目标检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种目标检测方法、装置、计算机设备和存储介质。其中，该方法包括：对待检测图像进行多尺度特征提取，得到多个不同尺度的特征图；确定多个不同尺度的特征图中空间分辨率符合预设条件的目标特征图；对目标特征图进行降维，得到降维后的目标特征图；将降维后的目标特征图输入全连接网络，得到层级信息特征；根据多个不同尺度的特征图和层级信息特征进行目标检测，得到待检测图像中目标的类别信息和位置信息。本申请通过在目标检测过程中添加层级信息特征，可有效改善分类特征，从而提高了目标检测的准确性。

Target detection method, device, computer equipment and storage medium

【技术实现步骤摘要】
目标检测方法、装置、计算机设备和存储介质
本申请涉及图像数据处理
，特别是涉及一种目标检测方法、装置、计算机设备和存储介质。
技术介绍
随着人工智能技术的发展，目标检测作为计算机视觉中最基本和首要的任务之一，广泛应用于工业界和日常生活的各个方面，例如自动驾驶、安防监控以及游戏娱乐等领域。传统技术中，目标检测方法先通过卷积神经网络来预测边界框，然后再通过一次神经网络对该边界框进行微调以进一步改善边界框的质量，由此提高了边界框的精确性。然而，采用传统的目标检测方法，在对边界框中的目标进行检测时，准确性较低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高目标检测准确性的目标检测方法、装置、计算机设备和存储介质。一种目标检测方法，所述方法包括：对待检测图像进行多尺度特征提取，得到多个不同尺度的特征图；确定所述多个不同尺度的特征图中空间分辨率符合预设条件的目标特征图；对所述目标特征图进行降维，得到降维后的目标特征图；将所述降维后的目标特征图输入全连接网络，得到层级信息特征；根据所述多个不同尺度的特征图和所述层级信息特征进行目标检测，得到所述待检测图像中目标的类别信息和位置信息。在其中一个实施例中，对所述目标特征图进行降维，得到降维后的目标特征图，包括：对所述目标特征图进行全局最大池化，得到第一池化特征；对所述目标特征图进行全局平均池化，得到第二池化特征；将所述第一池化特征和所述第二池化特征相加或拼接，得到所述降维后的目标特征图。在其中一个实施例中，根据所述多个不同尺度的特征图和所述层级信息特征进行目标检测，得到所述待检测图像中目标的类别信息和位置信息，包括：根据所述多个不同尺度的特征图和所述层级信息特征，得到层级信息特征图；在所述层级信息特征图中确定候选区域，对所述候选区域进行池化操作以提取所述待检测图像中目标的特征；将所述待检测图像中目标的特征输入全连接网络，得到所述待检测图像中目标的类别信息和位置信息。在其中一个实施例中，根据所述多个不同尺度的特征图和所述层级信息特征，得到层级信息特征图，包括：将所述多个不同尺度的特征图和所述层级信息特征进行融合，得到层级信息特征图。在其中一个实施例中，所述层级信息特征包括层级类别。在其中一个实施例中，将所述降维后的目标特征图输入全连接网络，得到层级信息特征，包括：对所述降维后的目标特征图进行全连接，得到多维度向量；根据所述多维度向量中的元素，确定每一类别的置信度分数；选取置信度分数符合预设条件的类别，确定为所述层级类别。在其中一个实施例中，确定所述多个不同尺度的特征图中空间分辨率符合预设条件的目标特征图，包括：选取所述多个不同尺度的特征图中空间分辨率最小的特征图，确定为目标特征图。一种目标检测装置，所述装置包括：特征图提取模块，用于对待检测图像进行多尺度特征提取，得到多个不同尺度的特征图；特征图确定模块，用于确定所述多个不同尺度的特征图中空间分辨率符合预设条件的目标特征图；特征图降维模块，用于对所述目标特征图进行降维，得到降维后的目标特征图；特征图输入模块，用于将所述降维后的目标特征图输入全连接网络，得到层级信息特征；目标检测模块，用于根据所述多个不同尺度的特征图和所述层级信息特征进行目标检测，得到所述待检测图像中目标的类别信息和位置信息。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：对待检测图像进行多尺度特征提取，得到多个不同尺度的特征图；确定所述多个不同尺度的特征图中空间分辨率符合预设条件的目标特征图；对所述目标特征图进行降维，得到降维后的目标特征图；将所述降维后的目标特征图输入全连接网络，得到层级信息特征；根据所述多个不同尺度的特征图和所述层级信息特征进行目标检测，得到所述待检测图像中目标的类别信息和位置信息。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：对待检测图像进行多尺度特征提取，得到多个不同尺度的特征图；确定所述多个不同尺度的特征图中空间分辨率符合预设条件的目标特征图；对所述目标特征图进行降维，得到降维后的目标特征图；将所述降维后的目标特征图输入全连接网络，得到层级信息特征；根据所述多个不同尺度的特征图和所述层级信息特征进行目标检测，得到所述待检测图像中目标的类别信息和位置信息。上述目标检测方法、装置、计算机设备和存储介质，首先对提取的特征图进行降维，然后将降维后的特征图输入全连接网络以得到层级信息特征，最后基于层级信息特征和提取的特征图实现目标检测任务。通过在目标检测过程中添加层级信息特征，可有效改善分类特征，从而提高了目标检测的准确性。附图说明图1为一个实施例中目标检测方法的应用环境图；图2为一个实施例中目标检测方法的流程示意图；图3为一个实施例中对目标特征图进行降维的补充方案的流程示意图；图4为一个实施例中根据多个不同尺度的特征图和层级信息特征进行目标检测的补充方案的流程示意图；图5为一个实施例中将降维后的目标特征图输入全连接网络的补充方案的流程示意图；图6为一个实施例中目标检测装置的结构框图；图7为一个实施例中计算机设备的内部结构图；图8为另一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的目标检测方法，可以应用于如图1所示的应用环境中。其中，在特征金字塔网络20的最高层上添加层级分类模型10。在该层级分类模型10中，包括池化网络102、全连接网络(FC)104和损失函数(Loss)106。可选地，池化网络102包括全局平均池化层(GAP)和全局最大池化层(GMP)。特征金字塔网络20提取的特征输入至R-CNN网络中，得到目标检测结果。在一示例性实施例中，图1所示的应用环境可设置于终端，可以理解的是，该应用环境也可以设置于服务器，还可以设置于包括终端和服务器的系统，并通过终端和服务器的交互实现。在一示例性实施例中，如图2所示，提供了一种目标检测方法，该方法具体可以通过以下步骤实现：步骤S202，对待检测图像进行多尺度特征提取，得到多个不同尺度的特征图。具体地，首先先获取待检测图像，并将该待检测图像输入卷积神经网络，以通过该卷积神经网络对待检测图像进行多次卷积操作以实现多尺度特征提取，得到多个不同尺度的特征图。这些不同尺度的特征图按照尺度大小排序后可构成特征金字塔。其中，在该特征金字塔中，位于本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，所述方法包括：/n对待检测图像进行多尺度特征提取，得到多个不同尺度的特征图；/n确定所述多个不同尺度的特征图中空间分辨率符合预设条件的目标特征图；/n对所述目标特征图进行降维，得到降维后的目标特征图；/n将所述降维后的目标特征图输入全连接网络，得到层级信息特征；/n根据所述多个不同尺度的特征图和所述层级信息特征进行目标检测，得到所述待检测图像中目标的类别信息和位置信息。/n

【技术特征摘要】
1.一种目标检测方法，其特征在于，所述方法包括：
对待检测图像进行多尺度特征提取，得到多个不同尺度的特征图；
确定所述多个不同尺度的特征图中空间分辨率符合预设条件的目标特征图；
对所述目标特征图进行降维，得到降维后的目标特征图；
将所述降维后的目标特征图输入全连接网络，得到层级信息特征；
根据所述多个不同尺度的特征图和所述层级信息特征进行目标检测，得到所述待检测图像中目标的类别信息和位置信息。


2.根据权利要求1所述的方法，其特征在于，对所述目标特征图进行降维，得到降维后的目标特征图，包括：
对所述目标特征图进行全局最大池化，得到第一池化特征；
对所述目标特征图进行全局平均池化，得到第二池化特征；
将所述第一池化特征和所述第二池化特征相加或拼接，得到所述降维后的目标特征图。


3.根据权利要求1所述的方法，其特征在于，根据所述多个不同尺度的特征图和所述层级信息特征进行目标检测，得到所述待检测图像中目标的类别信息和位置信息，包括：
根据所述多个不同尺度的特征图和所述层级信息特征，得到层级信息特征图；
在所述层级信息特征图中确定候选区域，对所述候选区域进行池化操作以提取所述待检测图像中目标的特征；
将所述待检测图像中目标的特征输入全连接网络，得到所述待检测图像中目标的类别信息和位置信息。


4.根据权利要求3所述的方法，其特征在于，根据所述多个不同尺度的特征图和所述层级信息特征，得到层级信息特征图，包括：
将所述多个不同尺度的特征图和所述层级信息特征进行融合，得到层级信息特征图。


5.根据权利要求1-...

【专利技术属性】
技术研发人员：赵博睿，魏秀参，陈钊民，
申请(专利权)人：南京旷云科技有限公司，徐州旷视数据科技有限公司，北京迈格威科技有限公司，
类型：发明
国别省市：江苏;32