目标检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种目标检测方法、装置、计算机设备和存储介质。所述方法包括：构建基于至少两次的多尺度特征融合的深度神经网络模型；所述至少两次的多尺度特征融合并行执行；所述多尺度特征融合是指将低层特征图与高层特征图，按照预设特征融合方式进行融合；基于已标注的训练数据集对已构建的深度神经网络模型进行训练，得到已训练好的目标检测模型；当获取到待检测的目标图片时，通过所述目标检测模型对所述目标图片进行检测得到检测结果；根据所述检测结果确定所述目标图片中的目标。采用本方法能够提高目标检测的检测准确性。

【技术实现步骤摘要】
目标检测方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种目标检测方法、装置、计算机设备和存储介质。
技术介绍
随着计算机技术的发展，基于计算机视觉的目标检测技术逐渐发展起来，并广泛应用于各种场景，比如工牌检测、人脸检测、车辆检测及车辆损伤检测等，给人们生活带来了诸多便捷。由此，如何进行目标检测是值得关注的问题。目前，通常采用YOLO与SSD等目标检测方法来检测目标图片中的目标。但是，现有的目标检测方法对小目标的检测准确性较低，从而存在检测准确性低的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高检测准确性的目标检测方法、装置、计算机设备和存储介质。一种目标检测方法，所述方法包括：构建基于至少两次的多尺度特征融合的深度神经网络模型；所述至少两次的多尺度特征融合并行执行；所述多尺度特征融合是指将低层特征图与高层特征图，按照预设特征融合方式进行融合；基于已标注的训练数据集对已构建的深度神经网络模型进行训练，得到已训练好的目标检测模型；当获取到待本文档来自技高网...

【技术保护点】
1.一种目标检测方法，所述方法包括：/n构建基于至少两次的多尺度特征融合的深度神经网络模型；所述至少两次的多尺度特征融合并行执行；所述多尺度特征融合是指将低层特征图与高层特征图，按照预设特征融合方式进行融合；/n基于已标注的训练数据集对已构建的深度神经网络模型进行训练，得到已训练好的目标检测模型；/n当获取到待检测的目标图片时，通过所述目标检测模型对所述目标图片进行检测得到检测结果；/n根据所述检测结果确定所述目标图片中的目标。/n

【技术特征摘要】
1.一种目标检测方法，所述方法包括：
构建基于至少两次的多尺度特征融合的深度神经网络模型；所述至少两次的多尺度特征融合并行执行；所述多尺度特征融合是指将低层特征图与高层特征图，按照预设特征融合方式进行融合；
基于已标注的训练数据集对已构建的深度神经网络模型进行训练，得到已训练好的目标检测模型；
当获取到待检测的目标图片时，通过所述目标检测模型对所述目标图片进行检测得到检测结果；
根据所述检测结果确定所述目标图片中的目标。


2.根据权利要求1所述的方法，其特征在于，所述多尺度特征融合的步骤，包括：
对低层特征图进行卷积得到具有预设通道数的第一特征图；
对高层特征图进行反卷积得到与所述低层特征图尺度一致的第二特征图；
将所述第一特征图与所述第二特征图进行通道叠加，得到第三特征图；
对所述第三特征图进行卷积得到特征融合后的融合特征图。


3.根据权利要求1所述的方法，其特征在于，所述基于已标注的训练数据集对已构建的深度神经网络模型进行训练，得到已训练好的目标检测模型，包括：
获取已标注的训练数据集；
从尚未用于模型训练的训练数据集中选取目标训练数据，通过待训练的深度神经网络模型对所述目标训练数据进行预测，得到预测结果；
根据所述预测结果与所述目标训练数据中的标注结果，按照预设的定位损失函数与类别损失函数确定综合损失值；
按照所述综合损失值反向调整所述深度神经网络模型的参数，并返回至所述从尚未用于模型训练的训练数据集中选取目标训练数据的步骤继续执行，直至满足迭代停止条件，得到已训练好的目标检测模型。


4.根据权利要求1所述的方法，其特征在于，所述通过所述目标检测模型对所述目标图片进行检测得到检测结果，包括：
通过所述目标检测模型对所述目标图片进行检测，得到多个目标尺度的目标特征图；
通过所述目标检测模型，将每个目标特征图分别与相应卷积核进行卷积，得到每个目标特征图对应的检测框；所述检测框的尺度基于相应目标特征图动态确定；
通过所述目标检测模型，根据各所述目标特征图对应的检...

【专利技术属性】
技术研发人员：相鹏，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：广东;44