目标检测方法及装置、存储介质、终端制造方法及图纸

一种目标检测方法及装置、存储介质、终端，所述方法包括：获取样本图像；提取所述样本图像的初始特征图，并对所述初始特征图进行语义信息增强处理，以得到所述样本图像的第一预测图，所述第一预测图用于指示所述样本图像的目标区域和背景区域，所述目标区域为包含所述预设目标的区域，所述背景区域为未包含所述预设目标的区域；根据所述第一预测图和第二预测图对检测网络模型进行训练，以得到训练后的检测网络模型，采用训练后的检测网络模型检测待测图像，以得到所述待测图像中所述预设目标的检测结果。通过本发明专利技术的技术方案，能够高效准确地检测出待测图像中的预设目标。地检测出待测图像中的预设目标。地检测出待测图像中的预设目标。

【技术实现步骤摘要】
目标检测方法及装置、存储介质、终端


[0001]本专利技术涉及一种计算机视觉领域，尤其涉及一种目标检测方法及装置、存储介质和终端

技术介绍

[0002]当前目标检测是计算机视觉领域中一个富有挑战性的课题，广泛应用于机器人导航、智能视频监控、工业检测、航空航天、自动驾驶等诸多领域。由于相关技术的发展和产业的需要，当前对目标检测的效率和准确度的要求越来越高。
[0003]随着深度学习技术的高速发展，越来越多的目标检测采用卷积神经网络(Convolutional Neural Networks，CNN)来完成，卷积神经网络逐渐取代了传统的图像处理算法。在目标检测任务中，卷积神经网络的检测准确率虽然屡创新高，但其对于小尺寸目标(例如：不超过预设尺寸的目标，也可以是尺寸占其所属图像的尺寸的比例不超过预设比例的目标)的检测准确率并不高，现有的小尺寸目标的检测准确率通常只有正常尺寸目标的检测准确率的一半。
[0004]因此，亟需提出一种高效、准确的目标检测方法，以提高小尺寸目标的检测准确率。

技术实现思路

[0005]本专利技术解决的技术问题是提供一种高效、准确的目标检测方法，以提高小尺寸目标的检测准确率。
[0006]为解决上述技术问题，本专利技术实施例提供一种目标检测方法，所述方法包括：获取样本图像，所述样本图像包括预设目标；提取所述样本图像的初始特征图，并对所述初始特征图进行语义信息增强处理，以得到所述样本图像的第一预测图，所述第一预测图用于指示所述样本图像的目标区域和背景区域，所述目标区域为包含所述预设目标的区域，所述背景区域为未包含所述预设目标的区域；根据所述第一预测图和第二预测图对检测网络模型进行训练，以得到训练后的检测网络模型，其中，所述第二预测图是根据所述初始特征图对所述样本图像进行计算得到的，所述第二预测图用于指示所述预设目标的边界框；采用训练后的检测网络模型检测待测图像，以得到所述待测图像中所述预设目标的检测结果。
[0007]可选的，所述初始特征图的每个像素点包括多个通道，所述初始特征图是通过对所述样本图像进行下采样得到的，则对所述初始特征图进行语义信息增强处理包括：步骤一：对所述初始特征图进行2倍上采样，以得到第一特征图；步骤二：根据通道注意力机制对所述第一特征图进行处理，以得到第二特征图；步骤三：将所述第二特征图作为新的初始特征图；重复执行步骤一至步骤三，直至所述上采样倍数与所述下采样倍数相等；步骤四：对所述初始特征图进行第一卷积运算，以得到所述第一预测图，其中，所述第一预测图的通道数量为2。
[0008]可选的，根据通道注意力机制对所述第一特征图进行处理之前，所述方法还包括：
对所述第一特征图进行多次第二卷积运算，每次第二卷积运算采用1
×
1的卷积核；将多次第二卷积运算的结果与所述第一特征图相加，以得到新的第一特征图。
[0009]可选的，根据通道注意力机制对所述第一特征图进行处理之前，所述方法还包括：对所述第一特征图进行多次第三卷积运算，多次第三卷积运算中至少一次采用3
×
3的卷积核；将多次第三卷积运算的结果与所述第一特征图相加，以得到新的第一特征图。
[0010]可选的，对所述第一特征图进行多次第二卷积运算包括：第一次第二卷积运算之外的其他第二卷积运算中，均先对所述第一特征图进行批标准化处理，再使用relu激活函数。
[0011]可选的，所述检测网络模型的损失函数为Loss＝λ
semantic L
semantic
+λ
model L
model
，其中，Loss为所述检测网络模型的损失函数，L
semantic
为第一损失函数，L
model
为第二损失函数，λ
semantic
为第一损失函数的权重系数，λ
model
为第二损失函数的权重系数；则根据所述第一预测图对所述检测网络模型进行训练包括：步骤A：根据所述第一预测图、所述样本图像和所述第一损失函数计算第一损失函数值，并根据所述第二预测图、所述样本图像和所述第二损失函数计算第二损失函数值；步骤B：根据所述第一损失函数值和所述第二损失函数值计算所述检测网络模型的损失函数值；步骤C：判断所述损失函数值超过预设阈值，如果是，则调整所述检测网络模型中用于提取所述初始特征图的模块的参数，如果不是，则结束所述检测网络模型的训练；步骤D：采用调整参数后的检测网络模型提取所述样本图像的初始特征图，对所述初始特征图进行语义信息增强处理，以得到所述第一预测图，并根据所述初始特征图对所述样本图像进行预测，以得到所述第一预测图；重复执行步骤A至步骤E，直至步骤C中判断所述损失函数值未超过预设阈值。
[0012]可选的，所述第一损失函数为FocalLoss函数。
[0013]可选的，所述第一损失函数的权重系数由所述样本图像中所述预设目标占所有目标的比例决定，所述预设目标占所有目标的比例越大，则所述第一损失函数的权重系数越大。
[0014]可选的，在提取所述样本图像的初始特征图之前，所述方法还包括：对所述样本图像进行数据增强，所述数据增强包括以下一项或多项：调整所述样本图像的亮度和/或对比度、将所述样本图像旋转预设角度、为所述样本图像增加噪声。
[0015]可选的，所述检测网络模型为单步检测网络模型。
[0016]为了解决上述技术问题，本专利技术实施例还提供一种目标检测装置，所述装置包括：获取模块，用于获取样本图像，所述样本图像包括预设目标；处理模块，用于提取所述样本图像的初始特征图，并对所述初始特征图进行语义信息增强处理，以得到所述样本图像的第一预测图，所述第一预测图用于指示所述样本图像的目标区域和背景区域，所述目标区域为包含所述预设目标的区域，所述背景区域为未包含所述预设目标的区域；训练模块，用于根据所述第一预测图和第二预测图对检测网络模型进行训练，以得到训练后的检测网络模型，其中，所述第二预测图是根据所述初始特征图对所述样本图像进行计算得到的，所述第二预测图用于指示所述预设目标的边界框；检测模块，用于采用训练后的检测网络模型检测待测图像，以得到所述待测图像中所述预设目标的检测结果。
[0017]本专利技术实施例还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述目标检测方法的步骤。
[0018]本专利技术实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行权利要求上述目标检测方法的步骤。
[0019]与现有技术相比，本专利技术实施例的技术方案具有以下有益效果：
[0020]本专利技术实施例提供一种目标检测方法，所述方法包括：获取样本图像，所述样本图像包括预设目标；提取所述样本图像的初始特征图，并对所述初始特征图进行语义信息增强处理，以得到所述样本图像的第一预测图，所述第一预测图用于指示所述样本图像的目标区域和背景区域本文档来自技高网...

【技术保护点】

【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：获取样本图像，所述样本图像包括预设目标；提取所述样本图像的初始特征图，并对所述初始特征图进行语义信息增强处理，以得到所述样本图像的第一预测图，所述第一预测图用于指示所述样本图像的目标区域和背景区域，所述目标区域为包含所述预设目标的区域，所述背景区域为未包含所述预设目标的区域；根据所述第一预测图和第二预测图对检测网络模型进行训练，以得到训练后的检测网络模型，其中，所述第二预测图是根据所述初始特征图对所述样本图像进行计算得到的，所述第二预测图用于指示所述预设目标的边界框；采用训练后的检测网络模型检测待测图像，以得到所述待测图像中所述预设目标的检测结果。2.根据权利要求1所述的目标检测方法，其特征在于，所述初始特征图的每个像素点包括多个通道，所述初始特征图是通过对所述样本图像进行下采样得到的，则对所述初始特征图进行语义信息增强处理包括：步骤一：对所述初始特征图进行2倍上采样，以得到第一特征图；步骤二：根据通道注意力机制对所述第一特征图进行处理，以得到第二特征图；步骤三：将所述第二特征图作为新的初始特征图；重复执行步骤一至步骤三，直至所述上采样倍数与所述下采样倍数相等；步骤四：对所述初始特征图进行第一卷积运算，以得到所述第一预测图，其中，所述第一预测图的通道数量为2。3.根据权利要求2所述的目标检测方法，其特征在于，根据通道注意力机制对所述第一特征图进行处理之前，所述方法还包括：对所述第一特征图进行多次第二卷积运算，每次第二卷积运算采用1
×
1的卷积核；将多次第二卷积运算的结果与所述第一特征图相加，以得到新的第一特征图。4.根据权利要求2或3所述的目标检测方法，其特征在于，根据通道注意力机制对所述第一特征图进行处理之前，所述方法还包括：对所述第一特征图进行多次第三卷积运算，多次第三卷积运算中至少一次采用3
×
3的卷积核；将多次第三卷积运算的结果与所述第一特征图相加，以得到新的第一特征图。5.根据权利要求3所述的目标检测方法，其特征在于，对所述第一特征图进行多次第二卷积运算包括：第一次第二卷积运算之外的其他第二卷积运算中，均先对所述第一特征图进行批标准化处理，再使用relu激活函数。6.根据权利要求1所述的目标检测方法，其特征在于，所述检测网络模型的损失函数为Loss＝λ
semantic L
semantic
+λ
model
L
model
，其中，Loss为所述检测网络模型的损失函数，L
semantic
为第一损失函数，L
model
为第二损失函数，λ
semantic
为第一损失函数的权重系数...

【专利技术属性】
技术研发人员：陈圣卫，
申请(专利权)人：展讯通信上海有限公司，
类型：发明
国别省市：