半监督目标检测模型训练方法、装置、设备以及存储介质与流程

技术特征：
1.一种半监督目标检测模型训练方法，包括：利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型；利用所述第二教师模型对无标签样本图像进行预测，得到候选框集合；对所述候选框集合进行扰动鲁棒性过滤，得到目标框集合；将所述无标签样本图像作为输入，将所述目标框集合作为伪标签，对第二学生模型进行训练，得到第三学生模型。2.根据权利要求1所述的方法，其中，在所述对所述候选框集合进行扰动鲁棒性过滤，得到目标框集合之前，还包括：根据预设置信度阈值对所述候选框集合进行过滤。3.根据权利要求1所述的方法，其中，所述候选框集合中的候选框具有位置信息、置信度和类别概率分布。4.根据权利要求3所述的方法，其中，所述利用所述第二教师模型对无标签样本图像进行预测，得到候选框集合，包括：对所述无标签样本图像进行至少两组扰动，得到至少两组扰动图像；将所述至少两组扰动图像输入至所述第二教师模型进行伪标签预测，得到至少两组候选框集合；以及所述对所述候选框集合进行扰动鲁棒性过滤，得到目标框集合，包括：计算所述至少两组候选框集合中的候选框间的交并比；对交并比满足预设条件的候选框的类别概率分布计算相对熵；根据预设相对熵阈值对所述至少两组候选框集合进行过滤，得到所述目标框集合。5.根据权利要求4所述的方法，其中，在所述对所述至少两组候选框集合中的对应的候选框计算交并比之前，还包括：根据预设置信度阈值对所述至少两组候选框集合进行过滤。6.根据权利要求4所述的方法，其中，一组扰动由随机裁剪、翻转、缩放、选择、颜色扰动中的至少一种随机组合。7.一种目标检测方法，包括：获取待检测图像；将所述待检测图像输入至半监督目标检测模型，得到所述待检测图像的目标检测结果，其中，所述半监督目标检测模型是采用权利要求1-6中任一项所述的方法训练得到的。8.一种半监督目标检测模型训练装置，包括：第一训练模块，被配置成利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型；预测模块，被配置成利用所述第二教师模型对无标签样本图像进行预测，得到候选框集合；第一过滤模块，被配置成对所述候选框集合进行扰动鲁棒性过滤，得到目标框集合；第二训练模块，被配置成将所述无标签样本图像作为输入，将所述目标框集合作为伪标签，对第二学生模型进行训练，得到第三学生模型。9.根据权利要求8所述的装置，其中，所述装置还包括：
第二过滤模块，被配置成根据预设置信度阈值对所述候选框集合进行过滤。10.根据权利要求9所述的装置，其中，所述候选框集合中的候选框具有位置信息、置信度和类别概率分布。11.根据权利要求10所述的装置，其中，所述预测模块包括：扰动子模块，被配置成对所述无标签样本图像进行至少两组扰动，得到至少两组扰动图像；预测子模块，被配置成将所述至少两组扰动图像输入至所述第二教师模型进行预测，得到至少两组候选框集合；以及所述第一过滤模块包括：第一计算子模块，被配置成计算所述至少两组候选框集合中的候选框间的交并比；第二计算子模块，被配置成对交并比满足预设条件的候选框的类别概率分布计算相对熵；第一过滤子模块，被配置成根据预设相对熵阈值对所述至少两组候选框集合进行过滤，得到所述目标框集合。12.根据权利要求11所述的装置，其中，所述第一过滤模块还包括：第二过滤子模块，被配置成根据预设置信度阈值对所述至少两组候选框集合进行过滤。13.根据权利要求11所述的装置，其中，一组扰动由随机裁剪、翻转、缩放、选择、颜色扰动中的至少一种随机组合。14.一种目标检测装置，包括：获取模块，被配置成获取待检测图像；检测模块，被配置成将所述待检测图像输入至半监督目标检测模型，得到所述待检测图像的目标检测结果，其中，所述半监督目标检测模型是采用权利要求8-13中任一项所述的装置训练得到的。15.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法或权利要求7所述的方法。16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法或权利要求7所述的方法。17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法或权利要求7所述的方法。

技术总结
本公开提供了一种半监督目标检测模型训练方法、装置、设备、存储介质以及程序产品，涉及人工智能技术领域，具体涉及图像处理、计算机视觉和深度学习等技术领域，尤其涉及智慧城市、智能交通等场景。该方法的一具体实施方式包括：利用有标签样本图像分别对第一教师模型和第一学生模型进行有监督训练，得到第二教师模型和第二学生模型；利用第二教师模型对无标签样本图像进行预测，得到候选框集合；对候选框集合进行扰动鲁棒性过滤，得到目标框集合；将目标框集合作为伪标签对第二学生模型进行训练，得到第三学生模型。该实施方式可以避免引入噪声伪标签，提高伪标签的质量，从而提升学生模型的效果。学生模型的效果。学生模型的效果。


技术研发人员：龚琛婷 谭啸 孙昊
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2022.07.29
技术公布日：2022/10/25