本申请涉及图像处理，尤其涉及一种图像检测模型的训练方法、图像检测方法及装置。
背景技术：
1、目前，在人工智能技术领域，已经提出许多基于深度神经网络的半监督学习方法，以在只有少量标记数据可用时利用未标记数据来提高深度神经网络的性能，这些算法已在各种任务中显示出有效的性能。然而，现有的半监督学习方法通常是建立在假设类别均衡的数据集基础上的，而实际应用中数据集的类别分布是不均衡的，例如数据集中正样本数据量偏多，负样本数据量偏少。众所周知，在类别不均衡的数据集上训练的分类器更加倾向于数据量较多的类别，该问题在半监督学习中更加严重。半监督学习对于使用未标记数据的预测标签进行训练时，由于半监督学习算法是基于类别不均衡的数据集进行训练的，因此算法预测的标签变得更加不平衡。可见，类别不均衡的半监督学习算法问题亟需解决。
技术实现思路
1、本申请实施例的目的是提供一种图像检测模型的训练方法、图像检测方法及装置，用以解决现有技术中基于类别不均衡的数据集训练出的模型准确度较低的问题。
2、为解决上述技术问题，本申请实施例是这样实现的：
3、一方面，本申请实施例提供一种图像检测模型的训练方法，包括：
4、获取样本图像数据；所述样本图像数据包括具有标签信息的第一样本图像以及不具有标签信息的第二样本图像；所述标签信息包括：样本目标区域以及所述样本目标区域的分类信息；
5、将所述样本图像数据输入待训练的图像检测模型，对所述第一样本图像进行图像检测，得到所述第一样本图像对应的第一检测结果；以及，对所述第二样本图像进行图像检测，得到所述第二样本图像对应的第二检测结果；所述第一检测结果包括所述第一样本图像对应的辅助平衡分类信息，所述第二检测结果包括所述第二样本图像对应的辅助平衡分类信息；所述辅助平衡分类信息用于平衡所述待训练的图像检测模型的区域类别倾向度；所述区域类别倾向度与所述样本图像数据中属于各区域类别的目标区域的数量相关；
6、根据所述第一检测结果和所述第二检测结果，确定所述待训练的图像检测模型对应的半监督辅助平衡损失函数和半监督图像检测损失函数；所述半监督辅助平衡损失函数基于所述辅助平衡分类信息确定；
7、根据所述半监督辅助平衡损失函数和所述半监督图像检测损失函数，确定所述待训练的图像检测模型的目标损失函数，并根据所述目标损失函数对所述待训练的图像检测模型的模型参数进行迭代调整，得到训练后的图像检测模型。
8、另一方面，本申请实施例提供一种图像检测方法，包括：
9、获取目标图像；
10、将所述目标图像输入训练后的图像检测模型，检测所述目标图像中的目标区域，并对所述目标区域进行区域分类，得到所述目标区域对应的区域分类信息；其中，所述训练后的图像检测模型根据上述任一方面所述的图像检测模型的训练方法训练得到。
11、再一方面，本申请实施例提供一种图像检测装置，包括：
12、第二获取模块，用于获取目标图像；
13、第二检测模块，用于将所述目标图像输入训练后的图像检测模型，检测所述目标图像中的目标区域，并对所述目标区域进行区域分类，得到所述目标区域对应的区域分类信息；其中，所述训练后的图像检测模型根据上述任一方面所述的图像检测模型的训练方法训练得到。
14、再一方面，本申请实施例提供一种电子设备，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述任一方面所述的图像检测模型的训练方法，或者，所述处理器用于从所述存储器调用并执行所述计算机程序以实现上述任一方面所述的图像检测方法。
15、再一方面，本申请实施例提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序能够被处理器执行以实现上述任一方面所述的图像检测模型的训练方法，或者，所述计算机程序能够被处理器执行以实现上述任一方面所述的图像检测方法。
16、采用本申请实施例的技术方案，通过获取样本图像数据，包括具有标签信息的第一样本图像以及不具有标签信息的第二样本图像，将样本图像数据输入待训练的图像检测模型，对第一样本图像进行图像检测，得到第一样本图像对应的第一检测结果，并对第二样本图像进行图像检测，得到第二样本图像对应的第二检测结果。进而根据第一检测结果和第二检测结果，确定待训练的图像检测模型对应的半监督辅助平衡损失函数和半监督图像检测损失函数，根据半监督辅助平衡损失函数和半监督图像检测损失函数确定待训练的图像检测模型的目标损失函数，并根据目标损失函数对待训练的图像检测模型的模型参数进行迭代调整，得到训练后的图像检测模型。其中，第一检测结果包括第一样本图像对应的辅助平衡分类信息，第二检测结果包括第二样本图像对应的辅助平衡分类信息。由于辅助平衡分类信息用于平衡待训练的图像检测模型的区域类别倾向度，该区域类别倾向度与样本图像数据中属于各区域类别的目标区域的数量，因此，辅助平衡分类信息能够为类别不均衡的样本图像数据的分类结果起到辅助平衡作用，例如，对数据量偏多的区域类别(即属于该区域类别的目标区域的数量偏多)给予反向的辅助平衡作用，对数据量偏少的区域类别(即属于该区域类别的目标区域的数量偏少)给予正向的辅助平衡作用，从而使图像检测模型在训练过程中不再偏向于数据量偏多的区域类别，引导图像检测模型的训练方向更加平衡。此外，由于图像检测模型的目标损失函数不仅和半监督图像检测损失函数相关，且和与辅助平衡分类相关的半监督辅助平衡损失函数相关，因此，图像检测模型在训练过程中不仅能够逐渐减少类别不均衡所导致的模型性能偏差，还能够兼顾图像检测目标的训练，从而提升了训练后的图像检测模型的模型性能和准确度。
1.一种图像检测模型的训练方法，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，所述待训练的图像检测模型包括学生模型；
3.根据权利要求2所述的方法，其特征在于，所述学生模型包括：第一特征提取层、第一候选区域预测层、第一全连接层、第一目标区域回归层、第一目标区域分类层和第一辅助平衡分类器；
4.根据权利要求3所述的方法，其特征在于，所述第一样本图像对应有多个第一区域类别；
5.根据权利要求4所述的方法，其特征在于，所述待训练的图像检测模型还包括教师模型；
6.根据权利要求5所述的方法，其特征在于，所述教师模型包括：第二特征提取层、第二候选区域预测层、第二全连接层、第二目标区域回归层、第二目标区域分类层和第二辅助平衡分类器；
7.根据权利要求6所述的方法，其特征在于，所述第二样本图像对应有多个第二区域类别；
8.根据权利要求6所述的方法，其特征在于，所述将强增强后的第二样本图像输入所述学生模型，确定所述第二样本图像对应的第三特征表征信息，并根据所述第三特征表征信息确定所述第二样本图像中的第三目标区域、第三目标区域分类信息和第三辅助平衡分类信息，包括：
9.根据权利要求7所述的方法，其特征在于，所述半监督辅助平衡损失函数包括：有监督辅助平衡损失函数和无监督辅助平衡损失函数；所述半监督图像检测损失函数包括：有监督图像检测损失函数和无监督图像检测损失函数；
10.根据权利要求9所述的方法，其特征在于，所述根据所述第一检测结果，确定所述有监督辅助平衡损失函数和所述有监督图像检测损失函数，包括：
11.根据权利要求9所述的方法，其特征在于，所述第二辅助平衡分类信息包括：所述第二目标区域属于每个所述第二区域类别的辅助平衡分类概率；
12.根据权利要求9所述的方法，其特征在于，所述根据所述第一检测结果，确定所述有监督辅助平衡损失函数和所述有监督图像检测损失函数，包括：
13.根据权利要求9所述的方法，其特征在于，所述第二检测结果还包括：所述教师模型对所述第二样本图像进行图像检测后得到的第二候选区域和所述第二候选区域对应的第二候选区域分类信息；以及，所述学生模型对所述第二样本图像进行图像检测后得到的第三候选区域和所述第三候选区域对应的第三候选区域分类信息；
14.一种图像检测方法，其特征在于，包括：
15.一种电子设备，其特征在于，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现如权利要求1-13任一项所述的图像检测模型的训练方法，或者，所述处理器用于从所述存储器调用并执行所述计算机程序以实现如权利要求14所述的图像检测方法。
16.一种计算机可读存储介质，其特征在于，所述存储介质用于存储计算机程序，所述计算机程序能够被处理器执行以实现如权利要求1-13任一项所述的图像检测模型的训练方法，或者，所述计算机程序能够被处理器执行以实现如权利要求14所述的图像检测方法。
