目标检测方法、装置、电子设备和计算机可读介质制造方法及图纸

本申请实施例公开了目标检测方法、装置、电子设备和计算机可读介质。该方法的实施例包括：对待测图像进行特征提取，得到多尺度的第一特征图；将多尺度的第一特征图分别输入至预先训练的目标检测模型中的定位网络和类别检测网络，得到定位结果和第一类别检测结果；将定位网络的其中一网络层输出的特征输入至目标检测模型中的三维最大值滤波网络，得到第二类别检测结果；将第一类别检测结果和第二类别检测结果进行融合，并基于定位结果和融合后的类别检测结果，得到目标检测结果。该实施方式实现了端对端的目标检测，提供了模型的检测性能。

【技术实现步骤摘要】
目标检测方法、装置、电子设备和计算机可读介质
本申请实施例涉及计算机
，具体涉及目标检测方法、装置、电子设备和计算机可读介质。
技术介绍
目标检测(ObjectDetection)是一种找出给定图像中的物体，并确定物体的类别、大小和位置的技术，是计算机视觉相关业务的基础技术之一。目标检测模型通常需要结合非极大值抑制算法，才能得到最终检测结果，由于无法实现端对端的目标检测，因而网络的检测性能不够理想。现有技术中，可结合递归神经网络和注意力机制等模块，来使模型实现端对端的目标检测，以在一定程度上提高模型性能。但这种方式会增加模型推理的耗时，且模型的检测性能仍不够理想。
技术实现思路
本申请实施例提出了目标检测方法、装置、电子设备和计算机可读介质，以解决现有技术中目标检测模型的检测性能较低的技术问题。第一方面，本申请实施例提供了一种目标检测方法，该方法包括：对待测图像进行特征提取，得到多尺度的第一特征图；将所述多尺度的第一特征图分别输入至预先训练的目标检测模型中的定位网络和类别检测网络，得到定位结果和第一类别本文档来自技高网...

【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对待测图像进行特征提取，得到多尺度的第一特征图；/n将所述多尺度的第一特征图分别输入至预先训练的目标检测模型中的定位网络和类别检测网络，得到定位结果和第一类别检测结果；/n将所述定位网络的其中一网络层输出的特征输入至所述目标检测模型中的三维最大值滤波网络，得到第二类别检测结果；/n将所述第一类别检测结果和所述第二类别检测结果进行融合，并基于所述定位结果和融合后的类别检测结果，得到目标检测结果。/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：
对待测图像进行特征提取，得到多尺度的第一特征图；
将所述多尺度的第一特征图分别输入至预先训练的目标检测模型中的定位网络和类别检测网络，得到定位结果和第一类别检测结果；
将所述定位网络的其中一网络层输出的特征输入至所述目标检测模型中的三维最大值滤波网络，得到第二类别检测结果；
将所述第一类别检测结果和所述第二类别检测结果进行融合，并基于所述定位结果和融合后的类别检测结果，得到目标检测结果。


2.根据权利要求1所述的方法，其特征在于，所述定位网络与所述类别检测网络分别包括多个卷积层，所述三维最大值滤波网络与所述定位网络的其中一个卷积层相连接。


3.根据权利要求1或2所述的方法，其特征在于，所述三维最大值滤波网络包括第一卷积层、三维最大值滤波层、归一化层和第二卷积层。


4.根据权利要求3所述的方法，其特征在于，所述将所述定位网络的其中一网络层输出的特征输入至所述目标检测模型中的三维最大值滤波网络，得到第二类别检测结果，包括：
将所述定位网络的其中一网络层输出的特征输入至所述第一卷积层，得到多尺度的第二特征图；
将所述多尺度的第二特征图输入至所述三维最大值滤波层，得到多尺度的第三特征图；
将所述多尺度的第一特征图和所述多尺度的第三特征图融合后输入至所述归一化层，并将所述归一化层输出的特征输入至所述第二卷积层，得到第二类别检测结果。


5.根据权利要求4所述的方法，其特征在于，所述三维最大值滤波层通过如下步骤生成所述多尺度的第三特征图：
依次将第二特征图的每个尺度作为目标尺度，执行如下步骤：
对除所述目标尺度外的其余至少一个尺度的第二特征图进行双线性插值，以将所述其余至少一个尺度转换为所述目标尺度；
对所述目标尺度的第二特征图进行三维最大池化处理，得到所述目标尺度的第三特征图。


6.根据权利要求5所述的方法，其特征在于，所述对除所述目标尺度外的其余至少一个尺度的第二特征图进行双线性插值，以将所述其余至少一个尺度转换为所述目标尺度，包括：
确定所述目标尺度的相邻尺度；
对所述相邻尺度的三维特征图进行双线性插值，以将所述相邻尺度的三维特征图的尺度转换为所述目标尺度。


7.根据权利要求1-6之一所述的方法，其...

【专利技术属性】
技术研发人员：宋林，王剑锋，黎泽明，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：北京;11