图像检测方法以及装置、设备、存储介质制造方法及图纸

本申请公开了一种图像检测方法以及装置、设备、存储介质。该方法包括输入图像至预设检测模型；在所述预设检测模型中采用尺度限定进行目标信息的预测，所述尺度限定用于对预测层的最小长宽预测进行尺度限定；在所述预设检测模型中采用改进的center‑ness分支进行预测信息的筛选，所述改进的center‑ness分支用于降低边缘检测敏感性；通过所述预设检测模型输出检测结果，其中所述检测结果中包括至少一个目标位置和类别信息。本申请解决了图像检测方法的检测效果不佳的技术问题。通过本申请提升了目标检测性能。

Image detection method, device, equipment and storage medium

【技术实现步骤摘要】
图像检测方法以及装置、设备、存储介质
本申请涉及图像检测领域，具体而言，涉及一种图像检测方法以及装置、设备、存储介质。
技术介绍
深度学习方法已经广泛地应用于计算机视觉领域，尤其是较为基础的目标检测领域。虽然使用Anchor的方法取得了很先进的结果，但是Anchor的不灵活，设置复杂，数量庞大等缺点，限制了其进一步发展。无Anchor的目标检测算法也主要分为两类：一类基于关键点检测，另一类基于语义分割。基于关键点检测模型往往需要很庞大的关键点检测网络作为骨干网络才能达到较好的检测效果，这导致需要很大的资源来保证足够多的批量使得模型收敛，同时训练和推理速度都很慢。基于语义分割的模型虽然在资源和速度上的具有优势，但是仍然存在边缘区域检测敏感性的问题。针对相关技术中图像检测方法的检测效果不佳的问题，目前尚未提出有效的解决方案。
技术实现思路
本申请的主要目的在于提供一种图像检测方法以及装置、设备、存储介质，以解决图像检测方法的检测效果不佳的问题。为了实现上述目的，根据本申请的一个方面，提供了一种图像检测方法本文档来自技高网...

【技术保护点】
1.一种图像检测方法，其特征在于，包括：/n输入图像至预设检测模型；/n在所述预设检测模型中采用尺度限定进行目标信息的预测，所述尺度限定用于对预测层的最小长宽预测进行尺度限定；/n在所述预设检测模型中采用改进的center-ness分支进行预测信息的筛选，所述改进的center-ness分支用于降低边缘检测敏感性；/n通过所述预设检测模型输出检测结果，其中所述检测结果中包括至少一个目标位置和类别信息。/n

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：
输入图像至预设检测模型；
在所述预设检测模型中采用尺度限定进行目标信息的预测，所述尺度限定用于对预测层的最小长宽预测进行尺度限定；
在所述预设检测模型中采用改进的center-ness分支进行预测信息的筛选，所述改进的center-ness分支用于降低边缘检测敏感性；
通过所述预设检测模型输出检测结果，其中所述检测结果中包括至少一个目标位置和类别信息。


2.根据权利要求1所述的图像检测方法，其特征在于，所述预设检测模型为增强无Anchor的FCOS检测模型。


3.根据权利要求1所述的图像检测方法，其特征在于，在所述预设检测模型中采用改进的center-ness分支进行预测信息的筛选包括：
计算改进的center-ness分值的目标值；
将目标值大于0的点作为正样本预测点送入置信度和回归损失函数；
否则，作为负样本预测点送入置信度损失函数。


4.根据权利要求1所述的图像检测方法，其特征在于，在所述预设检测模型中采用尺度限定进行目标信息的预测包括：
将目标宽高的最小值进行限定，使得目标落入合理的检测层进行预测，其中合理的检测层是指，不会由于宽高比过大或者过小造成检测失效。


5.根据权利要求1所述的图像检测方法，其特征在于，在所述预设检测模型中的多尺度预测模块，用于通过第一分支预...

【专利技术属性】
技术研发人员：王成，郑晨斌，俞益洲，
申请(专利权)人：北京深睿博联科技有限责任公司，杭州深睿博联科技有限公司，
类型：发明
国别省市：北京;11