一种用于细粒度分类的目标检测方法及设备技术

本发明专利技术公开了一种用于细粒度分类的目标检测方法及设备，涉及计算机视觉技术领域，用以解决现有技术中，目标检测时往往对目标图像的局部特征提取不够精细，或提取到不同细分类别的目标图像的局部特征间的区分度不够大，进而导致检测出的目标的类别不够细化的问题，本发明专利技术方法包括：获取目标的目标图像，通过预先构建的目标检测网络模型对所述目标图像进行目标检测，获得所述目标图像中目标的分类及位置，所述预先构建的目标检测网络模型中包括用于调整模型参数的分类损失函数，其中，构建目标检测网络模型过程中根据所述分类损失函数调整模型参数，使所述目标检测网络模型区分目标所属分类及同一类目标所属子分类。

A Target Detection Method and Equipment for Fine-grained Classification

The invention discloses a target detection method and equipment for fine-grained classification, which relates to the field of computer vision technology, and is used to solve the problem that in the prior art, the local features of target images are often not extracted precisely when the target detection is performed, or the difference between the local features of target images extracted from different subdivision categories is not large enough, thus resulting in insufficient categories of detected targets. The method of the invention includes: acquiring the target image of the target, detecting the target image through the pre-constructed target detection network model, obtaining the classification and location of the target in the target image, and the pre-constructed target detection network model includes the classification loss function for adjusting the model parameters, in which the target detection network is constructed. In the model process, the model parameters are adjusted according to the classification loss function, so that the target detection network model can distinguish the target classification from the subclassification of the same kind of target.

【技术实现步骤摘要】
一种用于细粒度分类的目标检测方法及设备
本专利技术涉及计算机视觉
，特别涉及一种用于细粒度分类的目标检测方法及设备。
技术介绍
随着计算机视觉技术和深度学习网络技术的发展，目标检测近年来已经取得了很重要的进展，目标检测主流的算法主要分为两个类型：(1)两阶段two-stage方法，如R-CNN(Region-basedConvolutionalNeuralNetworks)系算法，其主要思路是先通过启发式方法(selectivesearch)或者卷积神经网络CNN网络(RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归；(2)一阶段one-stage方法，如YoLo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归。细粒度检测识别关注点在于局部特征，对于一张图片，局部特征是很多的，怎么在众多的局部特征学习到有用的特征，这是一个难题。特别是在图片很少的情况下，很容易学到错误的特征，且上述目标检测中浅层的卷积核空间分辨率高，但是携带语义特征少，怎么将局部特征与语义特征相结合也是一个难点。即上述两种进行目标检测的方法，虽能在检测目标的同时输出目标的分类，但现实场景中，往往对目标图像的局部特征提取不够，或提取到不同细分类别的目标图像的局部特征间的区分度不够大，进而导致检测出的目标的类别不够细化，不能应用于某些对目标分类要求较高的场景中，如存在大量外表相似，但实际商品种类不同的商品的商品细分类、人脸识别、行人再识别、车辆识别等，且现有技术中，对目标进行细分类检测时，需要目标检测网络模型和目标细粒度分类模型两个模型，操作复杂，浪费资源。综上所述，现有技术中，目标检测时往往对目标图像的局部特征提取不够精细，或提取到不同细分类别的目标图像的局部特征间的区分度不够大，进而导致检测出的目标的类别不够细化的问题。
技术实现思路
本专利技术提供一种用于细粒度分类的目标检测方法及设备，用以解决现有技术中，目标检测时往往对目标图像的局部特征提取不够精细，或提取到不同细分类别的目标图像的局部特征间的区分度不够大，进而导致检测出的目标的类别不够细化的问题。第一方面，本专利技术提供一种用于细粒度分类的目标检测方法，该方法包括：获取目标的目标图像；通过预先构建的目标检测网络模型对所述目标图像进行目标检测，获得所述目标图像中目标的分类及位置，所述预先构建的目标检测网络模型中包括用于调整模型参数的分类损失函数，其中，构建目标检测网络模型过程中根据所述分类损失函数调整模型参数，使所述目标检测网络模型区分目标所属分类及同一类目标所属子分类。上述方法中，用能区分待检测的目标所属分类及同一类目标所属子分类的分类损失函数，替代现有技术中用于调整模型参数的损失函数，进而使提取到的不同细分类别的目标图像的局部特征间的区分度更大，以实现将上述外表相似的同一大类的目标进行子分类。在一种可能的实现方式中，所述目标检测网络模型包括用于获得所述目标图像中目标的分类的目标分类检测支路，以及用于获得所述目标图像中目标的位置的目标位置检测支路，所述分类损失函数为所述目标分类检测支路的损失函数。在一种可能的实现方式中，所述分类损失函数包括如下任意一个：度量学习损失函数N-pairloss；损失函数AMSoftmax；损失函数tripletloss；损失函数ContrastiveLoss；损失函数IIloss。上述方法中，用上述分类损失函数替代目标分类检测支路常规的损失函数，以根据目标分类检测支路的输出结果调整目标检测网络模型的模型参数，使训练的目标检测网络模型对外表相似的目标进行精确的更细的分类。在一种可能的实现方式中，所述预先构建的目标检测网络模型通过如下任一预设目标检测算法对所述目标图像进行目标检测：单发多盒探测器SSD算法；YOLO算法。在一种可能的实现方式中，还包括：在构建目标检测网络模型时，将用于训练的多个同一种类和/或不同同类目标的目标图像输入所述目标检测网络模型，获取所述目标检测网络模型的目标分类检测支路输出的每个目标对应的特征向量；利用所述分类损失函数，计算不同种类目标的特征向量间的偏离程度，和/或，计算同一种类目标的特征向量间的偏离程度；根据所述不同种类目标的特征向量间的偏离程度，和/或，同一种类目标的特征向量间的偏离程度，调整所述目标检测网络模型的模型参数至所述偏离程度达到预设要求。上述方法中，根据不同种类目标的特征向量间的偏离程度，和/或，计算同一种类目标的特征向量间的偏离程度，调整目标检测网络模型的模型参数，使训练的目标检测网络模型对目标的分类更精准。在一种可能的实现方式中，利用所述分类损失函数，计算不同种类目标的特征向量间的偏离程度，包括：将同一种类目标的特征向量集中到同一个特征向量集合，并确定该特征向量集合的中心特征向量；计算不同的特征向量集合的中心特征向量间的距离的方差。在一种可能的实现方式中，利用所述分类损失函数，计算同一种类目标的特征向量间的偏离程度，包括：将同一种类目标的特征向量集中到同一个特征向量集合，并确定该特征向量集合的中心特征向量；计算每个特征向量集合中不同的特征向量到该特征向量集合的中心特征向量的距离的方差。在一种可能的实现方式中，所述偏离程度达到预设要求，包括：同一种类目标的特征向量间的偏离程度小于预设最小偏离阈值；和/或不同种类目标的特征向量间的偏离程度大于预设最大偏离阈值。在一种可能的实现方式中，所述偏离程度达到预设要求，包括：每个特征向量集合中不同的特征向量到该特征向量集合的中心特征向量的距离的方差小于预设最小距离方差；和/或不同的特征向量集合的中心特征向量间的距离的方差大于预设最大距离方差。上述方法中，通过增大不同种类的特征向量之间的距离，减小同类目标的特征向量间的距离，来增大不同类目标的特征的区分度以及减小同类目标的特征的区分度进行目标检测网络模型的训练，进而在用目标检测网络模型识别目标时，进而能快速准确的区分出同类和/或异类目标。在一种可能的实现方式中，所述偏离程度达到预设要求，包括：每个特征向量集合中不同的特征向量到该特征向量集合的中心特征向量的距离的方差小于预设最小距离方差；和/或不同的特征向量集合的中心特征向量间的距离的方差大于预设最大距离方差。在一种可能的实现方式中，该方法应用于人脸识别、人/物再识别、商品细分类或车辆识别。当本申请的方法应用于人脸识别时，能提升人脸识别的准确性；应用于人/物再识别时，能对上述人/物进行进一步的分类；应用于商品细分类或车辆识别时，能对上述商品/车辆进行更细致的分类，如识别出上述商品/车辆所属厂家、厂家产品系列及其厂家产品系列下属细分类。第二方面，本专利技术提供一种用于细粒度分类的目标检测的设备，该设备包括处理器和存储器，其中，所述存储器存储可执行程序代码，当所述程序代码被执行时，使得所述处理器执行上述本专利技术第一方面提供的方法。第三方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现第一方面所述方法的步骤。另外，第二方面和第三方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。附图说明为了更清楚地说明本专利技术本文档来自技高网...

【技术保护点】
1.一种用于细粒度分类的目标检测方法，其特征在于，该方法包括：获取目标的目标图像；通过预先构建的目标检测网络模型对所述目标图像进行目标检测，获得所述目标图像中目标的分类及位置，所述预先构建的目标检测网络模型中包括用于调整模型参数的分类损失函数，其中，构建目标检测网络模型过程中根据所述分类损失函数调整模型参数，使所述目标检测网络模型区分目标所属分类及同一类目标所属子分类。

【技术特征摘要】
1.一种用于细粒度分类的目标检测方法，其特征在于，该方法包括：获取目标的目标图像；通过预先构建的目标检测网络模型对所述目标图像进行目标检测，获得所述目标图像中目标的分类及位置，所述预先构建的目标检测网络模型中包括用于调整模型参数的分类损失函数，其中，构建目标检测网络模型过程中根据所述分类损失函数调整模型参数，使所述目标检测网络模型区分目标所属分类及同一类目标所属子分类。2.如权利要求1所述的方法，其特征在于，所述目标检测网络模型包括用于获得所述目标图像中目标的分类的目标分类检测支路，以及用于获得所述目标图像中目标的位置的目标位置检测支路，所述分类损失函数为所述目标分类检测支路的损失函数。3.如权利要求1所述的方法，其特征在于，所述分类损失函数包括如下任意一个：度量学习损失函数N-pairloss；损失函数AMSoftmax；损失函数tripletloss；损失函数ContrastiveLoss；损失函数IIloss。4.如权利要求1所述的方法，其特征在于，所述预先构建的目标检测网络模型通过如下任一预设目标检测算法对所述目标图像进行目标检测：单发多盒探测器SSD算法；YOLO算法。5.如权利要求2所述的方法，其特征在于，还包括：在构建目标检测网络模型时，将用于训练的多个同一种类和/或不同同类目标的目标图像输入所述目标检测网络模型，获取所述目标检测网络模型的目标分类检测支路输出的每个目标对应的特征向量；利用所述分类损失函数，计算不同种类目标的特征向量间的偏离程度，和/或，计算同一种类目标的特征向量间的偏离程度；根据所述不同种类目标的特征向量间的偏离程度，和/或，同一种类目标的特征向量间的偏离程度，调整所...

【专利技术属性】
技术研发人员：陈海波，
申请(专利权)人：深兰科技上海有限公司，
类型：发明
国别省市：上海,31