本技術(shù)涉及目標(biāo)檢測(cè)領(lǐng)域，特別是涉及一種目標(biāo)檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、對(duì)于目標(biāo)檢測(cè)任務(wù)，需要為每張圖像的每個(gè)實(shí)例標(biāo)注精確的定位坐標(biāo)和類別信息，這使得標(biāo)注完整的數(shù)據(jù)集需要耗費(fèi)大量時(shí)間和精力。將經(jīng)過(guò)標(biāo)注的數(shù)據(jù)集（源域數(shù)據(jù)集）預(yù)訓(xùn)練的模型泛化到未標(biāo)注的數(shù)據(jù)集（目標(biāo)域數(shù)據(jù)集）是一個(gè)十分有潛力的方法。然而，由于源域和目標(biāo)域數(shù)據(jù)集的圖像是在不同的設(shè)備、天氣、角度、光照等條件下采集的，這導(dǎo)致目標(biāo)檢測(cè)模型在目標(biāo)域數(shù)據(jù)集中的檢測(cè)精度較低。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)問(wèn)題，提供了一種目標(biāo)檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)。

2、第一方面，本技術(shù)提供了一種目標(biāo)檢測(cè)方法。所述方法包括：

3、獲取帶標(biāo)注的源域數(shù)據(jù)、不帶標(biāo)注的目標(biāo)域數(shù)據(jù)、學(xué)生模型；

4、基于所述源域數(shù)據(jù)訓(xùn)練學(xué)生模型，得到訓(xùn)練后的學(xué)生模型的結(jié)構(gòu)、權(quán)重；

5、基于所述訓(xùn)練后的學(xué)生模型的結(jié)構(gòu)、權(quán)重構(gòu)建教師模型；

6、將所述目標(biāo)域數(shù)據(jù)輸入至所述教師模型，得到所述目標(biāo)域數(shù)據(jù)的偽標(biāo)簽；

7、將所述偽標(biāo)簽和目標(biāo)域數(shù)據(jù)輸入至訓(xùn)練后的學(xué)生模型進(jìn)行訓(xùn)練，得到優(yōu)化后的學(xué)生模型，基于所述優(yōu)化后的學(xué)生模型的模型參數(shù)更新所述教師模型的模型參數(shù)，基于所述更新后的教師模型進(jìn)行目標(biāo)檢測(cè)。

8、在其中一個(gè)實(shí)施例中，所述基于所述源域數(shù)據(jù)訓(xùn)練學(xué)生模型包括：

9、基于所述學(xué)生模型提取所述源域數(shù)據(jù)中的實(shí)例特征；

10、對(duì)于同一類別中的任意多個(gè)實(shí)例特征，計(jì)算所述實(shí)例特征之間的距離；

11、在所述實(shí)例特征之間的距離小于預(yù)設(shè)距離的情況下，將所述實(shí)例特征之間的距離小于預(yù)設(shè)距離的特征實(shí)例輸入至同一聚類集合，形成類別多原型結(jié)構(gòu)。

12、在其中一個(gè)實(shí)施例中，所述方法還包括：

13、基于所述類別多原型結(jié)構(gòu)修正所述偽標(biāo)簽以及生成虛擬實(shí)例特征。

14、在其中一個(gè)實(shí)施例中，通過(guò)下述方式修正所述偽標(biāo)簽：

15、提取圖像中每個(gè)目標(biāo)實(shí)例的實(shí)例特征；

16、對(duì)于每個(gè)類別，計(jì)算每個(gè)類別所有實(shí)例特征與每個(gè)類別中所有原型之間的空間距離；

17、根據(jù)以下公式計(jì)算所述空間距離：

18、=<msubsup><mi> i</mi><mi>k</mi><mi>j</mi></msubsup><mi>?φ[dis(</mi><msubsup><mi>i</mi><mi>k</mi><mi>j</mi></msubsup><mi>,</mi><msubsup><mi>p</mi><mi>k</mi><mi>i</mi></msubsup><mi>)]&lt;</mi><msub><mi>δ</mi><mi>d</mi></msub>；

19、其中表示類別k中的第j個(gè)原型，表示類別k中的第j個(gè)實(shí)例特征，<mi>φ[?]</mi>表示映射函數(shù)，當(dāng)<mi>[</mi><mi>?</mi><mi>]</mi>中內(nèi)容為真值時(shí)，<mi>φ[?]=1</mi>，否則<mi>φ[?]=0</mi>，表示實(shí)例特征和類別多原型之間的距離閾值；

20、將符合所述距離閾值的實(shí)例特征進(jìn)行偽標(biāo)簽預(yù)測(cè)。

21、在其中一個(gè)實(shí)施例中，所述方法還包括：

22、基于源域數(shù)據(jù)對(duì)學(xué)生模型新增的特征點(diǎn)分類分支進(jìn)行參數(shù)初始化，得到初始化損失函數(shù)<msub><mi>l</mi><mi>init</mi></msub><mi>=</mi><mstyle><msub><mo>∑</mo><mi>k</mi></msub><mstyle><msub><mo>∑</mo><mi>n</mi></msub><mrow><mi>h[</mi><msubsup><mi>h</mi><mi>cls</mi><mi>stu</mi></msubsup><mi>(</mi><msubsup><mi>f</mi><mi>k</mi><mi>n</mi></msubsup><mi>),</mi><msub><mi>y</mi><mi>s</mi></msub></mrow></mstyle></mstyle><mi>]</mi>?；

23、其中，表示一個(gè)批量特征中類別為k中的第n個(gè)特征點(diǎn)，表示學(xué)生模型的特征點(diǎn)分類器輸出，表示真實(shí)分類標(biāo)簽；

24、基于類別多原型結(jié)構(gòu)生成虛擬實(shí)例特征，基于學(xué)生模型的輸出結(jié)果、教師模型的輸出結(jié)果、虛擬實(shí)例特征，得到特征一致性損失函數(shù)<msub><mi>l</mi><mi>consist</mi></msub><mi>=</mi><mstyle displaystyle="false"><munder><mo>∑</mo><mo>k</mo></munder><mstyle displaystyle="false"><munder><mo>∑</mo><mo>n</mo></munder><mrow><mi>h[</mi><msubsup><mi>h</mi><mi>cls</mi><mi>stu</mi></msubsup><mi>(</mi><msubsup><msup><mi>f</mi><mi>*</mi></msup><mi>k</mi><mi>n</mi></msubsup><mi>),</mi><msubsup><mi>h</mi><mi>cls</mi><mi>tea</mi></msubsup><mi>(</mi><msubsup><mi>f</mi><mi>k</mi><mi>n</mi></msubsup><mi>)]</mi></mrow></mstyle></mstyle><mo>+</mo><mstyle displaystyle="false"><munder><mo>∑</mo><mo>k</mo></munder><mstyle displaystyle="false"><munder><mo>∑</mo><mo>n</mo></munder><mrow><mi>h[</mi><msubsup><mi>h</mi><mi>cls</mi><mi>stu</mi></msubsup><mi>(</mi><msubsup><mi>f</mi><mi>k</mi><mi>n</mi></msubsup><mi>),</mi><msubsup><mi>h</mi><mi>cls</mi><mi>tea</mi></msubsup><mi>(</mi><msubsup><mi>f</mi><mi>k</mi><mi>n</mi></msubsup><mi>)]</mi></mrow></mstyle></mstyle>，；

25、其中，表示虛擬實(shí)例特征中類別為k中的第n個(gè)特征點(diǎn)，表示高斯分布，表示類別k的原型的第i個(gè)類內(nèi)原型的均值，表示一個(gè)批量中的特征點(diǎn)之間的方差，表示學(xué)生模型的輸出結(jié)果，表示教師模型的輸出結(jié)果，表示交叉熵?fù)p失函數(shù)。

26、在其中一個(gè)實(shí)施例中，基于所述優(yōu)化后的學(xué)生模型的模型參數(shù)更新所述教師模型的模型參數(shù)包括：

27、獲取所述優(yōu)化后學(xué)生模型的模型參數(shù)，基于指數(shù)移動(dòng)平均算法更新教師模型的模型參數(shù)。

28、第二方面，本技術(shù)還提供了一種目標(biāo)檢測(cè)裝置，所述裝置包括：

29、獲取模塊，用于獲取包括帶標(biāo)注的源域數(shù)據(jù)、包括不帶標(biāo)注的目標(biāo)域數(shù)據(jù)、學(xué)生模型；

30、訓(xùn)練模塊，用于基于所述源域數(shù)據(jù)訓(xùn)練學(xué)生模型，得到訓(xùn)練后的學(xué)生模型的結(jié)構(gòu)、權(quán)重；

31、構(gòu)建模型，用于基于所述訓(xùn)練后的學(xué)生模型的結(jié)構(gòu)、權(quán)重構(gòu)建教師模型；

32、生成模塊，用于將所述目標(biāo)域數(shù)據(jù)輸入至所述教師模型，得到所述目標(biāo)域數(shù)據(jù)的偽標(biāo)簽；

33、檢測(cè)模塊，用于將所述偽標(biāo)簽輸入至訓(xùn)練后的學(xué)生模型進(jìn)行訓(xùn)練，得到優(yōu)化后的學(xué)生模型，基于所述學(xué)生模型的模型參數(shù)更新所述教師模型的模型參數(shù)，基于所述更新后的教師模型進(jìn)行目標(biāo)檢測(cè)。

34、在其中一個(gè)實(shí)施例中，所述基于所述源域數(shù)據(jù)訓(xùn)練學(xué)生模型包括：

35、基于所述學(xué)生模型提取所述源域數(shù)據(jù)中的實(shí)例特征；

36、對(duì)于同一類別中的任意多個(gè)實(shí)例特征，計(jì)算所述實(shí)例特征之間的距離；

37、在所述實(shí)例特征之間的距離小于預(yù)設(shè)距離的情況下，將所述實(shí)例特征之間的距離小于預(yù)設(shè)距離的特征實(shí)例輸入至同一聚類集合，形成類別多原型結(jié)構(gòu)。

38、在其中一個(gè)實(shí)施例中，所述裝置還包括：

39、基于所述類別多原型結(jié)構(gòu)修正所述偽標(biāo)簽以及生成虛擬實(shí)例特征。

40、在其中一個(gè)實(shí)施例中，通過(guò)下述方式修正所述偽標(biāo)簽：

41、提取圖像中每個(gè)目標(biāo)實(shí)例的實(shí)例特征；

42、對(duì)于每個(gè)類別，計(jì)算每個(gè)類別所有實(shí)例特征與每個(gè)類別中所有原型之間的空間距離；

43、根據(jù)以下公式計(jì)算所述空間距離：

44、=<msubsup><mi> i</mi><mi>k</mi><mi>j</mi></msubsup><mi>?φ[dis(</mi><msubsup><mi>i</mi><mi>k</mi><mi>j</mi></msubsup><mi>,</mi><msubsup><mi>p</mi><mi>k</mi><mi>i</mi></msubsup><mi>)]&lt;</mi><msub><mi>δ</mi><mi>d</mi></msub>；

45、其中表示類別k中的第j個(gè)原型，表示類別k中的第j個(gè)實(shí)例特征，<mi>φ[?]</mi>表示映射函數(shù)，當(dāng)<mi>[</mi><mi>?</mi><mi>]</mi>中內(nèi)容為真值時(shí)，<mi>φ[?]=1</mi>，否則<mi>φ[?]=0</mi>，表示實(shí)例特征和類別多原型之間的距離閾值；

46、將符合所述距離閾值的實(shí)例特征進(jìn)行偽標(biāo)簽預(yù)測(cè)。

47、在其中一個(gè)實(shí)施例中，所述裝置還包括：

48、基于源域數(shù)據(jù)對(duì)學(xué)生模型新增的特征點(diǎn)分類分支進(jìn)行參數(shù)初始化，得到初始化損失函數(shù)<msub><mi>l</mi><mi>init</mi></msub><mi>=</mi><mstyle><msub><mo>∑</mo><mi>k</mi></msub><mstyle><msub><mo>∑</mo><mi>n</mi></msub><mrow><mi>h[</mi><msubsup><mi>h</mi><mi>cls</mi><mi>stu</mi></msubsup><mi>(</mi><msubsup><mi>f</mi><mi>k</mi><mi>n</mi></msubsup><mi>),</mi><msub><mi>y</mi><mi>s</mi></msub></mrow></mstyle></mstyle><mi>]</mi>?；

49、其中，表示一個(gè)批量特征中類別為k中的第n個(gè)特征點(diǎn)，表示學(xué)生模型的特征點(diǎn)分類器輸出，表示真實(shí)分類標(biāo)簽；

50、基于類別多原型結(jié)構(gòu)生成虛擬實(shí)例特征，基于學(xué)生模型的輸出結(jié)果、教師模型的輸出結(jié)果、虛擬實(shí)例特征，得到特征一致性損失函數(shù)<msub><mi>l</mi><mi>consist</mi></msub><mi>=</mi><mstyle displaystyle="false"><munder><mo>∑</mo><mo>k</mo></munder><mstyle displaystyle="false"><munder><mo>∑</mo><mo>n</mo></munder><mrow><mi>h[</mi><msubsup><mi>h</mi><mi>cls</mi><mi>stu</mi></msubsup><mi>(</mi><msubsup><msup><mi>f</mi><mi>*</mi></msup><mi>k</mi><mi>n</mi></msubsup><mi>),</mi><msubsup><mi>h</mi><mi>cls</mi><mi>tea</mi></msubsup><mi>(</mi><msubsup><mi>f</mi><mi>k</mi><mi>n</mi></msubsup><mi>)]</mi></mrow></mstyle></mstyle><mo>+</mo><mstyle displaystyle="false"><munder><mo>∑</mo><mo>k</mo></munder><mstyle displaystyle="false"><munder><mo>∑</mo><mo>n</mo></munder><mrow><mi>h[</mi><msubsup><mi>h</mi><mi>cls</mi><mi>stu</mi></msubsup><mi>(</mi><msubsup><mi>f</mi><mi>k</mi><mi>n</mi></msubsup><mi>),</mi><msubsup><mi>h</mi><mi>cls</mi><mi>tea</mi></msubsup><mi>(</mi><msubsup><mi>f</mi><mi>k</mi><mi>n</mi></msubsup><mi>)]</mi></mrow></mstyle></mstyle>，；

51、其中，表示虛擬實(shí)例特征中類別為k中的第n個(gè)特征點(diǎn)，表示高斯分布，表示類別k的原型的第i個(gè)類內(nèi)原型的均值，表示一個(gè)批量中的特征點(diǎn)之間的方差，表示學(xué)生模型的輸出結(jié)果，表示教師模型的輸出結(jié)果，表示交叉熵?fù)p失函數(shù)。

52、在其中一個(gè)實(shí)施例中，基于所述優(yōu)化后的學(xué)生模型的模型參數(shù)更新所述教師模型的模型參數(shù)包括：

53、獲取所述優(yōu)化后學(xué)生模型的模型參數(shù)，基于指數(shù)移動(dòng)平均算法更新教師模型的模型參數(shù)。

54、第三方面，本公開還提供了一種計(jì)算機(jī)設(shè)備。所述計(jì)算機(jī)設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)目標(biāo)檢測(cè)方法的步驟。

55、第四方面，本公開還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)目標(biāo)檢測(cè)方法的步驟。

56、第五方面，本公開還提供了一種計(jì)算機(jī)程序產(chǎn)品。所述計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)目標(biāo)檢測(cè)方法的步驟。

57、上述目標(biāo)檢測(cè)方法，至少包括以下有益效果：

58、本公開提供的實(shí)施例方案，在預(yù)訓(xùn)練階段，利用源域數(shù)據(jù)訓(xùn)練學(xué)生模型，并基于學(xué)生模型構(gòu)建教師模型，在互相學(xué)習(xí)階段，將目標(biāo)域數(shù)據(jù)輸入至教師模型，得到偽標(biāo)簽，再通過(guò)偽標(biāo)簽訓(xùn)練學(xué)生模型，提高模型的目標(biāo)檢測(cè)能力。

59、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開。