[发明专利]模型训练方法、目标检测方法、装置、设备及存储介质

说明书

本申请实施例涉及一种检测模型训练方法、装置、设备及存储介质，旨在提高模型的泛化能力。所述方法包括：获得多个源域样本图像和多个目标域样本图像，其中，每张源域样本图像包括预先标记的源域对象的标注框信息；将源域样本图像和目标域样本图像成对输入特征提取模型，获得该源域样本图像的第一特征图和第一检测框、该目标域样本图像的第二特征图和第二检测框；判断各特征图中的每个像素点的领域类别，得到多个第一判断结果；判断每个检测框的领域类别，得到多个第二判断结果；根据第一检测框和标注框信息，以及根据多个第一判断结果和多个第二判断结果，更新所述特征提取模型。

技术领域

本申请实施例涉及图像处理技术领域，具体而言，涉及一种模型训练方法、目标检测方法、装置、设备及存储介质。

背景技术

随着图像处理技术领域的发展和硬件设备计算能力的提升，为了使机器可以智能地实现检测、分类、预测等功能，技术人员搜集大量的样本图片，并对样本图片进行标记，通过标记后的样本图片对搭建的预设模型进行训练，从而获得具有期望功能的模型。这期间，模型训练的好坏通常依赖于技术人员搭建的预设模型的结构和类型，还依赖于技术人员对样本图片的选择方式和标记方式。

以基于道路场景的目标检测为例，技术人员搜集大量的道路图片作为样本图片，并手动地对道路图片中的汽车、行人、行道树、路面等目标对象进行标记，通过标记后的道路图片对预先搭建的目标检测模型(例如R-CNN、Fast R-CNN、Faster R-CNN)进行训练，获得能够自动对道路中的各个对象进行检测、分类的期望模型。

然而采用上述方式对预设模型进行训练时，最终所得模型的泛化能力较差。例如，技术人员选用大量的A国道路领域的图片作为样本图片，对目标检测模型进行训练，得到的期望模型对A国道路领域的图片中的各个对象具有较好的检测、分类能力，但是对于B国道路领域的图片中的各个对象，难以实现准确的检测和分类，模型的适应性较低。

发明内容

本申请实施例提供一种模型训练方法、目标检测方法、装置、设备及存储介质，旨在提高模型的泛化能力。

本申请实施例第一方面提供一种检测模型训练方法，所述方法包括：

获得多个源域样本图像和多个目标域样本图像，其中，每张源域样本图像包括预先标记的源域对象的标注框信息；

将每张源域样本图像和每张目标域样本图像成对输入特征提取模型，得到所述特征提取模型输出的该源域样本图像的第一特征图、该目标域样本图像的第二特征图、该源域样本图像中的源域对象的第一检测框、以及该目标域样本图像中的目标域对象的第二检测框；

通过第一判别器判断所述第一特征图和所述第二特征图中的每个像素点的领域类别，得到多个第一判断结果；

通过第二判别器判断所述第一检测框和所述第二检测框中每个检测框的领域类别，得到多个第二判断结果；

根据所述第一检测框和所述标注框信息，更新所述特征提取模型；

根据所述多个第一判断结果和所述多个第二判断结果，更新所述特征提取模型。

可选地，所述方法还包括：

根据所述多个第一判断结果，以及所述特征提取模型输出的每张特征图中的每个像素点来自于源域样本图像还是目标域样本图像，更新所述第一判别器，使更新后的第一判别器能够更准确地判别特征图中像素点的领域类别；

根据所述多个第二判断结果，以及所述特征提取模型输出的每个检测框来自于源域样本图像还是目标域样本图像，更新所述第二判别器。

可选地，所述第一判别器和所述特征提取模型之间设置有第一梯度反转层，所述第二判别器和所述特征提取模型之间设置有第二梯度反转层；所述方法还包括：