(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210431662.9 (22)申请日 2022.04.22 (71)申请人 商汤集团有限公司 地址 中国香港新界沙田香港科 学园科技大 道西一号核心大楼第二座2楼226-230 室 (72)发明人 王新江　黎羿江　阳行意　陈恺　 张伟　 (74)专利代理 机构 北京林达刘知识产权代理事 务所(普通 合伙) 11277 专利代理师 刘新宇 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/75(2022.01) G06V 10/764(2022.01)G06V 10/762(2022.01) (54)发明名称 网络训练及目标检测方法、 装置、 电子设备 和存储介质 (57)摘要 本公开涉及一种网络训练及目标检测方法、 装置、 电子设备和存储介质， 所述网络训练方法 包括： 获取无标签标注的样本图像以及待训练的 目标检测网络； 通过目标检测网络对样本图像进 行处理， 得到样本图像的检测结果， 检测结果包 括样本图像中目标所在的预测区域； 根据检测结 果， 确定样本图像对应的伪标签信息， 伪标签信 息包括样 本图像中目标所在的伪标注区域； 根据 伪标签信息以及目标检测网络中预置的锚框信 息， 确定伪标注区域与锚框信息表征的锚框区域 之间的匹配损失； 根据匹配损失， 确定目标检测 网络的网络损失， 并基于网络损失， 训练目标检 测网络。 本公开实施例可实现提高目标检测网络 的训练效率。 权利要求书3页 说明书21页 附图3页 CN 114722958 A 2022.07.08 CN 114722958 A 1.一种网络训练方法， 其特 征在于， 包括： 获取无标签标注的样本图像以及待训练的目标检测网络； 通过所述目标检测网络对所述样本 图像进行处理， 得到所述样本 图像的检测结果， 所 述检测结果包括所述样本图像中目标 所在的预测区域； 根据所述检测结果， 确定所述样本 图像对应的伪标签信息， 所述伪标签信息包括所述 样本图像中目标 所在的伪标注区域； 根据所述伪标签信 息以及所述目标检测网络 中预置的锚框信 息， 确定所述伪标注区域 与所述锚框信息表征的锚框区域之间的匹配损失； 根据所述匹配损失， 确定所述目标检测网络的网络损失， 并基于所述网络损失， 训练所 述目标检测网络 。 2.根据权利要求1所述的方法， 其特征在于， 所述伪标签信息中包括多个伪标注区域， 其中， 所述 根据所述匹配损失， 确定所述目标检测网络的网络损失， 包括： 针对所述多个伪标注区域中的每个伪标注区域， 根据所述伪标注区域与多个锚框区域 之间的匹配损失， 确定所述多个锚框区域各自对应的第一权重， 同一锚框区域的所述第一 权重与所述匹配损失负相关； 根据所述多个锚框区域各自对应的第一权重以及所述多个锚框区域各自对应的匹配 损失， 确定所述伪标注区域对应的区域损失； 根据得到的所述多个伪标注区域对应的区域损失， 确定所述目标检测网络的网络损 失。 3.根据权利要求2所述的方法， 其特征在于， 所述伪标签信 息中包括所述伪标注区域对 应的置信度， 所述置信度 表征所述伪标注区域的可靠程度， 其中， 所述根据得到的所述多个 伪标注区域对应的区域损失， 确定所述目标检测网络的网络损失， 包括： 根据所述多个伪标注区域各自对应的置信度， 确定所述多个伪标注区域各自对应的第 二权重， 所述第二权 重与所述置信度正相关； 根据多个伪标注区域各自对应的第二权重以及所述多个伪标注区域各自对应的区域 损失， 确定所述目标检测网络的网络损失。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 所述匹配损 失包括以下至少一 种： 所述伪标注区域与所述锚框区域之间的分类损失； 所述伪标注区域与所述锚框区域对应的预测区域之间的第一 位置损失； 所述伪标注区域与所述锚框区域之间的第二 位置损失。 5.根据权利要求1至4任一项所述的方法， 其特征在于， 所述锚框信息中包括所述目标 检测网络针对锚框区域所预测的分类分数， 所述伪标签信息中包括所述伪标注区域对应的 伪标注值， 所述伪标注值用于指示所述伪标注 区域内是否包含所述 目标， 所述分类分数表 征所述锚框区域内包括所述目标的概 率； 其中， 所述根据所述伪标签信息以及所述目标检测网络中预置的锚框信息， 确定所述 伪标注区域与所述锚框信息表征的锚框区域之间的匹配损失， 包括： 根据所述锚框区域对应的分类分数以及所述伪标注区域对应的伪标注值， 确定所述伪 标注区域与所述锚框区域之间的分类损失； 和/或，权　利　要　求　书 1/3 页 2 CN 114722958 A 2根据所述锚框区域对应的预测区域的位置信 息以及所述伪标注区域对应的位置信 息， 确定所述伪标注区域与所述锚框区域对应的预测区域之间的第一 位置损失； 和/或， 根据所述锚框区域对应的位置信 息以及所述伪标注区域对应的位置信 息， 确定所述伪 标注区域与所述锚框区域之间的第二 位置损失； 根据所述分类损 失、 所述第一位置损 失与所述第二位置损 失中的至少一种， 确定所述 伪标注区域与所述锚框区域之间的匹配损失。 6.根据权利要求1至5任一项所述的方法， 其特征在于， 所述检测结果中包括多个预测 区域各自对应的预测分数， 所述预测分数表征 预测区域内包 含所述目标的概 率； 其中， 所述 根据所述检测结果， 确定所述样本图像对应的伪标签信息， 包括： 根据所述多个预测区域各自对应的预测分数， 对所述多个预测区域进行聚类， 得到所 述多个预测区域的聚类结果； 根据所述多个预测区域的聚类结果， 确定筛选阈值， 并基于所述筛选阈值， 从所述多个 预测区域中筛 选出伪标注区域； 根据所述伪标注区域对应的检测结果， 确定所述伪标注区域对应的伪标签信息 。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述多个预测区域各自对应的预 测分数， 对所述多个预测区域进行聚类， 得到所述多个预测区域的聚类结果， 包括： 通过高斯混合模型， 根据所述多个预测区域各自对应的预测分数， 对所述多个预测区 域进行聚类， 得到所述多个预测区域的聚类结果； 其中， 所述聚类结果包括所述多个预测区域中的正样本预测区域与负样本预测区域， 所述正样本预测区域的准确度高于所述负 样本预测区域。 8.根据权利要求6或7所述的方法， 其特征在于， 所述聚类结果包括所述多个预测区域 中的正样本预测区域， 其中， 所述根据所述多个预测区域的聚类结果， 确定筛选阈值， 并基 于所述筛 选阈值， 从所述多个预测区域中筛 选出伪标注区域， 包括： 将所述正样本预测区域对应的高斯分布的峰值所对应的预测分数， 确定为所述筛选 阈 值； 将预测分数 大于或等于所述筛 选阈值的正样本预测区域， 确定为所述伪标注区域。 9.根据权利要求1至8任一项所述的方法， 其特征在于， 所述通过所述目标检测网络对 所述样本图像进行处 理， 得到所述样本图像的检测结果， 包括： 对所述样本图像进行 特征提取， 得到分类特 征与回归特 征； 对所述回归特征与 所述分类特征进行解码处理， 得到初始预测区域与初始预测区域对 应的预测分数； 根据所述回归特 征与所述分类特 征， 确定所述初始预测区域对应的偏移量； 根据所述偏移量， 调整所述初始预测区域， 得到预测区域。 10.根据权利要求9所述的方法， 其特征在于， 所述根据所述 回归特征与 所述分类特征， 确定所述初始预测区域对应的偏移量， 包括： 将所述分类特 征与所述回归特 征进行拼接处 理与卷积处 理， 得到多尺度的偏置特 征； 对所述多尺度的偏置特 征进行尺度对齐， 得到尺度对齐的目标偏置特 征； 对所述目标偏置特 征进行解码处 理， 得到所述初始预测区域对应的偏移量。 11.一种目标检测方法， 其特 征在于， 所述方法包括：权　利　要　求　书 2/3 页 3 CN 114722958 A 3