【技术实现步骤摘要】
一种物体检测模型的特征提取方法、装置、设备及介质
本申请涉及计算机
，尤其涉及一种物体检测模型的特征提取方法、装置、设备及介质。
技术介绍
深度学习物体检测模型框架，例如SSD、FasterR-CNN、YOLO等，都可分为特征提取网络和检测网络。特征提取网络对原始输入的图像进行学习，得到一系列的抽象特征。检测网络对不同层级的特征进行检测对象的位置回归和类别分类。现有的深度学习物体检测模型中，特征提取网络特征提取的效果不好，容易出现信息的缺失。
技术实现思路
有鉴于此，本申请实施例提供了一种物体检测模型的特征提取方法、装置、设备及介质，用于解决现有的特征提取网络特征提取的效果不好的问题。本申请实施例采用下述技术方案：本申请实施例提供一种物体检测模型的特征提取方法，所述方法包括：将待检测的图像输入至预先建立的特征检测模型，其中，所述特征检测模型包括深度卷积网络、第一特征金字塔网络、第二特征金字塔网络以及物体检测网络，所述第一特征金字塔网络根据所述深度卷积网络构建网络结构，...
【技术保护点】
1.一种物体检测模型的特征提取方法，其特征在于，所述方法包括：/n将待检测的图像输入至预先建立的特征检测模型，其中，所述特征检测模型包括深度卷积网络、第一特征金字塔网络、第二特征金字塔网络以及物体检测网络，所述第一特征金字塔网络根据所述深度卷积网络构建网络结构，所述第一特征金字塔网络与预先获取的所述第二特征金字塔网络融合得到所述物体检测网络；/n根据所述特征提取模型的物体检测网络提取出所述待检测的图像对应的特征。/n
【技术特征摘要】
1.一种物体检测模型的特征提取方法，其特征在于，所述方法包括：
将待检测的图像输入至预先建立的特征检测模型，其中，所述特征检测模型包括深度卷积网络、第一特征金字塔网络、第二特征金字塔网络以及物体检测网络，所述第一特征金字塔网络根据所述深度卷积网络构建网络结构，所述第一特征金字塔网络与预先获取的所述第二特征金字塔网络融合得到所述物体检测网络；
根据所述特征提取模型的物体检测网络提取出所述待检测的图像对应的特征。
2.根据权利要求1所述的物体检测模型的特征提取方法，其特征在于，所述将待检测的图像输入至预先建立的特征检测模型之前，所述方法还包括：
将所述深度卷积网络的特征层作为输入，根据预先设定方式构建所述第一特征金字塔网络。
3.根据权利要求2所述的物体检测模型的特征提取方法，其特征在于，所述将所述深度卷积网络的特征层作为输入，根据预先设定方式构建所述第一特征金字塔网络，具体包括：
将所述深度卷积网络的特征层作为输入；
对所述深度卷积网络最后一层的特征进行分离卷积变换，输出所述第一特征金字塔网络的第一层；
对所述第一特征金字塔网络第一层的特征进行卷积变换，输出第一特征层；
对所述深度卷积网络倒数第二层的特征进行分离卷积变变换，输出第二特征层；
将所述第一特征层与所述第二特征层相加，得到所述第一特征金字塔网络的第二层；
对于所述第一特征金字塔网络的其余层，对所述第一特征金字塔网络上一层的特征进行卷积变换，输出第三特征层，并对所述深度卷积网络对应层的特征进行分离卷积变换，输出第四特征层，将所述第三特征层与所述第四特征层相加，得到所述第一特征金字塔网络的其余层。
4.根据权利要求3所述的物体检测模型的特征提取方法，其特征在于，所述第一特征金字塔网络的层数设置有至少三层。
5.根据权利要求2所述的物体检测模型的特征提取方法，其特征在于，所述第一特征金字塔网络的结构为多层特征层自下而上连接；所述第二特征金字塔网络的结构为多层特征层自上而下连接。
6.根据权利要求5所述的物体检测模型的特征提取方法，其特征在于，所述将所述深度卷积网络的特征层作为输入，根据预先设定方式构建所述第一特征金字塔网络之后，所述方法还包括：
将所述第一特征金字塔网络或所述第二特征金字塔网络的结构倒置，再将所述第一特征金字塔网络与所述第二特征金字塔网络进行特征融合，得到所述物体检测网络。
...
【专利技术属性】
技术研发人员：高岩，高明，郝虹，凌泽乐，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。