述的方法，其特征在于，所述目标检测模型包括用于执行定位任务的第一分支网络和用于执行分类任务的第二分支网络；所述基于所述第一样本中样本数据的实例级标签，确定所述目标检测模型的原始检测损失，包括：基于所述第一样本中样本数据的实例级标签，确定所述第一样本通过所述第一分支网络和所述第二分支网络的原始检测损失；所述基于所述第二样本中样本数据的伪标签，确定所述目标检测模型的分类增强损失，包括：基于所述第二样本中样本数据的伪标签，确定所述第二样本通过所述目标检测模型的第二分支网络的分类增强损失。2CN113920370A权利要求书2/3页6.如权利要求5所述的方法，其特征在于，所述基于所述原始检测损失和所述分类增强损失，利用所述第一样本和所述第二样本训练所述目标检测模型，包括：确定所述分类任务和所述定位任务的任务平衡系数；基于所述任务平衡系数，对所述原始检测损失和所述分类增强损失进行线性求和，得到所述目标检测模型的优化目标损失；在所述优化目标损失的监督下，利用所述第一样本和所述第二样本训练所述目标检测模型。7.如权利要求5至6任一项所述的方法，其特征在于，所述目标检测模型还包括区域候选网络，所述基于所述第一样本中样本数据的实例级标签，确定所述第一样本通过所述第一分支网络和所述第二分支网络的原始检测损失，包括：通过所述区域候选网络，确