(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210387038.3 (22)申请日 2022.04.14 (65)同一申请的已公布的文献号 申请公布号 CN 114463603 A (43)申请公布日 2022.05.10 (73)专利权人 浙江啄云智能科技有限公司 地址 310051 浙江省杭州市滨江区浦沿街 道六和路中控大厦E座9 楼 (72)发明人 王威　李一清　李林超　周凯　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 初春 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (56)对比文件 CN 111783844 A,2020.10.16 CN 113762455 A,2021.12.07 审查员 张露 (54)发明名称 图像检测模型的训练方法、 装置、 电子设备 及存储介质 (57)摘要 本申请实施例公开了一种图像检测模型的 训练方法、 装置、 电子设备及存储介质。 其中， 该 方法包括： 从无标注数据集获取本次训练使用的 无标注图像； 利用本次训练使用的第一检测模型 基于本次训练使用的无标注 图像构建本次训练 使用的弱标注图像； 根据强标注图像和本次训练 使用的弱标注 图像对本次训练使用的第一检测 模型进行训练， 得到本次训练出的第二检测模 型； 确定当前训练次数是否达到预设训练次数； 若未达到 预设训练次数， 则返回执行获取本次训 练使用的无标注图像， 直至训练次数达到预设训 练次数时， 将最后一次训练出的第二检测模型确 定为目标检测模 型。 本申请实施例提供的技术方 案， 可以提升半监督目标检测模 型的检测精度与 鲁棒性。 权利要求书3页 说明书12页 附图3页 CN 114463603 B 2022.08.23 CN 114463603 B 1.一种图像 检测模型的训练方法， 其特 征在于， 所述方法包括： 从无标注数据集获取本次训练使用的无 标注图像； 利用所述本次训练使用的第一检测模型基于所述本次训练使用的无标注图像构建所 述本次训练使用的弱标注图像， 所述本次训练使用的第一检测模型为上次训练出的第二检 测模型； 根据强标注图像和所述本次训练使用的弱标注图像对所述本次训练使用的第一检测 模型进行训练， 得到 本次训练出的第二检测模型， 包括： 将所述强标注图像和所述本次训练使用的弱标注图像进行融合得到融合图像； 采用所述融合图像对所述本次训练使用的第一检测模型进行训练得到联合损失函数； 基于所述联合损失函数对所述本次训练使用的第 一检测模型进行反 向传播， 以便对所 述本次训练使用的第一检测模型的参数进行 更新得到所述本次训练出的第二检测模型； 确定当前训练次数 是否达到预设训练次数； 若未达到所述预设训练次数， 则返回执行所述获取本次训练使用的无标注图像， 直至 训练次数达到所述预设训练 次数时， 将最后一次训练出的第二检测模型确定为目标检测模 型； 其中， 检测结果包括目标的位置对应的检测框， 所述检测结果是基于所述本次训练使 用的第一检测模型对所述本次训练使用的无标注图像进行检测得到的； 所述采用所述融合 图像对所述本次训练使用的第一检测模型进行训练得到联合损失函数， 包括： 基于所述本次训练使用的第 一检测模型对所述融合图像进行检测， 得到所述融合图像 中弱标注图像区域对应的目标候选 框； 计算所述目标候选 框与所述检测框之间的交并比I oU； 基于所述 IoU确定所述目标候选 框中的负 样本候选 框和正样本候选 框； 确定所述负 样本候选 框对应的第一损失， 包括： 判断所述负 样本候选 框对应的所述 IoU是否大于零； 若大于， 则确定出与所述负样本候选框距离最近的目标检测框， 并将所述目标检测框 的截断置信度作为所述负 样本候选 框的第一损失权 重； 若不大于， 则确定所述第一损失权 重为预设数值； 确定所述负样本候选框的分类损失， 并基于所述第 一损失权重和所述分类损失确定所 述负样本候选 框对应的第一损失； 确定所述正样本候选框对应的第 二损失， 并根据 所述第一损失和所述第 二损失确定所 述融合图像中弱标注图像区域对应的弱监 督损失函数； 基于强监督损失函数、 所述弱监督损失函数和分层可靠性系数确定所述联合损失函 数。 2.根据权利要求1所述的图像检测模型的训练方法， 其特征在于， 所述利用所述本次训 练使用的第一检测模型基于所述本次训练使用的无标注图像构建所述本次训练使用的弱 标注图像， 包括： 基于所述本次训练使用的第 一检测模型对所述本次训练使用的无标注图像进行检测， 得到对应无 标注图像的检测结果； 根据所述检测结果确定可靠性系数， 从而得到所述本次训练使用的无标注图像中每个权　利　要　求　书 1/3 页 2 CN 114463603 B 2无标注图像的可靠性系数； 按照所述可靠性系数从所述本次训练使用的无标注图像中筛选出符合预设标准的目 标无标注图像； 将所述目标无标注图像扩充至弱标注数据集， 并将所述弱标注数据集中的弱标注图像 作为所述本次训练使用的弱标注图像。 3.根据权利要求2所述的图像检测模型的训练方法， 其特征在于， 所述按照所述可靠性 系数从所述本次训练使用的无 标注图像中筛 选出符合预设标准的目标 无标注图像， 包括： 确定可靠性分层的层次数； 按照所述可靠性系数对所述本次训练使用的无标注图像进行排序， 得到排序之后的无 标注图像； 基于所述层次数对所述排序之后的无标注图像进行可靠性分层得到对应层次的无标 注图像， 并将预设层次的无 标注图像作为所述目标 无标注图像。 4.根据权利要求3所述的图像检测模型的训练方法， 其特征在于， 在将预设层次的无标 注图像作为所述目标 无标注图像之后， 还 包括： 对所述目标无标注图像中全部无标注图像的可靠性系数求均值得到所述目标无标注 图像的分层可靠性系数。 5.根据权利要求1所述的图像检测模型的训练方法， 其特征在于， 当本次训练为首次训 练时， 在利用所述本次训练使用的第一检测模型基于所述本次训练使用的无标注图像构建 所述本次训练使用的弱标注图像之前， 还 包括： 采用所述强标注图像对初始检测模型进行训练， 得到所述本次训练使用的第 一检测模 型。 6.根据权利要求5所述的图像检测模型的训练方法， 其特征在于， 在采用所述强标注图 像对初始检测模型进行训练， 得到所述本次训练使用的第一检测模型之后， 还 包括： 确定所述强标注图像对应的强监 督损失函数。 7.根据权利要求1所述的图像检测模型的训练方法， 其特征在于， 所述确定所述正样本 候选框对应的第二损失， 包括： 确定与所述正样本候选框距离最近的目标检测框， 并将所述目标检测框的截断置信度 作为所述 正样本候选 框的第二损失权 重； 确定所述 正样本候选 框的分类损失和回归损失； 基于所述第 二损失权重、 所述分类损失和所述 回归损失确定所述正样本候选框对应的 第二损失。 8.一种图像 检测模型的训练装置， 其特 征在于， 所述装置包括： 无标注图像获取模块， 用于从无 标注数据集获取本次训练使用的无 标注图像； 弱标注图像构建模块， 用于利用所述本次训练使用的第 一检测模型基于所述本次训练 使用的无标注图像构建所述本次训练使用的弱标注图像， 所述本次训练使用的第一检测模 型为上次训练出的第二检测模型； 检测模型训练模块， 用于根据强标注图像和所述本次训练使用的弱标注图像对所述本 次训练使用的第一检测模型进行训练， 得到 本次训练出的第二检测模型； 训练次数判断模块， 用于确定当前训练次数 是否达到预设训练次数；权　利　要　求　书 2/3 页 3 CN 114463603 B 3