[发明专利]一种图像的目标检测方法、系统、设备及存储介质

说明书

本申请公开了一种图像的目标检测方法、系统、设备及存储介质，应用于机器学习技术领域，包括：选取出预训练数据集中的任意1张预训练图像之后，从中确定出搜索框；将搜索框中的图像裁剪，并按照预设规则粘贴至n张不同的背景图像上后进行边框移动；任意1张背景图像均来源于目标检测数据集；将边框移动后的各张图像输入至对比学习模型中，通过对比学习的方式训练对比学习模型；将待测图像输入至训练完成的目标检测模型，得到目标检测结果；对比学习模型与目标检测模型采用同一特征图像表征算法以及同一特征向量表征算法。应用本申请的方案，可以有效进行图像的目标检测，提高了目标检测模型的检测性能，也即提高了目标检测模型的检测准确率。

技术领域

本发明涉及机器学习技术领域，特别是涉及一种图像的目标检测方法、系统、设备及存储介质。

背景技术

目前，在计算机视觉中，自监督学习是关注度非常高的一个方向。区别于传统的需要对数据进行人工标注的监督型学习方法，自监督学习希望通过设计代理任务，对无标注的数据自动生成标签，由此完成对数据的学习。

自监督学习中的代理任务主要分为两类：图像变换式与对比学习式。图像变换式的代理任务包括图像降噪、修复、颜色转换等，根据这些与图像变换相关的任务，构造监督信息指导模型学习。而对比学习式指对比任务，对比任务指的是将样本进行裁剪，颜色调整等数据增强策略，将同一张图片生成的两个数据增强样本视作正样本，将不同样本生成的增强样本之间看作负样本。通过自动编码器对增强后的样本进行特征提取，将特征向量进一步进行降维得到低维向量，通过损失函数拉近正样本间的相似度，拉远负样本间的相似度。

图1为对比学习的原理示意图，对比学习的核心是通过学习不同图像间的相似度，从而更好地学习到图像的表征。当模型能够学习到正负样本间的相似度差异时，说明模型提取到的特征较好。目前，自监督领域性能最优的方法均基于对比任务。

上游预训练+下游调参，是机器学习的经典范式。在监督型学习中，该范式指的是在图像分类大规模数据集上进行带标签图像的分类预训练，而在下游任务中，如进行图像的目标检测、语义分割等，训练完的模型会冻结参数，在下游任务上使用少量带有标签的数据进行调参训练。自监督学习也遵循此范式，区别在于，自监督学习在上游预训练中不依赖数据标签。

目前，将对比式自监督学习应用于下游的目标检测任务的研究较少，且存在上下游割裂的情况。例如目前的一种对比式自监督学习方法，完成图像分类数据集的对比学习预训练，使用训练完的CNN（Convolutional Neural Network，卷积神经网络）权重，在下游输电线路场景下的目标检测任务中，以上述权重作为特征提取网络，单独训练一个cascader-cnn目标检测网络。

该方法代表目前将对比学习应用于下游任务如目标检测任务的主流方法，其上游预训练与下游调参是完全割裂开的。在上游预训练时，所采用的代理任务是区分图像相似度，该任务与图像分类任务的关联度比较大，而与下游的目标检测任务关联度较小，在预训练过程中仅仅完成特征提取网络的训练，目标检测网络中的其余组件仍需要在目标检测任务中从头训练，导致这样的方法在目标检测任务中性能偏低，检测的准确率不足。

综上所述，如何有效地进行图像的目标检测，提高检测的准确率，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种图像的目标检测方法、系统、设备及存储介质，以有效地进行图像的目标检测，提高检测的准确率。

为解决上述技术问题，本发明提供如下技术方案：

一种图像的目标检测方法，包括：

确定出预训练数据集，并将所述预训练数据集中的图像依次作为预训练图像；

选取出任意1张预训练图像之后，从所述预训练图像中确定出搜索框；