目标检测模型的训练方法及装置、目标检测方法及装置与流程

1.本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉等技术领域。


背景技术：

2.随着人工智能技术的发展，深度学习模型得到了广泛的应用，例如可以将深度学习模型应用于计算机视觉领域的物体识别、人脸识别、目标检测、语义分割等多个任务中。
3.其中，目标检测的任务是找出图像中所有感兴趣的目标，并确定目标的类别和位置。由于现有的深度学习模型的训练方法并没有考虑到分类任务和回归任务的关联性，因此训练得到的深度学习模型对目标进行检测的结果并不准确。


技术实现要素：

4.本公开提供了一种目标检测模型的训练方法及装置、一种目标检测方法及装置、电子设备、存储介质以及计算机程序产品。
5.根据本公开的一方面，提供了一种目标检测模型的训练方法，包括：将第一图像输入第一模型中进行目标检测，得到第一预测结果，以及将第二图像输入第二模型中进行目标检测，得到第二预测结果；所述第一图像是根据对无标签的样本图像进行第一变换处理得到的，所述第二图像是根据对所述样本图像进行第二变换处理得到的，所述第一变换处理和所述第二变换处理为不同的数据增强处理；对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果，以及对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果；根据所述第一检测结果中检测框的位置和所述第二检测结果中检测框的位置计算回归损失；根据所述第二预测结果和所述第二模型的回归目标计算分类损失；所述回归目标是根据所述第一预测结果中的类别概率分布以及所述第一检测结果中的检测框和所述第二检测结果中的检测框之间的交并比确定得到的；根据所述回归损失和所述分类损失训练所述第二模型，得到目标检测模型。
6.根据本公开的另一方面，提供了一种目标检测方法，包括：获取待处理图像；将所述待处理图像输入目标检测模型中进行目标检测，得到目标检测结果；其中，所述目标检测模型基于上述的训练方法训练得到。
7.根据本公开的另一方面，提供了一种目标检测模型的训练装置，包括：预测模块，用于将第一图像输入第一模型中进行目标检测，得到第一预测结果，以及将第二图像输入第二模型中进行目标检测，得到第二预测结果；所述第一图像是根据对无标签的样本图像进行第一变换处理得到的，所述第二图像是根据对所述样本图像进行第二变换处理得到的，所述第一变换处理和所述第二变换处理为不同的数据增强处理；处理模块，用于对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果，以及对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果；第一计算模块，用于根据所述第一检测结果中检测框的位置和所述第二检测结果中检测框的位置
计算回归损失；第二计算模块，用于根据所述第二预测结果和所述第二模型的回归目标计算分类损失；所述回归目标是根据所述第一预测结果中的类别概率分布以及所述第一检测结果中的检测框和所述第二检测结果中的检测框之间的交并比确定得到的；训练模块，用于根据所述回归损失和所述分类损失训练所述第二模型，得到目标检测模型。
8.根据本公开的另一方面，提供了一种目标检测装置，包括：获取模块，用于获取待处理图像；检测模块，用于将所述待处理图像输入目标检测模型中进行目标检测，得到目标检测结果；其中，所述目标检测模型基于上述的训练装置训练得到。
9.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述训练方法或者上述目标检测方法。
10.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述训练方法或者上述目标检测方法。
11.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述训练方法或者上述目标检测方法。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开一实施例的目标检测模型的训练方法的流程图；
15.图2是根据本公开一实施例的目标检测模型的训练过程示意图；
16.图3是根据本公开一实施例的步骤s105的流程图；
17.图4是根据本公开一实施例的目标检测模型的训练装置示意图；
18.图5是根据本公开一实施例的目标检测方法的流程图；
19.图6是根据本公开一实施例的目标检测装置示意图；
20.图7是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
21.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
22.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品
或设备固有的其它步骤或单元。
23.根据本公开实施例，提供了一种目标检测模型的训练方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
24.图1是根据本公开实施例的目标检测模型的训练方法的流程图，如图1所示，该训练方法包括以下步骤s101至步骤s105：
25.步骤s101、将第一图像输入第一模型中进行目标检测，得到第一预测结果，以及将第二图像输入第二模型中进行目标检测，得到第二预测结果。其中，所述第一图像是根据对无标签的样本图像进行第一变换处理得到的，所述第二图像是根据对所述样本图像进行第二变换处理得到的，所述第一变换处理和所述第二变换处理为不同的数据增强处理。
26.其中，所述样本图像可以为车载摄像头采集的图像，图像中包括的目标可以为障碍物。所述样本图像还可以为医学设备采集的图像，图像中包括的目标可以为某个部位。所述样本图像还可以为其它类型的图像，具体不作限定。
27.所述第一变换处理通常为对无标签的样本图像进行较小程度的变换处理，也可以称为弱数据增强处理，具体可以包括缩放、平移、改变颜色空间等变换处理。所述第二变换处理通常为对无标签的样本图像进行较大程度的变换处理，也可以称为强数据增强处理，具体可以包括旋转、翻转、剪切、添加噪声、混合不同数据等变换处理。
28.将第一图像输入第一模型中进行目标检测，得到第一预测结果，第一预测结果具体包括用于描述目标在第一图像中的位置的检测框和所述目标的类别概率分布。将第二图像输入第二模型中进行目标检测，得到第二预测结果，第二预测结果具体包括用于描述目标在第二图像中的位置的检测框和所述目标的类别概率分布。其中，检测框也可以称为目标框，其形状通常是矩形的，可以采用检测框左上角的坐标(x1,y1)以及右下角的坐标(x2,y2)进行表示，还可以采用检测框的中心坐标(xc,yc)以及宽高(w,h)进行表示。
29.在一些场景中，所述第一模型也可以称为教师模型，所述第二模型也可以称为学生模型。在具体实施中，所述第一模型和所述第二模型均可以采用基于端到端框架的detr(detection transformer)模型。
30.步骤s102、对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果，以及对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果。
31.通过对第一预测结果和第二预测结果进行相应的逆变换处理，可以将第一模型输出的第一预测结果标记在第二模型输出的第二预测结果的正确位置。
32.步骤s103、根据所述第一检测结果中检测框的位置和所述第二检测结果中检测框的位置计算回归损失。在一些场景中，所述回归损失也可以称为一致性损失。在具体实施中，可以将所述第一检测结果中检测框的位置和所述第二检测结果中检测框的位置代入回归损失函数中计算回归损失。其中，所述回归损失函数具体可以为均方误差函数、平均绝对值误差函数等。
33.步骤s104、根据所述第二预测结果和所述第二模型的回归目标计算分类损失。其中，所述回归目标是根据所述第一预测结果中的类别概率分布以及所述第一检测结果中的
检测框和所述第二检测结果中的检测框之间的交并比确定得到的。
34.其中，交并比(iou，intersection over union)用于表征第一检测结果中的检测框和第二检测结果中的检测框之间的重合程度，两个检测框的交并比越高，说明两个检测框对应同一目标的概率越大。
35.具体地，根据所述第二预测结果中目标的类别概率分布和第二模型的回归目标计算分类损失，具体可以将二者代入分类损失函数中计算分类损失。其中，所述分类损失函数具体可为交叉熵损失函数、负对数似然损失函数等。
36.在一个具体的例子中，采用如下的分类损失函数计算分类损失l
cls
。
37.l
cls
＝-q
×
log(p)+α
×
(1-q)
γ
log(1-p))
38.其中，q为第二模型的回归目标，p为第二预测结果中目标的类别概率分布，α和γ为超参数。假设第一预测结果中的类别概率分布为cls_distribution，第一检测结果中的检测框和第二检测结果中的检测框之间的交并比为iou_score，q具体根据iou_score和cls_distribution确定。
39.步骤s105、根据所述回归损失和所述分类损失训练所述第二模型，得到目标检测模型。具体地，根据回归损失和分类损失对第二模型进行优化和参数更新，以得到训练好的目标检测模型。
40.上述模型训练过程中，由于样本图像是无标签的，因此对第二模型的训练是无监督方式的训练，但是在模型的实际训练过程中，还可以利用有标签的样本图像对第二模型进行有监督方式的训练，结合无监督的方式和有监督的方式共同训练第二模型，可以得到更加准确的目标检测模型。在一个具体的例子中，可以在coco数据集(一种大规模的数据集)上抽取一部分例如5％的数据作为有标签的数据，其余数据作为无标签的数据，利用部分有标签的数据和部分无标签的数据对模型进行半监督训练，以得到目标检测模型。
41.本公开实施例中，在模型训练过程中，根据第一预测结果中的类别概率分布以及第一检测结果中的检测框和第二检测结果中的检测框之间的交并比确定第二模型的回归目标，并利用根据第二模型的回归目标确定的分类损失训练第二模型，不仅可以向第二模型中传递更多第一模型预测的信息，还可以提高分类任务和回归任务的一致性，也即置信度高的分类结果也有着高质量的定位精度，进而可以提高利用该训练方法训练得到的目标检测模型检测目标的准确性。
42.在可选的一种实施例中，所述回归目标根据所述第一预测结果中的类别概率分布与所述交并比的乘积确定。在具体实施中，可以直接将所述乘积作为第二模型的回归目标，具体地，在上述例子中，q＝iou_score*cls_distribution。也可以对所述乘积进行修正，将修正后的值作为第二模型的回归目标。具体可以通过将所述乘积乘以某个系数等方式进行修正，其中，所述系数可以根据实际情况进行设置。
43.在可选的一种实施例中，所述第一图像是根据利用第一变换矩阵对所述样本图像进行第一变换处理得到的。上述步骤s102具体包括：利用所述第一变换矩阵的逆矩阵对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果。
44.在具体实施中，不同的第一变换处理对应不同的第一变换矩阵，将不同的第一变换矩阵作用于所述样本图像可以实现不同的第一变换处理，对应地，将第一变换矩阵的逆矩阵作用于所述第一预测结果可以得到与所述样本图像对应的第一检测结果。
45.在可选的一种实施例中，所述第二图像是根据利用第二变换矩阵对所述样本图像进行第二变换处理得到的。上述步骤s102具体包括：利用所述第二变换矩阵的逆矩阵对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果。
46.在具体实施中，不同的第二变换处理对应不同的第二变换矩阵，将不同的第二变换矩阵作用于所述样本图像可以实现不同的第二变换处理，对应地，将第二变换矩阵的逆矩阵作用于所述第二预测结果可以得到与所述样本图像对应的第二检测结果。
47.在可选的一种实施例中，在对所述第一预测结果进行逆变换处理之前，包括：基于二分图匹配的方式根据置信度对所述第一预测结果进行过滤。具体地，过滤掉置信度不满足预设条件的第一预测结果，保留置信度满足预设条件的第一预测结果，这样可以提高第一预测结果的精确度。
48.下面针对上述训练过程举个具体的例子。如图2所示，利用第一变换矩阵对无标签的样本图像进行弱数据增强处理，之后将得到的第一图像输入教师模型中进行目标检测，输出第一预测结果，经过置信度过滤后得到精确的第一预测结果。利用第一变换矩阵的逆矩阵对第一预测结果进行处理，得到第一检测结果。利用第二变换矩阵对无标签的样本图像进行强数据增强处理，之后将得到的第二图像输入学生模型中进行目标检测，输出第二预测结果。利用第二变换矩阵的逆矩阵对第二预测结果进行处理，得到第二检测结果。根据第一检测结果和第二检测结果计算回归损失，并计算第一检测结果中的检测框和第二检测结果中的检测框之间的交并比，以及根据第一预测结果中的类别概率分布和所述交并比确定学生模型的回归目标，根据第二预测结果和所述回归目标计算分类损失，最后根据回归损失和分类损失进行反向传播计算，根据反向传播计算的梯度值优化学生模型的参数，直至满足收敛条件。
49.在可选的一种实施例中，将训练好的第二模型直接作为目标检测模型。
50.在可选的另一种实施例中，如图3所示，上述步骤s105具体包括：
51.步骤s301、根据所述回归损失和所述分类损失训练所述第二模型。
52.步骤s302、将训练好的所述第二模型的参数迁移至所述第一模型中，得到目标检测模型。具体地，可以通过指数移动平均的方式将第二模型的参数迁移至第一模型中。
53.本实施例中，将训练好的第二模型的参数迁移至第一模型中，将参数迁移后的第一模型作为目标检测模型。
54.根据本公开实施例，还提供了一种目标检测模型的训练装置实施例，其中，图4是根据本公开实施例的目标检测模型的训练装置示意图，该训练装置包括预测模块401、处理模块402、第一计算模块403、第二计算模块404以及训练模块405。预测模块401用于将第一图像输入第一模型中进行目标检测，得到第一预测结果，以及将第二图像输入第二模型中进行目标检测，得到第二预测结果。其中，所述第一图像是根据对无标签的样本图像进行第一变换处理得到的，所述第二图像是根据对所述样本图像进行第二变换处理得到的，所述第一变换处理和所述第二变换处理为不同的数据增强处理。处理模块402用于对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果，以及对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果。第一计算模块403用于根据所述第一检测结果中检测框的位置和所述第二检测结果中检测框的位置计算回归损失。第二计算模块404用于根据所述第二预测结果和所述第二模型的回归目标计
算分类损失。其中，所述回归目标是根据所述第一预测结果中的类别概率分布以及所述第一检测结果中的检测框和所述第二检测结果中的检测框之间的交并比确定得到的。训练模块405用于根据所述回归损失和所述分类损失训练所述第二模型，得到目标检测模型。
55.需要说明的是，上述预测模块401、处理模块402、第一计算模块403、第二计算模块404以及训练模块405对应于上述实施例中的步骤s101至步骤s105，五个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
56.在可选的一种实施例中，所述回归目标根据所述第一预测结果中的类别概率分布与所述交并比的乘积确定。
57.在可选的一种实施例中，所述第一图像是根据利用第一变换矩阵对所述样本图像进行第一变换处理得到的；所述处理模块具体用于利用所述第一变换矩阵的逆矩阵对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果。
58.在可选的一种实施例中，所述第二图像是根据利用第二变换矩阵对所述样本图像进行第二变换处理得到的；所述处理模块具体用于利用所述第二变换矩阵的逆矩阵对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果。
59.在可选的一种实施例中，所述训练装置还包括过滤模块，用于基于二分图匹配的方式根据置信度对所述第一预测结果进行过滤。
60.在可选的一种实施例中，所述训练模块具体用于根据所述回归损失和所述分类损失训练所述第二模型，以及将训练好的所述第二模型的参数迁移至所述第一模型中，得到目标检测模型。
61.根据本公开实施例，还提供了一种目标检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
62.图5是根据本公开实施例的目标检测方法的流程图，如图5所示，该目标检测方法包括以下步骤s501至步骤s502：
63.步骤s501、获取待处理图像。
64.步骤s502、将所述待处理图像输入目标检测模型中进行目标检测，得到目标检测结果。其中，所述目标检测模型基于上述实施例的训练方法训练得到。
65.其中，所述待处理图像可以为车载摄像头采集的图像，图像中包括的目标可以为障碍物。所述待处理图像还可以为医学设备采集的图像，图像中包括的目标可以为某个部位。所述待处理图像还可以为其它类型的图像，具体不作限定。
66.本公开实施例中，由于上述实施例的训练方法可以向第二模型中传递更多第一模型预测的信息，还可以提高分类任务和回归任务的一致性，因此，利用该训练方法训练得到的目标检测模型对待处理图像进行目标检测，可以得到更加准确的检测结果，也即置信度高的分类结果也有着高质量的定位精度。
67.根据本公开实施例，还提供了一种目标检测装置实施例，其中，图6是根据本公开实施例的目标检测装置示意图，该目标检测装置包括获取模块601和检测模块602。获取模块601用于获取待处理图像。检测模块602用于将所述待处理图像输入目标检测模型中进行目标检测，得到目标检测结果；其中，所述目标检测模型基于上述实施例的训练装置训练得
到。
68.需要说明的是，上述获取模块601和检测模块602对应于上述实施例中的步骤s501至步骤s502，两个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
69.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
70.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
71.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
72.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
73.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
74.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如目标检测模型的训练方法或者目标检测方法。例如，在一些实施例中，目标检测模型的训练方法或者目标检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的目标检测模型的训练方法或者目标检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标检测模型的训练方法或者目标检测方法。
75.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器
可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
76.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
77.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
78.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
79.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
80.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
81.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
82.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：
1.一种目标检测模型的训练方法，包括：将第一图像输入第一模型中进行目标检测，得到第一预测结果，以及将第二图像输入第二模型中进行目标检测，得到第二预测结果；所述第一图像是根据对无标签的样本图像进行第一变换处理得到的，所述第二图像是根据对所述样本图像进行第二变换处理得到的，所述第一变换处理和所述第二变换处理为不同的数据增强处理；对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果，以及对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果；根据所述第一检测结果中检测框的位置和所述第二检测结果中检测框的位置计算回归损失；根据所述第二预测结果和所述第二模型的回归目标计算分类损失；所述回归目标是根据所述第一预测结果中的类别概率分布以及所述第一检测结果中的检测框和所述第二检测结果中的检测框之间的交并比确定得到的；根据所述回归损失和所述分类损失训练所述第二模型，得到目标检测模型。2.根据权利要求1所述的训练方法，其中，所述回归目标根据所述第一预测结果中的类别概率分布与所述交并比的乘积确定。3.根据权利要求1所述的训练方法，其中，所述第一图像是根据利用第一变换矩阵对所述样本图像进行第一变换处理得到的；所述对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果，包括：利用所述第一变换矩阵的逆矩阵对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果。4.根据权利要求1所述的训练方法，其中，所述第二图像是根据利用第二变换矩阵对所述样本图像进行第二变换处理得到的；所述对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果，包括：利用所述第二变换矩阵的逆矩阵对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果。5.根据权利要求1所述的训练方法，在对所述第一预测结果进行逆变换处理之前，包括：基于二分图匹配的方式根据置信度对所述第一预测结果进行过滤。6.根据权利要求1-5中任一项所述的训练方法，其中，所述根据所述回归损失和所述分类损失训练所述第二模型，得到目标检测模型，包括：根据所述回归损失和所述分类损失训练所述第二模型；将训练好的所述第二模型的参数迁移至所述第一模型中，得到目标检测模型。7.一种目标检测方法，包括：获取待处理图像；将所述待处理图像输入目标检测模型中进行目标检测，得到目标检测结果；其中，所述目标检测模型基于权利要求1-6中任一项所述的训练方法训练得到。8.一种目标检测模型的训练装置，包括：预测模块，用于将第一图像输入第一模型中进行目标检测，得到第一预测结果，以及将第二图像输入第二模型中进行目标检测，得到第二预测结果；所述第一图像是根据对无标
签的样本图像进行第一变换处理得到的，所述第二图像是根据对所述样本图像进行第二变换处理得到的，所述第一变换处理和所述第二变换处理为不同的数据增强处理；处理模块，用于对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果，以及对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果；第一计算模块，用于根据所述第一检测结果中检测框的位置和所述第二检测结果中检测框的位置计算回归损失；第二计算模块，用于根据所述第二预测结果和所述第二模型的回归目标计算分类损失；所述回归目标是根据所述第一预测结果中的类别概率分布以及所述第一检测结果中的检测框和所述第二检测结果中的检测框之间的交并比确定得到的；训练模块，用于根据所述回归损失和所述分类损失训练所述第二模型，得到目标检测模型。9.根据权利要求8所述的训练装置，其中，所述回归目标根据所述第一预测结果中的类别概率分布与所述交并比的乘积确定。10.根据权利要求8所述的训练装置，其中，所述第一图像是根据利用第一变换矩阵对所述样本图像进行第一变换处理得到的；所述处理模块具体用于利用所述第一变换矩阵的逆矩阵对所述第一预测结果进行与所述第一变换处理对应的逆变换处理，得到第一检测结果。11.根据权利要求8所述的训练装置，其中，所述第二图像是根据利用第二变换矩阵对所述样本图像进行第二变换处理得到的；所述处理模块具体用于利用所述第二变换矩阵的逆矩阵对所述第二预测结果进行与所述第二变换处理对应的逆变换处理，得到第二检测结果。12.根据权利要求8所述的训练装置，所述训练装置还包括过滤模块，用于基于二分图匹配的方式根据置信度对所述第一预测结果进行过滤。13.根据权利要求8-12中任一项所述的训练装置，其中，所述训练模块具体用于根据所述回归损失和所述分类损失训练所述第二模型，以及将训练好的所述第二模型的参数迁移至所述第一模型中，得到目标检测模型。14.一种目标检测装置，包括：获取模块，用于获取待处理图像；检测模块，用于将所述待处理图像输入目标检测模型中进行目标检测，得到目标检测结果；其中，所述目标检测模型基于权利要求8-13中任一项所述的训练装置训练得到。15.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的训练方法或者权利要求7所述的目标检测方法。16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于
使所述计算机执行根据权利要求1-6中任一项所述的训练方法或者权利要求7所述的目标检测方法。17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的训练方法或者权利要求7所述的目标检测方法。

技术总结
本公开提供了一种目标检测模型的训练方法及装置、目标检测方法及装置，涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉等技术领域。具体实现方案为：训练方法包括：将第一图像输入第一模型中进行目标检测，得到第一预测结果，将第二图像输入第二模型中进行目标检测，得到第二预测结果；对第一预测结果进行与第一变换处理对应的逆变换处理，得到第一检测结果，对第二预测结果进行与第二变换处理对应的逆变换处理，得到第二检测结果；根据第一检测结果中检测框的位置和第二检测结果中检测框的位置计算回归损失；根据第二预测结果和第二模型的回归目标计算分类损失；根据回归损失和分类损失训练第二模型，得到目标检测模型。检测模型。检测模型。


技术研发人员：吕文玉 魏金满
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2023.07.24
技术公布日：2023/10/19