[发明专利]目标检测中误、漏检快速解决的方法、装置及存储介质

说明书

本发明提供一种目标检测中误、漏检快速解决的方法、装置及存储介质，针对待校验误报目标或待校验漏报目标，将对应的像素区域输入校验网络模型来获得一组多维特征向量，同时将真实的误报目标或漏报目标输入到校验网络模型来获得另一组多为特征向量，通过计算这两组对应的多维特征向量之间的类间差，对应的类间差可以反映具有待校验误报目标的像素区域与具有误报目标的像素区域之间像素分布的差异，或具有待校验漏报目标的像素区域与具有漏报目标的像素区域之间像素分布的差异，这样采用类间差比较的技术手段无需重新训练模型，能够实现对待校验误报目标或待校验漏报目标进行快速解决。

本申请要求在2021年6月28日提交的申请号为“202110720856.6”、申请名称为“目标检测校验方法、装置及存储介质”的在先专利申请案的在先申请优先权。

技术领域

本发明涉及计算机技术领域，尤其涉及一种目标检测中误、漏检快速解决的方法、装置及存储介质。

背景技术

目前，深度学习算法被应用于目标检测。在使用深度学习算法进行目标检测时，目标检测结果可能包含误检、漏检的情况，通常情况下，是先收集误检、漏检的图片，然后将图片进行人工标注，利用人工标注的图片对深度学习模型进行重新训练，以降低后面误检或漏检的概率。因此，现有技术对于目标检测中误、漏检并不能进行快速解决。

发明内容

本发明提供一种目标检测中误、漏检快速解决的方法、装置、电子设备及存储介质，用以解决现有技术对目标检测中误、漏检无法进行快速解决的问题。

本发明提供一种目标检测中误、漏检快速解决的方法，包括：

在获取到待校验误报目标的情况下，将具有所述待校验误报目标的像素区域输入校验网络模型，输出下采样生成的第一多维特征向量，将具有误报目标的像素图像输入所述校验网络模型，输出下采样生成的第二多维特征向量，应用希尔伯特空间范数计算所述第一多维特征向量与第二多维特征向量之间的第一类间差，如果所述第一类间差小于第一预设阈值，则确定所述待校验误报目标为误报且目标检测模型存在目标误检；和/或

在获取到待校验漏报目标的情况下，将具有所述待校验漏报目标的像素区域输入所述校验网络模型，输出下采样生成的第三多维特征向量，将具有漏报目标的像素图像输入所述校验网络模型，输出下采样生成的第四多维特征向量，应用希尔伯特空间范数计算所述第三多维特征向量与第四多维特征向量之间的第二类间差，如果所述第二类间差小于第二预设阈值，则确定所述待校验漏报目标为漏报且所述目标检测模型存在目标漏检；

其中，所述待校验误报目标和待校验漏报目标均是将视频帧集合输入到所述目标检测模型并输出的。

根据本发明提供的一种目标检测中误、漏检快速解决的方法，所述校验网络模型是对第一残差网络训练得到的，所述目标检测模型是对第二残差网络训练得到的，所述第一残差网络的深度小于所述第二残差网络的深度。

根据本发明提供的一种目标检测中误、漏检快速解决的方法，所述第一残差网络为resnet18，所述第二残差网络为resnet50。

根据本发明提供的一种目标检测中误、漏检快速解决的方法，在将具有待校验误报目标的像素区域输入校验网络模型、或将具有待校验漏报目标的像素区域输入所述校验网络模型之前，所述方法还包括：

将视频帧集合输入所述目标检测模型，输出目标集合及对应的目标区域；

遍历所述目标区域获取所述待校验误报目标的区域或所述待校验漏报目标的区域；

从所述视频帧集合中提取具有所述待校验误报目标的像素区域或所述待校验漏报目标的像素区域。

根据本发明提供的一种目标检测中误、漏检快速解决的方法，在将具有误报目标的像素图像输入所述校验网络模型之前，所述方法还包括：