(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 202210990231.6 (22)申请日 2022.08.18 (71)申请人 腾讯医疗健康 （深圳） 有限公司 地址 518054 广东省深圳市前海深港合作 区前湾一路1号A栋201室 (72)发明人 纪浩钦　刘浩哲　何楠君　李悦翔　 魏东　郑冶枫　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 朱佳 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 20/00(2019.01) (54)发明名称 一种训练目标检测模型的方法、 装置、 设备 及存储介质 (57)摘要 本申请提供一种训练目标检测模型的方法、 装置、 设备及存储介质， 可 以应用于人工智 能领 域或智慧医疗 领域等， 用于解决训练得到的目标 检测模型的检测准确性和检测可靠性较低的问 题。 该方法至少包括： 采用辅助检测模型， 分别预 测多个采样标注各自对应的符合细粒度类型的 第一伪标注； 采用辅助检测模型， 基于第二样本 图像对应的多种变换图像， 以及相应的第二样本 标注， 分别预测多种变换图像各自对应的符合细 粒度类型的第二伪标注； 基于获得的多个第一伪 标注和多个第二伪标注， 对目标检测模型进行训 练。 通过充分利用粗粒度类型的标注， 提高训练 得到的目标检测模型的检测准确性和检测可靠 性较低。 权利要求书2页 说明书17页 附图14页 CN 115311498 A 2022.11.08 CN 115311498 A 1.一种训练目标检测模型的方法， 其特 征在于， 包括： 获取第一样本 图像集和第二样本 图像集， 其中， 每个第一样本 图像关联有细粒度类型 的第一样本标注， 每个第二样本图像关联有粗粒度类型 的第二样本标注， 所述细粒度类型 的标注精度高于所述 粗粒度类型； 基于所述第一样本 图像集和所述第二样本 图像集， 进行多轮迭代训练， 输出已训练的 目标检测模型， 其中， 每 轮迭代包括： 对第一样本图像的第 一样本标注进行采样处理， 获得符合所述粗粒度类型的多个采样 标注， 并采用辅助检测模型， 分别预测所述多个采样标注各自对应的符合所述细粒度类型 的第一伪标注； 采用所述辅助检测模型， 基于第二样本 图像对应的多种变换图像， 以及相应的第二样 本标注， 分别预测所述多种变换图像各自对应的符合所述细粒度类型的第二伪标注； 基于获得的多个第一伪标注和多个第二伪标注， 对目标检测模型进行训练。 2.根据权利要求1所述的方法， 其特征在于， 所述基于获得的多个第 一伪标注和多个第 二伪标注， 对目标检测模型进行训练， 包括： 基于获得的多个第一伪标注， 确定所述辅助检测模型的采样一致性损失， 其中， 所述采 样一致性损失表征： 基于多个采样标注进行 预测的一 致性； 基于获得的多个第二伪标注， 确定所述辅助检测模型的变换一致性损失， 其中， 所述变 换一致性损失表征： 基于多种变换图像进行 预测的一 致性； 基于所述多个第一伪标注， 以及所述第一样本标注， 确定所述辅助检测模型的预测损 失， 其中， 所述预测损失表征： 预测伪标注的准确性； 基于获得的采样一 致性损失、 变换一 致性损失和预测损失， 对目标检测模型进行训练。 3.根据权利要求2所述的方法， 其特征在于， 所述基于获得的采样一致性损 失、 变换一 致性损失和预测损失， 对目标检测模型进行训练， 包括： 基于获得的采样一致性损 失、 变换一致性损 失和预测损 失， 调整所述辅助检测模型的 模型参数； 采用所述辅助检测模型， 预测所述第二样本图像符合所述细粒度类型的第三伪标注； 采用所述目标检测模型， 预测所述第一样本 图像的第一预测标注， 以及预测所述第二 样本图像的第二预测标注； 基于获得的第 一预测标注与 所述第一样本标注之间的误差， 以及所述第 二预测标注与 所述第三伪标注之间的误差， 调整所述目标检测模型的模型参数。 4.根据权利要求2所述的方法， 其特征在于， 所述基于获得的多个第一伪标注， 确定所 述辅助检测模型的采样一 致性损失， 包括： 分别确定所述多个第 一伪标注中每两个第 一伪标注之间的误差， 获得各采样一致性误 差； 基于获得的各采样一致性误差的加权平均值， 确定所述辅助检测模型的采样一致性损 失。 5.根据权利要求2所述的方法， 其特征在于， 所述第 二伪标注为与相应的变换图像具有 相同图像尺寸的图像形式； 则所述基于获得的多个第二伪标注， 确定所述辅助检测模型的变换一 致性损失， 包括：权　利　要　求　书 1/2 页 2 CN 115311498 A 2按照一个第二伪标注对应的变换图像的图像变换策略， 分别对其他第 二伪标注进行图 像变换， 获得相应的变换 标注； 分别确定包含所述一个第 二伪标注和获得的各变换标注的各个标注中， 每两个标注之 间的误差， 获得 各变换一 致性误差； 基于获得的各变换一致性误差的加权平均值， 确定所述辅助检测模型的变换一致性损 失。 6.根据权利要求1～5任一项所述的方法， 其特征在于， 在所述基于所述第一样本 图像 集和所述第二样本图像集， 进行多轮迭代训练， 输出已训练的目标检测模型之后， 还 包括： 获取待检测图像； 采用所述目标检测模型， 对所述待检测图像进行 特征提取， 获得图像特 征； 采用所述目标检测模型， 基于所述图像特征， 确定所述待检测图像 中包含指定目标时， 获得所述已训练的目标检测模型输出 的细粒度类型 的预测标注， 其中， 所述预测标注用于 标记所述指定目标在所述待检测图像中的位置 。 7.一种训练目标检测模型的装置， 其特 征在于， 包括： 获取模块： 用于获取第一样本图像集和第二样本图像集， 其中， 每个第 一样本图像关联 有细粒度类型 的第一样本标注， 每个第二样本图像关联有粗粒度类型 的第二样本标注， 其 中， 所述细粒度类型的标注 精度高于所述 粗粒度类型； 处理模块： 用于基于所述第 一样本图像集和所述第 二样本图像集， 进行多轮迭代训练， 输出已训练的目标检测模型， 其中， 每 轮迭代包括： 所述处理模块具体用于： 对第一样本 图像的第一样本标注进行采样处理， 获得符合所 述粗粒度类型 的多个采样标注， 并采用辅助检测模型， 分别预测所述多个采样标注各自对 应的符合所述细粒度类型的第一伪标注； 所述处理模块还用于： 采用所述辅助检测模型， 基于第二样本 图像对应的多种变换图 像， 以及相应的第二样本标注， 分别预测所述多种变换图像各自对应的符合所述细粒度类 型的第二伪标注； 所述处理模块还用于： 基于获得的多个第一伪标注和多个第二伪标注， 对目标检测模 型进行训练。 8.一种计算机程序产品， 包括计算机程序， 其特征在于， 该计算机程序被处理器执行时 实现如权利要求1～6中任一项所述的方法。 9.一种计算机设备， 其特 征在于， 包括： 存储器， 用于存 储程序指令； 处理器， 用于调用所述存储器中存储的程序指令， 按照获得的程序指令执行如权利要 求1～6中任一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机可 执行指令， 所述计算机可执行指令用于使计算机执行如权利要求1～6中任一项所述的方 法。权　利　要　求　书 2/2 页 3 CN 115311498 A 3