一种目标检测方法、装置以及计算机可读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、装置以及计算机可读存储介质，该目标检测方法包括：获取待检测图像，并获取待检测图像中目标的框特征；从预存的框缓存特征中提取与目标的类型对应的框缓存特征，其中，框缓存特征标识预测点与真实目标边框的距离信息；基于目标的框特征以及框缓存特征计算目标最终目标框的位置和大小。上述方案，能够提高目标检测的准确性。

【技术实现步骤摘要】
一种目标检测方法、装置以及计算机可读存储介质
本申请涉及图像处理与人工智能
，特别是涉及一种目标检测方法、装置以及计算机可读存储介质。
技术介绍
随着CNN的发展，出现了许多目标检测算法。这些基于CNN的目标检测算法虽然能够达到很高的检测精度，但都需要依靠大量物体级标记(对每个目标画出目标框)的样本进行训练上的支持。并且，对于不同的检测任务，需要构建完全不同的数据库进行训练。在实际应用中，获取大量的训练样本有时需要耗费大量的人力和时间成本，有时则是完全无法达到的。这已经成了应用基于CNN的目标检测算法的瓶颈。为了解决物体级标记难以获得的问题，基于弱监督学习的目标检测算法应运而生。这类算法同样基于CNN，但不同的是在训练过程中不再使用物体级的标签，而是使用图像级标签(只对图像内是否存在目标进行标注)。一方面，在进行人工标注时，进行图像级标注的难度远远低于物体级标注，能够以更高的效率构建训练数据集。另一方面，由于搜索引擎的存在，人们甚至可以轻而易举地通过网络获取带有特定图像级标注的样本，进一步削减了构建数据集的工作量。然而，在现有的深度学习目标检测技术下，其首先需要在大量的人工精细标注（类别及位置）的数据上进行神经网络的训练才能得到更高精度的网络模型，人工标注费耗人力，怎么样在稀疏的标注下得到更优的网络模型成为技术瓶颈。
技术实现思路
本申请至少提供一种目标检测方法、装置以及计算机可读存储介质。本申请第一方面提供了一种目标检测方法，所述目标检测方法包括：获取待检测图像，并获取所述待检测图像中目标的框特征；从预存的框缓存特征中提取与所述目标的类型对应的框缓存特征，其中，所述框缓存特征标识预测点与真实目标边框的距离信息；基于所述目标的框特征以及所述框缓存特征计算所述目标最终目标框的位置和大小。其中，所述方法还包括：获取多张待训练图像，将多张所述待训练图像输入预设神经网络进行训练，得到所述待训练图像的预测点；基于所述预测点以及标注的真实目标边框，得到框特征；对多张所述待训练图像的框特征进行更新，得到所述框缓存特征。其中，所述对多张所述待训练图像的框特征进行更新，得到框缓存特征的步骤，包括：获取上一张待训练图像的框特征，以及当前张待训练图像的框特征；将所述上一张待训练图像的框特征和所述当前张待训练图像的框特征按照第一预设更新权重叠加，得到所述框缓存特征。其中，所述从预存的框缓存特征中提取与所述目标的类型对应的框缓存特征之前，所述方法还包括：基于预存的类缓存特征、所述目标的类特征以及所述目标的第一分类置信度计算所述目标的第二分类置信度；基于所述第二分类置信度确定所述目标的类型。其中，所述方法还包括：基于所述目标的框特征计算所述目标的中心度；获取所述目标参考所述中心度后的分类置信度作为所述第一分类置信度。其中，所述基于预存的类缓存特征、所述目标的类特征以及所述目标的第一分类置信度计算所述目标的第二分类置信度之前，所述方法还包括：获取多张待训练图像，将多张所述待训练图像输入预设神经网络进行训练，得到所述待训练图像的特征图；基于所述特征图提取与标注的目标对应的的类特征；对多张所述待训练图像的类特征进行更新，得到所述类缓存特征。其中，所述对多张所述待训练图像的类特征进行更新，得到类缓存特征的步骤，包括：获取上一张待训练图像的类特征，以及当前张待训练图像的类特征；将所述上一张待训练图像的类特征和所述当前张待训练图像的类特征按照第二预设更新权重叠加，得到所述类缓存特征。其中，所述获取待检测图像的步骤之后，所述目标检测方法还包括：将所述待检测图像经过归一化处理以及按照固定尺寸缩放处理；获取处理后的所述待检测图像的框特征。其中，所述获取所述待检测图像中目标的框特征的步骤，包括：将所述待检测图像输入主干网络，获取所述主干网络输出的预测点；回归出所述预测点与标注的真实目标边框的距离，得到所述框特征；其中，所述主干网络为ResNet50、VGG16、ResNext34中的一种神经网络。本申请第二方面提供了一种目标检测装置，所述目标检测装置包括：获取模块，用于获取待检测图像，并获取所述待检测图像中目标的框特征；特征提取模块，用于从预存的框缓存特征中提取与所述目标的类型对应的框缓存特征，其中，所述框缓存特征标识预测点与真实目标边框的距离信息；目标检测模块，用于基于所述目标的框特征以及所述框缓存特征计算所述目标最终目标框的位置和大小。本申请第三方面提供了一种目标检测装置，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的目标检测方法。本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的目标检测方法。本申请中，目标检测装置获取待检测图像，并获取待检测图像中目标的框特征；从预存的框缓存特征中提取与目标的类型对应的框缓存特征，其中，框缓存特征标识预测点与真实目标边框的距离信息；基于目标的框特征以及框缓存特征计算目标最终目标框的位置和大小。上述方案，能够提高目标检测的准确性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。图1是本申请提供的目标检测方法第一实施例的流程示意图；图2是本申请提供的类别与框特征缓存图；图3是本申请提供的目标检测方法第二实施例的流程示意图；图4是本申请提供的目标检测方法第三实施例的流程示意图；图5是本申请提供的目标检测装置一实施例的框架示意图；图6是本申请提供的目标检测装置另一实施例的框架示意图；图7是本申请提供的计算机可读存储介质一实施例的框架示意图。具体实施方式下面结合说明书附图，对本申请实施例的方案进行详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。请参阅图1，图1是本申请提供的目标检测方法第一实施例的流程示意图。本申请的目标检测方法的执本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，所述目标检测方法包括：/n获取待检测图像，并获取所述待检测图像中目标的框特征；/n从预存的框缓存特征中提取与所述目标的类型对应的框缓存特征，其中，所述框缓存特征标识预测点与真实目标边框的距离信息；/n基于所述目标的框特征以及所述框缓存特征计算所述目标最终目标框的位置和大小。/n

【技术特征摘要】
1.一种目标检测方法，其特征在于，所述目标检测方法包括：
获取待检测图像，并获取所述待检测图像中目标的框特征；
从预存的框缓存特征中提取与所述目标的类型对应的框缓存特征，其中，所述框缓存特征标识预测点与真实目标边框的距离信息；
基于所述目标的框特征以及所述框缓存特征计算所述目标最终目标框的位置和大小。


2.根据权利要求1所述的目标检测方法，其特征在于，所述方法还包括：
获取多张待训练图像，将多张所述待训练图像输入预设神经网络进行训练，得到所述待训练图像的预测点；
基于所述预测点以及标注的真实目标边框，得到框特征；
对多张所述待训练图像的框特征进行更新，得到所述框缓存特征。


3.根据权利要求2所述的目标检测方法，其特征在于，
所述对多张所述待训练图像的框特征进行更新，得到框缓存特征的步骤，包括：
获取上一张待训练图像的框特征，以及当前张待训练图像的框特征；
将所述上一张待训练图像的框特征和所述当前张待训练图像的框特征按照第一预设更新权重叠加，得到所述框缓存特征。


4.根据权利要求1所述的目标检测方法，其特征在于，
所述从预存的框缓存特征中提取与所述目标的类型对应的框缓存特征之前，所述方法还包括：
基于预存的类缓存特征、所述目标的类特征以及所述目标的第一分类置信度计算所述目标的第二分类置信度；
基于所述第二分类置信度确定所述目标的类型。


5.根据权利要求4所述的目标检测方法，其特征在于，所述方法还包括：
基于所述目标的框特征计算所述目标的中心度；
获取所述目标参考所述中心度后的分类置信度作为所述第一分类置信度。


6.根据权利要求4所述的目标检测方法，其特征在于，所述基于预存的类缓存特征、所述目标的类特征以及所述目标的第一分类置信度计算所述目标的第二分类置信度之前，所述方法还包括：
获取多张待训练图像，将多张所述待训练图像输入预设神经网络进行训练，得到所述待训练图像的特征图...

【专利技术属性】
技术研发人员：胡来丰，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33