目标标定方法、电子设备、计算机可读介质与流程

本发明涉及计算机视觉领域，具体地，涉及一种目标标定方法、一种电子设备和一种计算机可读介质。

背景技术：

1、目标标定方法通常基于已标定域的训练模型进行预测。对于不同域数据、以及难例数据，只能再标定部分数据、对模型进行重新训练并得到新模型后，再对“不同域数据、以及难例数据”进行标定。重新训练模型耗时较长，并且会用到较多的计算资源。

2、因此，如何提高对数据标定的效率、并降低对数据标定的成本，成为本领域亟待解决的技术问题。

技术实现思路

1、本发明旨在一定程度上解决相关技术中的技术问题之一。为此，本发明提供了一种目标标定方法、一种电子设备和一种计算机可读介质。通过所述目标标定方法，可以高效、低成本地对各类数据进行标定。

2、作为本发明的第一个方面，提供一种目标标定方法，所述目标标定方法包括：

3、利用广域类别数据库对应的广域类别特征分支替换初始模型中的初始类别特征分支，得到预标定模型；

4、将通过已标定数据获得的已标定特征分支添加至所述预标定模型中，获得优化标定模型；

5、利用所述优化标定模型的广域类别分支对待标定数据进行目标标定，得到联想预测结果；

6、利用所述优化标定模型的已标定特征分支对所述待标定数据进行目标标定，得到已确认预测结果。

7、可选地，利用广域类别数据库对应的广域类别特征分支替换初始模型中的初始类别特征分支，得到预标定模型，包括：

8、提取所述广域类别数据库中数据的特征；

9、根据提取到的特征构建广域类别特征库；

10、根据所述广域类别特征库中数据类别出现的频率，对所述广域类别特征库中的数据进行划分，得到多个子特征库，所述广域数据域的特征库包括多个所述子特征库；

11、所述利用所述优化标定模型的广域类别分支对待标定数据进行目标标定，得到联想预测结果，包括：

12、将所述待标定数据的特征分别与多个所述子特征库进行相似度对比；

13、根据相似度对比的结果生成所述联想预测结果。

14、可选地，所述根据所述广域类别特征库中数据类别出现的频率，对所述广域类别特征库中的数据进行划分，得到多个子特征库，包括：

15、根据所述广域类别特征库中数据类别出现的频率，对所述广域类别特征库中的数据进行划分，得到低频特征库、中频特征库和高频特征库；

16、对所述低频特征库进行聚类，得到低频中心点特征库；

17、对所述中频特征库进行聚类，得到中频中心点特征库；

18、对所述高频特征库进行聚类，得到高频中心点特征库；其中，所述低频中心点特征库、所述中频中心点特征库和所述高频中心点特征库，分别为所述广域类别特征库的多个子特征库；

19、所述利用所述优化标定模型的广域类别分支对待标定数据进行目标标定，得到联想预测结果，包括：

20、将所述待标定数据的特征分别与所述低频中心点特征库、所述中频中心点特征库、以及所述高频中心点特征库进行相似度对比；

21、根据相似度对比的结果生成所述联想预测结果。

22、可选地，所述待标定数据包括图片，在获得优化标定模型之后，所述目标标定方法还包括：

23、利用所述优化标定模型对所述待标定数据处理，得到多个目标框及各个目标框的特征；其中，所述待标定数据的特征包括多个所述目标框的特征，

24、所述根据相似度对比的结果生成所述联想预测结果，包括：

25、根据所述相似度对比结果确定多个所述目标框的类别和置信度；

26、根据所述待标定数据上的多个目标框之间的距离、以及多个所述目标框的置信度对多个所述目标框进行初次筛选，以使得筛选剩余的多个所述目标框之间的距离不小于第一预设距离阈值；

27、根据初次筛选后剩余的多个目标框之间的距离、以及初次筛选后剩余的多个目标框的置信度，分别对初次筛选后剩余的多个目标框中每种类别的多个目标框进行再次筛选，以使得经过再次筛选后剩余的每个类别的多个所述目标框之间的距离不小于第二预设距离阈值；

28、按照置信度对再次筛选后剩余的目标框进行筛选，得到联想预测结果。

29、可选地，所述利用所述优化标定模型的已标定特征分支对所述待标定数据进行目标标定，得到已确认预测结果，包括：

30、将多个所述目标框的特征与所述已标定特征分支进行相似度对比；

31、根据所述相似度对比的结果，确定多个所述目标框的类别和置信度；

32、根据所述待标定数据上的多个目标框之间的距离、以及多个所述目标框的置信度对多个所述目标框进行初次筛选，以使得筛选剩余的多个所述目标框之间的距离不小于第一预设距离阈值；

33、根据初次筛选后剩余的多个目标框之间的距离、以及初次筛选后剩余的多个目标框的置信度，分别对初次筛选后剩余的多个目标框中每种类别的多个目标框进行再次筛选，以使得经过再次筛选后每个类别的多个所述最终目标框之间的距离不小于第二预设距离阈值；

34、按照置信度对再次筛选后剩余的目标框进行筛选，得到已确认预测结果。

35、可选地，所述目标标定方法还包括：

36、利用所述联想预测结果中与类别特征底库的相似度超过预定相似度阈值的预测目标形成额外预测结果，其中，所述类别特征底库包括所述已标定数据的特征；

37、将所述额外预测结果和所述已确认预测结果合并，得到整体预测结果。

38、可选地，所述目标标定方法还包括：

39、响应于确认指令，对所述整体预测结果中的预测目标进行筛选，得到最终预测结果。

40、可选地，所述目标标定方法还包括：

41、对所述整体预测结果进行抽样，得到抽样预测结果；

42、响应于确认指令，对所述抽样预测结果中的预测目标进行筛选，得到最终预测结果。

43、可选地，所述对所述整体预测结果进行抽样，得到抽样预测结果，包括：

44、根据与当前的类别特征底库的相似度，对所述整体预测结果中的多个预测目标进行分组；

45、从每个分组中抽取至少一个预测目标；

46、利用抽取出的预测目标，得到所述抽样预测结果。

47、可选地，得到最终预测结果之后，所述目标标定方法还包括：

48、计算当前获得的所述最终预测结果的相似度平均值，其中，所述相似度平均值为所述最终预测结果中的各个预测目标与当前的类别特征底库之间的相似度的平均值；

49、在所述相似度平均值小于重新推理相似度阈值的情况下，将当前获得的所述最终预测结果的特征更新至类别特征底库，并进行至少一次重新推理的步骤，所述重新推理的步骤包括：将当前获得的所述最终预测结果作为已标定数据，从头开始执行所述目标标定方法；其中，在得到的最终预测结果的相似度平均值大于所述重新推理相似度阈值的情况下，停止执行所述重新推理的步骤。

50、可选地，在得到的最终预测结果的相似度平均值大于所述重新推理相似度阈值且小于迭代相似度阈值之间的情况下，所述目标标定方法还包括：

51、将当前的最终预测结果的特征更新至类别特征底库，并基于更新后的类别特征底库，执行至少一次迭代的步骤，所述迭代的步骤包括：从所述将通过已标定数据获得的已标定特征分支添加至所述预标定模型中的步骤之后开始执行所述目标标定方法；其中，在得到的最终预测结果的相似度平均值大于所述迭代相似度阈值或者接收到结束指令的情况下，停止执行所述目标标定方法，其中，所述迭代相似度阈值大于所述重新推理相似度阈值。

52、可选地，所述预标定模型为多模态预标定模型，所述已标定数据包括文本和/或已标定的图像。

53、作为本发明的第二个方面，提供一种电子设备，其中，包括：

54、一个或多个处理器；

55、存储器，其上存储有一个或多个计算机程序，当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据本发明第一个方面所述的目标标定方法。

56、作为本发明的第三个方面，提供一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现根据本发明第一个方面所述的目标标定方法。

57、广域类别数据库中所携带的数据量较大、类别也较广。因此，通过广域类别数据库可以对各种类别的数据进行标定。所述优化标定模型既包括广域类别特征分支、又包括已标定特征分支。在对待标定数据进行标定时，可以利用已标定特征分支对待标定数据中与所述已标定特征分支的数据域相匹配的部分进行较为精确的目标标定，还可以利用广域类别特征分支对待标定数据中与所述广域类别特征分支的数据域相匹配的部分进行联想标定。

58、也就是说，本发明提供的目标标定方法，相当于一种广域类别联想标定方法，不需要根据数据域重新训练，既节约了计算资源，又提高了目标标定的效率。