【技术实现步骤摘要】
对象分析方法、装置及存储介质
本申请涉及一种对象分析方法、装置及存储介质,属于计算机
技术介绍
随着人工智能技术的发展,越来越多的目标检测算法应运而生。如anchor-free系列算法等。anchor-free系列算法避免了锚框的预设定,减少了大量的相关计算,使得其内存占用率和速度都有明显提高。而且没有锚框的预先设定,预测框是在整个特征图范围内回归目标位置,适用于各种形状尺寸的目标对象的检测。然而,现有的目标检测算法在提升算法速度的同时,会降低算法精度,导致目标检测结果不准确的问题。
技术实现思路
本申请提供了一种对象分析方法、装置及存储介质,可以解决现有的目标检测算法无法实现速度和精确度同时提升的问题。本申请提供如下技术方案:第一方面,提供一种对象分析方法,所述方法包括:获取目标图像;将所述目标图像输入预先训练的图像识别模型,得到所述目标图像的对象分析结果,所述对象分析结果包括目标对象位置信息、目标对象关键点信息和目标对象属性信息;其中,图像识别模型包括主干网络、与所述主干网络相连的第一网络分支和第二网络分支;所述主干网络包括依次相连的m层特征提取层,以提取多尺寸特征图;所述m层特征提取层中的n层指定特征提取层分别采用深度可分离卷积调整特征图的通道尺寸,并将浅层特征与深层特征融合;所述m为大于1的整数,所述n为小于1且小于或等于m的整数。可选地,所述第一网络分支与第m层特征提取层相连,并用于根据所述第m层特征提 ...
【技术保护点】
1.一种对象分析方法,其特征在于,所述方法包括:/n获取目标图像;/n将所述目标图像输入预先训练的图像识别模型,得到所述目标图像的对象分析结果,所述对象分析结果包括目标对象位置信息、目标对象关键点信息和目标对象属性信息;/n其中,图像识别模型包括主干网络、与所述主干网络相连的第一网络分支和第二网络分支;/n所述主干网络包括依次相连的m层特征提取层,以提取多尺寸特征图;所述m层特征提取层中的n层指定特征提取层分别采用深度可分离卷积调整特征图的通道尺寸,并将浅层特征与深层特征融合;所述m为大于1的整数,所述n为小于1且小于或等于m的整数。/n
【技术特征摘要】
1.一种对象分析方法,其特征在于,所述方法包括:
获取目标图像;
将所述目标图像输入预先训练的图像识别模型,得到所述目标图像的对象分析结果,所述对象分析结果包括目标对象位置信息、目标对象关键点信息和目标对象属性信息;
其中,图像识别模型包括主干网络、与所述主干网络相连的第一网络分支和第二网络分支;
所述主干网络包括依次相连的m层特征提取层,以提取多尺寸特征图;所述m层特征提取层中的n层指定特征提取层分别采用深度可分离卷积调整特征图的通道尺寸,并将浅层特征与深层特征融合;所述m为大于1的整数,所述n为小于1且小于或等于m的整数。
2.根据权利要求1所述的方法,其特征在于,
所述第一网络分支与第m层特征提取层相连,并用于根据所述第m层特征提取层输出的特征图提取所述目标对象属性信息;
所述第二网络分支与第1层指定特征提取层相连,且所述第二网络分支包括第一子分支、第二子分支和第三子分支;所述第一子分支用于根据所述第1层指定特征提取层的输出数据计算目标对象的中心点;所述第二子分支用于根据所述第1层指定特征提取层的输出数据进行所述目标对象的宽高回归;所述第三子分支用于根据所述第1层指定特征提取层的输出数据检测所述目标对象的关键点。
3.根据权利要求1所述的方法,其特征在于,对于所述n层指定特征提取层中的第k层指定特征提取层,
在k=n的情况下,所述第k层指定特征提取层得到特征图后,采用深度可分离卷积对所述特征图的通道尺寸进行更新;对更新后的特征图进行上采样,得到第n-1层指定特征提取层对应的上采样后的特征图;
在1<k<n的情况下,所述第k层指定特征提取层得到特征图后,采用深度可分离卷积对所述特征图的通道尺寸进行更新;将更新后的特征图与第k层对应的上采样后的特征图进行按照通道进行拼接;对拼接后的特征图使用深度可分离卷积进行通道调整;对调整后的特征图进行上采样,得到第k-1层指定特征提取层对应的上采样后的特征图;
在k=1的情况下,所述第1层指定特征提取层得到特征图后,采用深度可分离卷积对所述特征图的通道尺寸进行更新;将更新后的特征图与第1层对应的上采样后的特征图进行按照通道进行拼接;对拼接后的特征图使用深度可分离卷积进行通道调整;调整后的特征图为所述第1层指定特征提取层的输出数据。
4.根据权利要求2所述的方法,其特征在于,所述图像识别模型基于基于中心点的检测网络CenterNet建立;
所述第一子分支包括第一热度...
【专利技术属性】
技术研发人员:丁鑫,肖潇,付马,孟祥昊,
申请(专利权)人:苏州科达科技股份有限公司,
类型:发明
国别省市:江苏;32
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。