一种目标检测方法、装置及存储介质制造方法及图纸

本申请公开了一种目标检测方法、装置及存储介质，所述方法包括：获取待检测图像；基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果，基于误检筛查模型对所述第一目标检测结果进行误检筛查，得到第二目标检测结果，其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，且所述误检筛查模型包括一个或多个级联的误检筛查子模型。利用本申请提供的技术方案可以能够弥补目标检测模型的不足，过滤第一目标检测结果中的假阳性结果，提升目标检测结果的准确性，使得目标检测更加可靠。

【技术实现步骤摘要】
一种目标检测方法、装置及存储介质
本专利技术涉及图像处理
，具体涉及一种目标检测方法、装置及存储介质。
技术介绍
目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术进行目标检测的研究越来越热门，目标检测在智能化交通系统、智能监控系统、军事目标检测及医学图像中病灶的检测定位等方面都具有广泛的应用价值。目标检测任务中训练集的正负样本筛选对于训练出来的深度学习模型性能的影响非常大，样本不平衡、困难样本的挖掘都是影响模型性能好坏的重要因素。传统的目标检测任务中训练集和验证集的正负样本，都是基于与金标准重合度大于或小于一定阈值的检测框而筛选出来的，但是通过这样筛选出来的正负样本训练出来的模型还是会经常出现一些问题，如出现假阳性的情况。现有技术中筛选训练样本的方法有OnlineHardExampleMining(在线难例挖掘算法)的方法，核心思想是筛选出一些困难样本作为训练样本从而改善检测模型的效果，其中困难样本指的是有多样性和高损失的样本。困难样本是根据每个ROI(感兴趣区域)的损失来选择的，选择损失最大的一些感兴趣区域作为候选区域。这个方法能在一定程度上提升模型的性能，但是并不是对所有种类的假阳性结果都有效，针对性不够强，使得到的目标检测的结果不够准确，因此需要提供更加可靠的方案。
技术实现思路
为了解决现有技术的问题，本专利技术提供了一种目标检测方法、装置、计算机设备及存储介质。所述技术方案如下：本申请一方面提供了一种目标检测方法，所述方法包括：获取待检测图像；基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果；基于误检筛查模型对所述第一目标检测结果进行误检筛查，得到第二目标检测结果；其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，且所述误检筛查模型包括一个或多个级联的误检筛查子模型。本申请另一方面提供了另一种目标检测方法，所述方法包括：获取待检测图像；基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果；基于误检筛查模型对所述待检测图像进行目标检测，得到第三目标检测结果；确定所述第一目标检测结果与所述第三目标检测结果的交集；将所述第一目标检测结果与所述第三目标检测结果的交集作为误检筛查后的目标检测结果；其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的。本申请另一方面提供了一种目标检测装置，所述装置包括：第一图像获取模块，用于获取待检测图像；第一目标检测模块，用于基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果；第一误检筛查模块，用于基于误检筛查模型对所述第一目标检测结果进行误检筛查，得到第二目标检测结果，其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，且所述误检筛查模型包括一个或多个级联的误检筛查子模型。本申请另一方面提供了另一种目标检测装置，所述装置包括：第二图像获取模块，用于获取待检测图像；第二目标检测模块，用于基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果；第二误检筛查模块，用于基于误检筛查模型对所述待检测图像进行目标检测，得到第三目标检测结果，其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的；交集确定模块，用于确定所述第一目标检测结果与所述第三目标检测结果的交集；检测结果确定模块，用于将所述第一目标检测结果与所述第三目标检测结果的交集作为误检筛查后的目标检测结果。本申请另一方面提供了一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现上述的一种目标检测方法。本申请另一方面提供了另一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现上述的另一种目标检测方法。本申请另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现上述的目标检测方法。本申请实施例提供的目标检测方法、装置、设备及存储介质，具有如下技术效果：本申请实施例通过获取待检测图像；基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果，灵活方便且速度较快，通过基于误检筛查模型对所述第一目标检测结果进行误检筛查，得到第二目标检测结果，其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，能够筛选出具有独特的特征的负样本，得到对模型帮助最大的负样本从而训练出更有针对性的误检筛查模型，提升误检筛查模型的性能，解决较为典型的假阳性问题；且所述误检筛查模型包括一个或多个级联的误检筛查子模型，能够在进行目标检测时一层一层地滤除假阳性结果，有利于提升误检筛查的准确性，使得目标检测的结果更加可靠。另一种目标检测方法，通过获取待检测图像，基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果，速度较快且灵活；基于误检筛查模型对所述待检测图像进行目标检测，得到第三目标检测结果，确定所述第一目标检测结果与所述第三目标检测结果的交集，将所述第一目标检测结果与所述第三目标检测结果的交集作为误检筛查后的目标检测结果，其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，能够筛选出具有独特的特征的负样本，解决较为典型的假阳性问题，且有利于后续提升目标检测的检出率。本申请实施例的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。图1是本申请实施例提供的一种目标检测方法的流程图；图2是本申请实施例提供的一种目标检测模型的训练方法的流程图；图3是本申请实施例提供的当所述误检筛查模型包括两个级联的误检筛查子模型时，所述基于误检筛查模型对所述待检测图像进行目标检测的应用示意图；图4是本申请实施例提供的一种误检筛查模型的训练方法的流程图；图5是本申请实施例提供的另一种误检筛查模型的训练方法的流本文档来自技高网...

【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获取待检测图像；/n基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果；/n基于误检筛查模型对所述第一目标检测结果进行误检筛查，得到第二目标检测结果；/n其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，且所述误检筛查模型包括一个或多个级联的误检筛查子模型。/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：
获取待检测图像；
基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果；
基于误检筛查模型对所述第一目标检测结果进行误检筛查，得到第二目标检测结果；
其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，且所述误检筛查模型包括一个或多个级联的误检筛查子模型。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取样本验证集；
基于所述目标检测模型对所述样本验证集进行目标检测，确定第一误检结果；
对所述第一误检结果进行聚类处理，得到误检筛查负样本；
基于所述误检筛查负样本对第一神经网络模型进行误检筛查训练，在误检筛查的训练中调整所述第一神经网络模型的模型参数至所述第一神经网络模型的第一损失函数满足第一收敛条件；
将当前的第一神经网络模型作为所述误检筛查模型。


3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在对所述第一误检结果进行聚类处理之后，基于预设配置信息和/或所述第一误检结果中各类别的平均置信度进行权重配置，将权重配置后的所述第一误检结果作为所述误检筛查负样本。


4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在对所述第一误检结果进行聚类处理之后，确定第一聚类误检结果；
获取样本训练集；
基于所述目标检测模型对所述样本训练集进行目标检测，确定补充样本误检结果；
对所述第一聚类误检结果及所述补充样本误检结果进行聚类处理，得到补充聚类样本；
将所述补充聚类样本作为所述误检筛查负样本。


5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取样本待检测图像及对应的目标标注结果；
基于所述样本待检测图像及对应的目标标注结果对第二神经网络模型进行目标检测的训练，在目标检测的训练中调整所述第二神经网络模型的模型参数至所述第二神经网络模型的第二损失函数满足第二收敛条件；
将当前的第二神经网络模型作为所述目标检测模型。


6.一种目标检测方法，其特征在于，所述方法包括：
获取待检测图像；
基于目标检测...

【专利技术属性】
技术研发人员：姚广，高耀宗，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31