本发明涉及一种基于神经网络的目标检测方法和装置，获取初始训练样本集，基于预设的分类模型以及损失预测模型，获取各初始样本对应的第一损失预测结果，并根据第一损失预测结果，从各初始样本中筛选出目标样本，各目标样本构成目标训练样本集，对目标训练样本集进行标注，得到标注数据，将训练样本集和标注数据输入至预设神经网络中进行训练，得到目标检测模型，根据目标检测模型进行目标检测。相较于人工获取的方式，本发明提供的目标检测方法节约时间，无需投入人力，而且，能够降低其中存在的质量较差或者毫不相关的样本个数，进而提升后续训练得到的网络模型的检测性能，最终提升检测结果。

 本发明涉及一种基于神经网络的目标检测方法和装置。

本发明的有益效果为：先获取初始训练样本集，初始训练样本集包括至少两个初始样本，然后并非直接根据初始训练样本集进行标注以及后续的网络训练，而是先基于预设的分类模型以及损失预测模型获取各初始样本对应的第一损失预测结果，然后，根据第一损失预测结果，从各初始样本中筛选出目标样本，各目标样本构成目标训练样本集，即从各初始样本中筛选出符合要求的目标样本，对目标训练样本集进行标注，得到标注数据，将训练样本集和标注数据输入至预设神经网络中进行训练，得到目标检测模型，最后根据目标检测模型进行目标检测。因此，本发明提供的基于神经网络的目标检测方法中的训练样本集的获取方式为自动获取，相较于人工获取的方式，节约时间，无需投入人力，而且，通过预设的分类模型以及损失预测模型，从各初始样本中筛选出目标样本，能够降低其中存在的质量较差或者毫不相关的样本个数，进而提升后续训练得到的网络模型的检测性能，最终提升检测结果。

目前，基于神经网络的数据处理方法的应用越来越广泛，比较主流的神经网络包括深度神经网络DNN(Deep Neural Network)、卷积神经网络CNN(Convolutional Neural Networks)、循环神经网RNN(Recurrent Neural Networks)和基于注意力机制的Transformer模型。比较主流的基于神经网络的数据处理方法为基于神经网络的目标检测方法，在不同应用场景中目标是不同的，可以为缺陷检测方法、故障检测方法等等。基于神经网络的目标检测方法的第一步均为获取训练样本集，训练样本集包括多个样本数据，比如样本图像。然而，目前的训练样本集的获取方式为人工获取的方式，费时费力，而且，可能存在质量较差或者毫不相关的样本数据，进而影响后续训练得到的网络模型的检测性能，最终影响检测结果。