一种目标检测方法、装置、电子设备以及可读存储介质制造方法及图纸

本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能交通场景。具体实现方案为：获取第一目标检测模型，所述第一目标检测模型为预先利用目标对比损失函数和样本图像，对第二目标检测模型进行对比学习训练获得的模型；所述目标对比损失函数用于表示所述样本图像中对应相同对象预测类别的不同候选框区域之间图像特征的差异程度；将待检测图像输入到所述第一目标检测模型，获得针对所述待检测图像的检测结果。本公开的方案，能够使第一目标检测模型对小样本图像的检测能力以及整体的检测能力得到提升，在使用该第一目标检测模型对待检测图像检测时，可以提升针对待检测图像的检测结果的准确度。度。度。

【技术实现步骤摘要】
一种目标检测方法、装置、电子设备以及可读存储介质


[0001]本公开涉及人工智能领域，具体涉及计算机视觉和图像处理技术，具体可用于智慧城市和智能交通场景。

技术介绍

[0002]目标检测模型作为一种用于对图像中的目标对象进行分类和/或定位的网络模型，在计算视觉领域中起到了至关重要的作用。在使用目标检测模型对图像进行目标检测的过程中，往往需要先利用样本图像来进行模型训练以获得目标检测模型。
[0003]在利用样本图像来进行模型训练以获得目标检测模型的过程中，由于图像采集困难等原因，样本图像中往往会存在某些类别的小样本图像，所谓小样本图像为仅具有较少数量的图像。由于小样本图像的数量较少，会导致通过模型训练获得的目标检测模型，对小样本图像的检测能力以及整体的检测能力较差，从而降低了针对待检测图像的检测结果的准确度。

技术实现思路

[0004]本公开提供了提供一种目标检测方法、一种目标检测装置、一种电子设备、一种可读存储介质以及一种计算机程序产品，以提升针对待检测图像的检测结果的准确度。
[0005]根据本公开的一方面，提供了一种目标检测方法，该方法可以包括以下步骤：
[0006]获取第一目标检测模型，所述第一目标检测模型为预先利用目标对比损失函数和样本图像，对第二目标检测模型进行对比学习训练获得的模型；所述目标对比损失函数用于表示所述样本图像中对应相同对象预测类别的不同候选框区域之间图像特征的差异程度；
[0007]将待检测图像输入到所述第一目标检测模型，获得针对所述待检测图像的检测结果。
[0008]根据本公开的另一方面，提供了一种目标检测装置，该装置可以包括：
[0009]模型获得模块，用于获取第一目标检测模型，所述第一目标检测模型为预先利用目标对比损失函数和样本图像，对第二目标检测模型进行对比学习训练获得的模型；所述目标对比损失函数用于表示所述样本图像中对应相同对象预测类别的不同候选框区域之间图像特征的差异程度；
[0010]检测结果获得模块，用于将待检测图像输入到所述第一目标检测模型，获得针对所述待检测图像的检测结果。
[0011]根据本公开的第三方面，提供了一种电子设备，包括：
[0012]至少一个处理器；以及
[0013]与该至少一个处理器通信连接的存储器；其中，
[0014]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
[0015]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
[0016]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
[0017]根据本公开的技术，目标对比损失函数用于表示所述样本图像中对应相同对象预测类别的不同候选框区域之间图像特征的差异程度，利用目标对比损失函数和样本图像，对第二目标检测模型进行对比学习训练获得的第一目标检测模型，能够使相同对象类别的不同候选框区域的图像特征靠的更为紧密，不同对象类别的不同候选框区域的图像特征靠的更为疏离，进而使第一目标检测模型对小样本图像的检测能力以及整体的检测能力得到提升。因此，在使用该第一目标检测模型对待检测图像检测时，可以提升针对待检测图像的检测结果的准确度。
[0018]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0019]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0020]图1为本公开的实施例提供一种目标检测方法的流程图；
[0021]图2为本公开的实施例中提供的一种模型获得方法的流程图；
[0022]图3为本公开的实施例中提供的一种目标检测模型训练的示意图；
[0023]图4为本公开的实施例中提供的一种模型获取方法的流程图；
[0024]图5为本公开的实施例中提供的一种检测结果获得方法的流程图；
[0025]图6为本公开的实施例中提供的一种目标检测的示意图；
[0026]图7为本公开的实施例中提供的一种目标检测装置的示意图；
[0027]图8为本公开的实施例中提供的一种电子设备的示意图。
具体实施方式
[0028]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0029]本公开提供一种目标检测方法，具体请参照图1，其为本公开的实施例提供一种目标检测方法的流程图。该方法可以包括以下步骤：
[0030]S101：获取第一目标检测模型，第一目标检测模型为预先利用目标对比损失函数和样本图像，对第二目标检测模型进行对比学习训练获得的模型；目标对比损失函数用于表示样本图像中对应相同对象预测类别的不同候选框区域之间图像特征的差异程度。
[0031]S102：将待检测图像输入到第一目标检测模型，获得针对待检测图像的检测结果。
[0032]本公开的实施例中提供的目标检测方法，其执行主体可以为电子设备，该电子设备为安装有能够执行本公开的实施例中提供的目标检测方法的软件或者应用的设备，或者为该电子设备提供数据处理、存储等服务的服务端。
[0033]所谓电子设备包括但不限于手机、平板电脑、笔记本电脑以及台式电脑。
[0034]所谓软件或者应用包括但不限于应用程序、电脑应用、计算机程序以及网页应用或者软件。
[0035]所谓服务端的具体实现方式一般为服务器或者服务器集群。
[0036]本公开的实施例中，所谓第二目标检测模型，可以是基于开源图像集预先训练好的基础目标检测模型。
[0037]所谓第一目标检测模型，可以是指针对第二目标检测模型进一步进行模型训练而获得的目标检测模型。针对第二目标检测模型进一步进行模型训练的方式为：利用目标对比损失函数和样本图像，对第二目标检测模型进行对比学习训练。
[0038]本公开的实施例中，所谓样本图像可以为纺织业、瓷砖制造业等工业的工业生产场景对应的场景图像，例如：针对工业生产实际生产线采集的产品生产的场景图，此时，对象包括不同的瓷砖或者纺布等。
[0039]所谓样本图像还可以为包含有不同种类宠物的宠物图像，例如：包含猫、狗或者仓鼠等的宠物图像，此时，对象包括不同的宠物。
[0040]所谓样本图像还可以为城市道路场景图像，例如：行车道的场景图像，此时，对象包括但不限于车辆、路障以及行车线。
[0041]本公开的实施例中，针对待检本文档来自技高网...

【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，包括：获取第一目标检测模型，所述第一目标检测模型为预先利用目标对比损失函数和样本图像，对第二目标检测模型进行对比学习训练获得的模型；所述目标对比损失函数用于表示所述样本图像中对应相同对象预测类别的不同候选框区域之间图像特征的差异程度；将待检测图像输入到所述第一目标检测模型，获得针对所述待检测图像的检测结果。2.根据权利要求1所述的方法，其特征在于，所述第一目标检测模型采用如下方式获得：获得所述样本图像中的多个候选框区域对应的对象类别标注数据；将所述样本图像输入到所述第二目标检测模型，获得所述多个候选框区域各自对应的图像特征，以及所述多个候选框区域各自对应的对象预测类别；根据所述多个候选框区域各自对应的图像特征、所述多个候选框区域各自对应的对象预测类别以及所述多个候选框区域的对象类别标注数据，确定所述目标对比学习损失函数的函数值；根据所述目标对比学习损失函数的函数值，调整所述第二目标检测模型的模型参数，以对第二目标检测模型进行训练；在达到预定的训练结束条件的情况下，得到所述第一目标检测模型。3.根据权利要求1或2所述的方法，其特征在于，所述获取第一目标检测模型，包括：利用对所述第二目标检测模型进行分类训练的分类损失函数，对所述第二目标检测模型进行定位训练的定位损失函数，以及所述目标对比学习损失函数，对所述第二目标检测模型进行训练；在达到预定的训练结束条件的情况下，得到所述第一目标检测模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述多个候选框区域各自对应的图像特征、所述多个候选框区域各自对应的对象预测类别以及所述多个候选框区域的对象类别标注数据，确定所述目标对比学习损失函数的函数值，包括：采用如下公式获得所述目标对比学习损失函数的函数值：其中，所述L用于表示所述目标对比学习损失函数的函数值，所述N用于表示所述多个候选框区域的数目，所述i用于表示所述多个候选框区域中的第i个候选框区域，所述l
i
用于表示所述第i个候选框与对应相同对象预测类别的不同候选框区域之间图像特征的差异程度，所述f(u
i
)用于表示所述L
i
的权重。5.根据权利要求4所述的方法，其特征在于，所述f(u
i
)采用如下公式的一种获得：f(u
i
)＝u
i
^2；f(u
i
)＝u
i
；其中，u
i
用于表示所述第i个候选框区域对应的对象预测类别与所述第i个对象对应的对象类别标注数据之间的交并比。6.根据权利要求5所述的方法，其特征在于，所述L
i
采用如下公式获得：
其中，所述y
i
用于表示所述第i个候选框区域对应的对象预测类别，所述N
yi
用于表示在所述不同对象中所述对象预测类别与所述第i个候选框区域对应的对象预测类别相同的候选框的数目，所述用于表示所述第i个候选框区域对应的图像特征的归一化图像特征，所述j用于表示所述多个候选框区域中除所述第i个候选框区域之外的第j个候选框区域，所述用于表示所述第j个候选框区域对应的图像特征的归一化图像特征，所述τ为预先设定的超参数，所述用于表示所述与所述之间的特征相似性，所述k用于表示所述不同对象中除所述第j个候选框区域之外的第k个候选框区域，所述用于表示所述第k个候选框区域对应的图像特征的归一化图像特征，所述用于表示所述与所述之间的特征相似性。7.根据权利要求1所述的方法，其特征在于，所述将待检测图像输入到所述第一目标检测模型，获得针对所述待检测图像的检测结果，包括：将所述待检测图像输入到所述第一目标检测模型，获得针对所述待检测图像中的目标对象的分类结果，和/或获得针对所述待检测图像中的目标对象的定位结果；将所述分类结果和/或所述定位结果作为所述针对所述待检测图像的检测结果。8.一种目标检测装置，其特征在于，包括：模型获得模块，用于获取第一目标检测模型，所述第一目标检测模型为预先利用目标对比损失函数和样本图像，对第二目标检测模型进行对比学习训练获得的模型；所述目标对比损失函数用于表示所述样本图像中对应相同对象预测类别的不同候选框区域之间图...

【专利技术属性】
技术研发人员：陈松，张滨，王云浩，辛颖，冯原，王晓迪，龙翔，贾壮，彭岩，郑弘晖，李超，谷祎，韩树民，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：