目标检测方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种目标检测方法、装置、电子设备及计算机可读存储介质。

背景技术

目前，目标检测模型的应用已经涉及多个领域，如人脸检测，车辆检测，行人计数，自动驾驶，安全系统以及医学检测等。

而目标检测模型中往往含有大量参数，需要通过大量标注数据进行学习，但在标注数据量低的情况下，很容易易造成过拟合问题，而大量的数据标注往往耗时耗力；同时对于现有的目标检测模型，在训练时使用伪标签的方式，但伪标签会放大边缘的噪声，造成模型容易学习到错误数据，导致模型的检测结果准确性较低。

发明内容

本发明提供一种目标检测方法、装置及计算机可读存储介质，其主要目的在于解决目标检测模型标注数据量少时检测结果准确性较低的问题。

为实现上述目的，本发明提供的一种目标检测方法，包括：

获取训练数据集,其中,所述训练数据集包括标注数据和未标注数据；

使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数，并利用所述训练参数对预构建的老师检测模型与学生检测模型进行初始化；

利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数；

根据所述对照参数对初始化后的所述老师检测模型进行更新；

返回利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新步骤，直到所述学生检测模型收敛，得到目标检测模型；

利用所述目标检测模型识别待检测图像包含的目标对象，得到检测结果。

可选地，所述所述获取训练数据集，包括：

从第一数据库中获取带有检测框和标签的图像，得到标注数据；

从第二数据库中获取未经过处理的图像，得到未标注数据；

将所述标注数据和未标注数据汇集，得到训练数据集。

可选地，所述使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数，包括：

获取预构建的原始检测模型；

利用所述原始检测模型对所述训练数据集中的标注数据进行目标检测，得到检测结果；

根据所述标注数据的标签和检测框计算所述检测结果的损失值；

根据所述损失值对所述原始检测模型的参数进行更新，得到训练参数。

可选地，所述利用所述训练数据集对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数，包括：

对所述训练数据集进行增广处理，得到扩增数据集；

对所述扩增数据集进行扰动处理，得到扰动数据集；

将所述扰动数据集按照标注类和未标注类的数据分别输入所述学生检测模型中进行训练，得到预测检测结果；

将所述扰动数据集中未标注类的数据输入所述老师检测模型中进行目标检测，得到对照检测结果；

根据预设的损失函数和所述对照检测结果计算所述预测检测结果的监督损失和一致性约束，得到损失值；

根据所述损失值对所述学生检测模型进行反向传播更新，得到更新后的学生检测模型，并获取所述更新后的学生检测模型中的参数，得到对照参数。

可选地，所述对所述训练数据集进行增广处理，得到扩增数据集，包括：

对所述训练数据集中的标注数据进行几何增广、序列增广和强度增广，得到标注类的扩增数据；

对所述训练数据集中的未标注数据进行序列增广，得到未标注类的扩增数据；

将所述标注类和所述未标注类的扩增数据汇集得到扩增数据集。

可选地，所述根据预设的损失函数和对所述照检测结果计算所述预测检测结果的监督损失和一致性约束，得到损失值，包括：

对所述预测检测结果中的标注类的数据，根据预设的损失函数和所述训练数据集的标签计算监督损失，得到监督损失值；

对所述预测检测结果中的未标注类的数据，根据预设的损失函数和所述对照检测结果计算一致性约束，得到一致性约束值；

将所述监督损失值与所述一致性约束值合并，得到损失值。

可选地，所述根据所述对照参数对所述老师检测模型进行更新，包括：

获取所述老师检测模型的当前模型参数；

利用预设的参数更新公式对所述当前模型参数和所述对照参数进行计算，得到新参数；

使用所述新参数替换所述老师检测模型的当前模型参数。

为了解决上述问题，本发明还提供一种目标检测装置，所述装置包括：

数据获取模块，用于获取训练数据集,其中,所述训练数据集包括标注数据和未标注数据；

模型初始化模块，用于使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数，并利用所述训练参数对预构建的老师检测模型与学生检测模型进行初始化；

模型训练模块，用于利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数；

根据所述对照参数对初始化后的所述老师检测模型进行更新；

返回利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新步骤，直到所述学生检测模型收敛，得到目标检测模型；

目标检测模块，用于利用所述目标检测模型识别待检测图像包含的目标对象，得到检测结果。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的目标检测方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的目标检测方法。

本发明实施例通过利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，在训练时通过计算热力图(heatmap)与各点位置的属性的损失可视作一种软阈值方式，能够有效地解决噪声在迭代中被放大的问题，并对检测框的大小进行一致性约束损失计算，可以区分较优的检测框的长与宽，提高目标检测的精确度；同时，根据所述对照参数对初始化后的所述老师检测模型进行更新，采用了半监督的训练算法，可以在标注数据较少的情况下提高模型的学习效率，有效提高模型检测结果的准确性。因此本发明提出的目标检测方法、装置、电子设备及计算机可读存储介质，可以解决目标检测模型标注数据量少时检测结果准确性较低的问题。

附图说明

图1为本发明一实施例提供的目标检测方法的流程示意图；

图2为本发明一实施例提供的目标检测装置的功能模块图；

图3为本发明一实施例提供的实现所述目标检测方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种目标检测方法。所述目标检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述目标检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的目标检测方法的流程示意图。

在本实施例中，所述目标检测方法包括：

S1、获取训练数据集,其中,所述训练数据集包括标注数据和未标注数据。

本发明实施例中所述训练数据集是多个图像的集合,如医疗影像。

详细地，所述获取训练数据集，包括：

从第一数据库中获取带有检测框和标签的图像，得到标注数据；

从第二数据库中获取未经过处理的图像，得到未标注数据；

将所述标注数据和未标注数据汇集，得到训练数据集。

其中，所述标注数据是指带有检测框和标签的图像集合，所述未标注数据则是不带有检测框和标签的图像集合。

本实施例中，第一数据库和第二数据库可以是相同或者不同的数据库。

可选地，所述训练数据集中标注数据占小部分，而未标注数据则占大部分，标注数据数量往往较少，若需大量获取往往费时费力，减少标注数据的使用量可以节省时间，提高效率。

可选地，所述训练数据集可以是医疗检测图像，为了进一步强调所述未标注数据的隐秘性和安全性，所述训练数据集还可以从一区块链的节点中获取。

S2、使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数，并利用所述训练参数对预构建的老师检测模型与学生检测模型进行初始化。

本发明实施例中所述预构建的原始检测模型是一种基于神经网络的目标检测模型，如CenterNet模型。所述老师检测模型与学生检测模型是基于Mean teacher算法构建的，由所述原始检测模型复制得到的模型。

详细地，所述使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数，包括：

获取预构建的原始检测模型；

利用所述原始检测模型对所述训练数据集中的标注数据进行目标检测，得到检测结果；

根据所述标注数据的标签和检测框计算所述检测结果的损失值；

根据所述损失值对所述原始检测模型的参数进行更新，得到训练参数。

详细地，所述利用所述训练参数对预构建的老师检测模型与学生检测模型进行初始化，包括：将预构建的老师检测模型中的原始参数替换为所述训练参数；将预构建的学生检测模型中的原始参数替换为所述训练参数。

S3、利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数。

详细地，所述利用所述训练数据集对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数，包括：

对所述训练数据集进行增广处理，得到扩增数据集；

对所述扩增数据集进行扰动处理，得到扰动数据集；

将所述扰动数据集按照标注类和未标注类的数据分别输入所述学生检测模型中进行训练，得到预测检测结果；

将所述扰动数据集中未标注类的数据输入所述老师检测模型中进行目标检测，得到对照检测结果；

根据预设的损失函数和所述对照检测结果计算所述预测检测结果的监督损失和一致性约束，得到损失值；

根据所述损失值对所述学生检测模型进行反向传播更新，得到更新后的学生检测模型，并获取所述更新后的学生检测模型中的参数，得到对照参数。

进一步地，所述对所述训练数据集进行增广处理，得到扩增数据集，包括：

对所述训练数据集中的标注数据进行几何增广、序列增广和强度增广，得到标注类的扩增数据；

对所述训练数据集中的未标注数据进行序列增广，得到未标注类的扩增数据；

将所述标注类和所述未标注类的扩增数据汇集得到扩增数据集。

其中，所述序列增广是指对数据进行随机不同序列组合，如，数据集中包含五个序列，随机挑选五个序列，至少挑选一个，至多五个，共有31种序列组合的组合数据。

对数据进行增广处理可以增加训练数据集的数量，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力，提高模型的准确性。

进一步地，所述对所述扩增数据集进行扰动处理，得到扰动数据集，包括：

对所述扩增数据集中未标注类的扩增数据进行几何变换和强度变换，得到未标注类的扰动数据；

将所述未标注类的扰动数据加入扩增数据集中，得到扰动数据集。

其中，所述强度变换是指对图像进行亮度变换处理，即同样一张图片但不同亮度。

对数据进行强度变换与几何变换都是为了增加数据扰动(noise)，增加noise的图像其实还是原图像，得到的预测结果应该一致与原图像保持一致。

进一步地，所述根据预设的损失函数和对所述照检测结果计算所述预测检测结果的监督损失和一致性约束，得到损失值，包括：

对所述预测检测结果中的标注类的数据，根据预设的损失函数和所述训练数据集的标签计算监督损失，得到监督损失值；

对所述预测检测结果中的未标注类的数据，根据预设的损失函数和所述对照检测结果计算一致性约束，得到一致性约束值；

将所述监督损失值与所述一致性约束值合并，得到损失值。

本发明实施例中，所述损失函数如下：

其中，第一项为监督损失值，是根据所述学生检测模型输出的预测检测结果中标注类对应数据与训练数据集的标签进行损失函数计算后得到的，在本发明实施例中，为检测模型的三种损失，包含像素点中心预测热力图、各点位置的属性回归与偏差损失。第二项为一致性约束，包含两个MSE损失，是未标注类数据的像素点中心预测热力图与各点位置的属性回归损失。

进一步地，所述监督损失具体包括：

其中，L

其中，

其中，s

其中，

S4、根据所述对照参数对初始化后的所述老师检测模型进行更新。

详细地，所述根据所述对照参数对所述老师检测模型进行更新，包括：

获取所述老师检测模型的当前模型参数；

利用预设的参数更新公式对所述当前模型参数和所述对照参数进行计算，得到新参数；

使用所述新参数替换所述老师检测模型的当前模型参数。

本发明实施例中，所述参数更新公式，包括：

其中，

S5、返回步骤S3，直到所述学生检测模型收敛，得到目标检测模型。

本发明实施例通过重复步骤S3与步骤S4，直到所述学生检测模型收敛，即，所述学生检测模型中的损失函数不再下降，将此时的学生检测模型作为最终的目标检测模型。

S6、利用所述目标检测模型识别待检测图像包含的目标对象，得到检测结果。

本发明实施例中所述待检测图像可以是医疗影像，利用所述目标检测模型可以对医疗影像中的病灶进行初步检测，并获取病灶的位置。

详细地，所述利用所述目标检测模型识别待检测图像包含的目标对象，得到检测结果，包括：

通过所述目标检测模型的特征提取网络对所述待检测图像进行特征提取，得到特征图；

通过所述目标检测模型的分类网络对所述特征图进行分类和定位，得到目标是否存在目标对象的结果信息，以及当存在目标对象时获取到的目标对象的位置信息。

本发明实施例通过利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，在训练时通过计算热力图(heatmap)与各点位置的属性的损失可视作一种软阈值方式，能够有效地解决噪声在迭代中被放大的问题，并对检测框的大小进行一致性约束损失计算，可以区分较优的检测框的长与宽，提高目标检测的精确度；同时，根据所述对照参数对初始化后的所述老师检测模型进行更新，采用了半监督的训练算法，可以在标注数据较少的情况下提高模型的学习效率，有效提高模型检测结果的准确性。因此本发明提出的目标检测方法，可以解决目标检测模型标注数据量少时检测结果准确性较低的问题。

如图2所示，是本发明一实施例提供的目标检测装置的功能模块图。

本发明所述目标检测装置100可以安装于电子设备中。根据实现的功能，所述目标检测装置100可以包括数据获取模块101、模型初始化模块102、模型训练模块103和目标检测模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述数据获取模块101，用于获取训练数据集,其中,所述训练数据集包括标注数据和未标注数据。

本发明实施例中所述训练数据集是多个图像的集合,如医疗影像。

详细地，所述数据获取模块101具体用于：

从第一数据库中获取带有检测框和标签的图像，得到标注数据；

从第二数据库中获取未经过处理的图像，得到未标注数据；

将所述标注数据和未标注数据汇集，得到训练数据集。

其中，所述标注数据是指带有检测框和标签的图像集合，所述未标注数据则是不带有检测框和标签的图像集合。

可选地，所述训练数据集可以是医疗检测图像，为了进一步强调所述未标注数据的隐秘性和安全性，所述训练数据集还可以从一区块链的节点中获取。

所述模型初始化模块102，用于使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数，并利用所述训练参数对预构建的老师检测模型与学生检测模型进行初始化。

本发明实施例中所述预构建的原始检测模型是一种基于神经网络的目标检测模型，如CenterNet模型。所述老师检测模型与学生检测模型是基于Mean teacher算法构建的，由所述原始检测模型复制得到的模型。

详细地，在使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数时，所述模型初始化模块102具体执行下述操作：

获取预构建的原始检测模型；

利用所述原始检测模型对所述训练数据集中的标注数据进行目标检测，得到检测结果；

根据所述标注数据的标签和检测框计算所述检测结果的损失值；

根据所述损失值对所述原始检测模型的参数进行更新，得到训练参数。

详细地，所述利用所述训练参数对预构建的老师检测模型与学生检测模型进行初始化，包括：将预构建的老师检测模型中的原始参数替换为所述训练参数；将预构建的学生检测模型中的原始参数替换为所述训练参数。

所述模型训练模块103，用于利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数；

根据所述对照参数对初始化后的所述老师检测模型进行更新；

重复上述操作，直到所述学生检测模型收敛，得到目标检测模型。

详细地，在利用所述训练数据集对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数时，所述模型训练模块103具体执行下述操作：

对所述训练数据集进行增广处理，得到扩增数据集；

对所述扩增数据集进行扰动处理，得到扰动数据集；

将所述扰动数据集按照标注类和未标注类的数据分别输入所述学生检测模型中进行训练，得到预测检测结果；

将所述扰动数据集中未标注类的数据输入所述老师检测模型中进行目标检测，得到对照检测结果；

根据预设的损失函数和所述对照检测结果计算所述预测检测结果的监督损失和一致性约束，得到损失值；

根据所述损失值对所述学生检测模型进行反向传播更新，得到更新后的学生检测模型，并获取所述更新后的学生检测模型中的参数，得到对照参数。

进一步地，所述对所述训练数据集进行增广处理，得到扩增数据集，包括：

对所述训练数据集中的标注数据进行几何增广、序列增广和强度增广，得到标注类的扩增数据；

对所述训练数据集中的未标注数据进行序列增广，得到未标注类的扩增数据；

将所述标注类和所述未标注类的扩增数据汇集得到扩增数据集。

其中，所述序列增广是指对数据进行随机不同序列组合，如，数据集中包含五个序列，随机挑选五个序列，至少挑选一个，至多五个，共有31种序列组合的组合数据。

对数据进行增广处理可以增加训练数据集的数量，让数据集尽可能的多样化，使得训练的模型具有更强的泛化能力，提高模型的准确性。

进一步地，所述对所述扩增数据集进行扰动处理，得到扰动数据集，包括：

对所述扩增数据集中未标注类的扩增数据进行几何变换和强度变换，得到未标注类的扰动数据；

将所述未标注类的扰动数据加入扩增数据集中，得到扰动数据集。

其中，所述强度变换是指对图像进行亮度变换处理，即同样一张图片但不同亮度。

对数据进行强度变换与几何变换都是为了增加数据扰动(noise)，增加noise的图像其实还是原图像，得到的预测结果应该一致与原图像保持一致。

进一步地，所述根据预设的损失函数和对所述照检测结果计算所述预测检测结果的监督损失和一致性约束，得到损失值，包括：

对所述预测检测结果中的标注类的数据，根据预设的损失函数和所述训练数据集的标签计算监督损失，得到监督损失值；

对所述预测检测结果中的未标注类的数据，根据预设的损失函数和所述对照检测结果计算一致性约束，得到一致性约束值；

将所述监督损失值与所述一致性约束值合并，得到损失值。

本发明实施例中，所述损失函数如下：

其中，第一项为监督损失值，是根据所述学生检测模型输出的预测检测结果中标注类对应数据与训练数据集的标签进行损失函数计算后得到的，在本发明实施例中，为检测模型的三种损失，包含像素点中心预测热力图、各点位置的属性回归与偏差损失。第二项为一致性约束，包含两个MSE损失，是未标注类数据的像素点中心预测热力图与各点位置的属性回归损失。

进一步地，所述监督损失具体包括：

其中，L

其中，

其中，s

其中，

详细地，在根据所述对照参数对所述老师检测模型进行更新时，所述模型训练模块103具体执行下述操作：

获取所述老师检测模型的当前模型参数；

利用预设的参数更新公式对所述当前模型参数和所述对照参数进行计算，得到新参数；

使用所述新参数替换所述老师检测模型的当前模型参数。

本发明实施例中，所述参数更新公式，包括：

其中，

返回利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，直到所述学生检测模型收敛，即，所述学生检测模型中的损失函数不再下降，将此时的学生检测模型作为最终的目标检测模型。

所述目标检测模块104，用于利用所述目标检测模型识别待检测图像包含的目标对象，得到检测结果。

本发明实施例中所述待检测图像可以是医疗影像，利用所述目标检测模型可以对医疗影像中的病灶进行初步检测，并获取病灶的位置。

详细地，所述目标检测模块104具体用于：

通过所述目标检测模型的特征提取网络对所述待检测图像进行特征提取，得到特征图；

通过所述目标检测模型的分类网络对所述特征图进行分类和定位，得到目标是否存在目标对象的结果信息，以及当存在目标对象时获取到的目标对象的位置信息。

本发明实施例通过利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，在训练时通过计算热力图(heatmap)与各点位置的属性的损失可视作一种软阈值方式，能够有效地解决噪声在迭代中被放大的问题，并对检测框的大小进行一致性约束损失计算，可以区分较优的检测框的长与宽，提高目标检测的精确度；同时，根据所述对照参数对初始化后的所述老师检测模型进行更新，采用了半监督的训练算法，可以在标注数据较少的情况下提高模型的学习效率，有效提高模型检测结果的准确性。因此本发明提出的目标检测装置，可以解决目标检测模型标注数据量少时检测结果准确性较低的问题。

如图3所示，是本发明一实施例提供的实现目标检测方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如目标检测程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如目标检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如目标检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的目标检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

获取训练数据集,其中,所述训练数据集包括标注数据和未标注数据；

使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数，并利用所述训练参数对预构建的老师检测模型与学生检测模型进行初始化；

利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数；

根据所述对照参数对初始化后的所述老师检测模型进行更新；

返回利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新步骤，直到所述学生检测模型收敛，得到目标检测模型；

利用所述目标检测模型识别待检测图像包含的目标对象，得到检测结果。

具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取训练数据集,其中,所述训练数据集包括标注数据和未标注数据；

使用所述训练数据集中的标注数据对预构建的原始检测模型进行训练，得到训练参数，并利用所述训练参数对预构建的老师检测模型与学生检测模型进行初始化；

利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新，得到对照参数；

根据所述对照参数对初始化后的所述老师检测模型进行更新；

返回利用所述训练数据集和初始化后的所述老师检测模型对初始化后的所述学生检测模型进行训练与参数更新步骤，直到所述学生检测模型收敛，得到目标检测模型；

利用所述目标检测模型识别待检测图像包含的目标对象，得到检测结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。