目标检测方法以及电子设备、存储介质与流程

本申请涉及图像识别，特别是涉及一种目标检测方法以及电子设备、存储介质。

背景技术：

1、随着深度学习网络的发展，计算机视觉领域中的目标检测可用于从输入图像中对感兴趣的目标进行定位和分类。

2、现有技术中，为了尽可能提高目标检测的精确度，用于进行目标检测的检测模型通常需要较大的计算资源和内存来处理大规模的输入数据，使得检测模型训练难度增加，进而导致检测模型的检测精度降低。有鉴于此，如何在提升目标检测模型的模型精度的前提下，降低模型的训练难度，成为亟待解决的问题。

技术实现思路

1、本申请主要解决的技术问题是提供一种目标检测方法以及电子设备、存储介质，能够在提升目标检测模型的模型精度的前提下，降低模型的训练难度。

2、为了解决上述技术问题，本申请第一方面提供了一种目标检测方法，包括获取待检测图像；基于目标检测模型对待检测图像进行目标检测，得到待检测图像的识别结果；其中，目标检测模型由教师模型和学生模型基于样本图像联合训练得到，且训练收敛之后的学生模型作为目标检测模型，样本图像包括第一图像和第二图像，第一图像标注有样本目标标签，第二图像标注有样本加噪标签，样本加噪标签由样本目标标签进行加噪处理得到。

3、为了解决上述技术问题，本申请第二方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面所述的目标检测方法。

4、为了解决上述技术问题，本申请第三方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面所述的目标检测方法。

5、上述方案，获取包括第一图像和第二图像的样本图像，且第一图像标注有样本目标标签，第二图像标注有样本加噪标签，样本加噪标签基于样本目标标签进行加噪处理得到，由教师模型和学生模型基于样本图像联合训练，并将训练收敛后的学生模型作为目标检测模型，在获取待检测图像后，基于目标检测模型对待检测图像进行目标检测，以得到待检测图像的识别结果。一方面，将联合训练后训练收敛的学生模型作为目标检测模型，能够尽可能地提升目标检测模型的模型精度，另一方面，在教师模型与学生模型联合训练的过程中，基于标注有样本目标标签和样本加噪标签的样本图像执行训练任务，可以尽可能地学习图像特征中位置信息的相对偏移，以加快教师模型的收敛速度，并引导学生模型加快收敛速度，故能在提升目标检测模型的模型精度的前提下，降低模型的训练难度。

技术特征：

1.一种目标检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述加噪处理包括第一加噪和第二加噪，所述方法还包括以下至少一者：

3.根据权利要求1所述的方法，其特征在于，在所述教师模型和学生模型基于样本图像联合训练之前，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，响应于所述样本图像的标注标签为所述样本加噪标签，所述基于所述样本图像的标注标签的类型，确定所述教师模型和所述学生模型的任务类型，以调整所述教师模型和所述学生模型的网络参数，包括：

5.根据权利要求3所述的方法，其特征在于，响应于所述样本图像的标注标签为所述样本目标标签，所述基于所述样本图像的标注标签的类型，确定所述教师模型和所述学生模型的任务类型，以调整所述教师模型和所述学生模型的网络参数，包括：

6.根据权利要求5所述的方法，其特征在于，所述确定所述教师模型和所述学生模型的位置嵌入执行二分图匹配任务，且所述二分图匹配任务基于匈牙利算法执行，包括：

7.根据权利要求6所述的方法，其特征在于，所述第一预测结果包括第一预测类别和第一预测框，所述第二预测结果包括第二预测类别和第二预测框，所述基于所述第一预测结果和所述第二预测结果之间的差异，确定代价矩阵，包括：

8.根据权利要求1至7任一项所述的方法，其特征在于，所述教师模型的网络结构包括顺序连接的第一特征提取网络、第一编码器和第一解码器，所述学生模型的网络结构包括顺序连接的第二特征提取网络、第二编码器和第二解码器，所述联合训练还包括知识蒸馏，所述知识蒸馏的步骤包括：

9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8任一项所述的目标检测方法。

10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至8任一项所述的目标检测方法。

技术总结本申请公开了一种目标检测方法以及电子设备、存储介质。该方法包括：获取待检测图像；基于目标检测模型对待检测图像进行目标检测，得到待检测图像的识别结果；其中，目标检测模型由教师模型和学生模型基于样本图像联合训练得到，且训练收敛之后的学生模型作为目标检测模型，样本图像包括第一图像和第二图像，第一图像标注有样本目标标签，第二图像标注有样本加噪标签，样本加噪标签由样本目标标签进行加噪处理得到。上述方案，能够在提升目标检测模型的模型精度的前提下，降低模型的训练难度。技术研发人员：习英卓,张诚成,马子昂受保护的技术使用者：杭州华橙软件技术有限公司技术研发日：技术公布日：2024/7/29