[发明专利]样本生成方法、目标检测模型训练、目标检测方法及系统

说明书

本发明公开了样本生成方法、目标检测模型训练、目标检测方法及系统，样本生成方法包括：1，基于原始样本集训练获得目标检测模型；2，获取候选样本集，其包括N张待检测的候选样本图片；3，基于候选样本集和目标检测模型，输出各张候选样本图片上各处的目标信息；4，基于步骤3的输出信息，从候选样本集中筛选出目标样本图片并确定各目标样本图片上各处的目标位置和类别信息；5，将目标样本图片及图片上各处的目标位置和类别信息作为训练样本输出。本发明利用无标注候选样本集，自动生成目标检测模型训练用样本，大大降低人工成本；通过持续不断的迭代学习，不断提升目标检测模型对在线工作流中的数据适应能力，提高目标检测结果的准确度。

技术领域

本发明涉及机器学习技术领域，特别是涉及一种样本生成方法、目标检测模型训练、目标检测方法及系统。

背景技术

现实场景中，经常需要对各种物体做目标检测，如工厂流水线的钢板、部件检测，公路上的持续车辆检测，人行道上的行人检测等。

现有的目标检测方法主要研究对于静态数据集的优化，目标检测模型都是通过训练固定数据集获得。因此，现有目标检测模型对于持续变化的数据的检测精度低，依然需要依靠人工不断对采集的图像进行识别标注，以生成训练样本，进而重新训练部署目标检测模型，以提高目标检测模型的检测精度。

上述人工识别标注以生成样本的方法，需要耗费大量的人力物力，且样本标注效率低，模型训练效率低。此外，由于人工标注过程不可避免存在疏漏和主观性，影响目标检测结果的准确度。

发明内容

为解决现有技术中需要人工标注大量样本，用以训练新的目标检测模型。，本发明提供了一种样本生成方法、目标检测模型训练、目标检测方法及系统，能够持续自动生成目标检测模型的训练样本，大大降低人工成本，持续提高目标检测结果的准确度。

为解决上述技术问题，本发明所采用的技术方案是：

一种样本生成方法，其特点是包括以下步骤：

步骤1，基于原始样本集训练获得目标检测模型，其中，原始样本集包括多张原始样本图片，目标检测模型的输出为各张原始样本图片上各处的目标检测信息；

步骤2，获取候选样本集，其中，所述候选样本集包括N张待检测的候选样本图片；

步骤3，基于候选样本集和目标检测模型，输出各张候选样本图片上的各处目标信息；

步骤4，基于步骤3的输出信息，从候选样本集中筛选出目标样本图片并确定各目标样本图片上各处的目标位置和类别信息；

步骤5，将目标样本图片及图片上各处的目标位置和类别信息作为训练样本输出。

借由上述方法，本发明利用无标注候选样本集，自动生成目标检测模型训练用样本，大大降低人工成本，持续提高目标检测结果的准确度。

作为一种优选方式，图片上各处的目标检测信息包括图片上各处是否有待检测物体以及物体类别概率；所述步骤3中，针对每张候选样本图片，输出候选样本图片上的各处目标信息过程包括：

步骤301，对候选样本图片做多种可逆的变换处理(例如调节光照、旋转、缩放、翻转等)，获得m张不同的图片P；

步骤302，将所述m张不同的图片P输入目标检测模型，输出各图片P上各处是否有待检测目标以及目标类别概率；

步骤303，基于步骤302的输出结果，计算m张图片P对应的候选样本图片上各处的目标位置和目标类别概率；

步骤304，基于步骤303的计算结果，得到候选样本图片上各处最终的目标位置和目标类别概率信息。