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：获取待检测图像；将所述待检测图像输入至已训练的目标检测模型中，所述目标检测模型包括预处理单元、特征提取单元以及预测单元；通过所述预处理单元提取所述待检测图像对应的第一特征图，得到所述第一特征图对应的第一低维特征图；通过所述特征提取单元对所述第一低维特征图进行特征提取，得到所述待检测图像对应的目标胶囊信息；通过所述预测单元对所述目标胶囊信息进行目标检测，得到所述待检测图像对应的目标检测结果。采用本方法能够在对较小的目标物体或被部分遮挡的目标物体进行目标检测时，降低计算复杂度和内存复杂度。复杂度和内存复杂度。复杂度和内存复杂度。
【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
[0001]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
[0002]目标检测是指检测图像中的目标物体，并预测每个目标物体的位置和类别。目标检测作为计算机视觉和数字图像处理的重要分支，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资源的消耗，具有重要的现实意义。同时，目标检测也是身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。由于深度学习的广泛运用，目标检测技术得到了较为快速的发展。在传统的目标检测方式中，是通过在图像中提取目标物体对应的特征图实现目标检测，如通过目标检测器DETR(Detection Transformer，基于集合预测的目标检测)进行目标检测。
[0003]然而较小的目标物体通过是在高分辨率的特征图上进行检测，通过传统方式来进行目标检测，会导致计算复杂度较高。因此，如何降低目标检测过程中，较小目标物体的计算复杂度称为目前需要解决的一个技术问题。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够降低目标检测过程中，较小目标物体的计算复杂度的目标检测方法、装置、计算机设备和存储介质。
[0005]一种目标检测方法，所述方法包括：
[0006]获取待检测图像；
[0007]将所述待检测图像输入至已训练的目标检测模型中，所述目标检测模型包括预处理单元、特征提取单元以及预测单元；
[0008]通过所述预处理单元提取所述待检测图像对应的第一特征图，得到所述第一特征图对应的第一低维特征图；
[0009]通过所述特征提取单元对所述第一低维特征图进行特征提取，得到所述待检测图像对应的目标胶囊信息；
[0010]通过所述预测单元对所述目标胶囊信息进行目标检测，得到所述待检测图像对应的目标检测结果。
[0011]在其中一个实施例中，通过所述预处理单元提取所述待检测图像对应的第一特征图包括：
[0012]通过所述预处理单元中的卷积神经网络对所述待检测图像进行特征提取，将所述卷积神经网络最后两个卷积层输出的特征图确定为所述待检测图像对应的第一特征图。
[0013]在其中一个实施例中，所述对所述第一特征图进行基于注意力的池化处理，得到所述第一特征图对应的第一低维特征图包括：
[0014]对所述第一特征图进行多头注意力计算，得到所述第一特征图对应的多头注意力值；
[0015]对所述多头注意力值进行归一化处理，得到所述第一特征图对应的第一低维特征图。
[0016]在其中一个实施例中，所述特征提取单元包括编码单元和解码单元；所述通过所述特征提取单元对所述第一低维特征图进行特征提取，得到所述待检测图像对应的目标胶囊信息包括：
[0017]通过所述编码单元对所述第一低维特征图进行全局特征提取，得到全局特征信息，对所述全局特征信息进行胶囊转换，得到初始胶囊信息；
[0018]将所述初始胶囊信息输入至所述解码单元，对所述初始胶囊信息进行类别特征提取，得到类别特征信息，对所述类别特征信息进行胶囊转换，得到目标胶囊信息。
[0019]在其中一个实施例中，所述通过所述预测单元对所述目标胶囊信息进行目标检测，得到所述待检测图像对应的目标检测结果包括：
[0020]通过所述预测单元基于注意力路由对所述目标胶囊信息进行目标检测，得到第一检测结果；
[0021]通过所述预测单元对所述目标胶囊信息进行线性变换，得到第二检测结果；
[0022]将所述第一检测结果以及所述第二检测结果进行融合，得到所述待检测图像对应的目标检测结果。
[0023]在其中一个实施例中，在所述获取待检测图像之前，所述方法还包括：
[0024]获取样本图像集；
[0025]将所述样本图像集输入至待训练目标检测模型中，通过所述待训练目标检测模型中的预处理单元提取所述样本图像集对应的第二特征图，对所述第二特征图进行基于注意力的池化处理，得到所述第二特征图对应的第二低维特征图；
[0026]通过所述待训练目标检测模型中的特征提取单元对所述第二低维特征图进行特征提取，得到所述样本图像集对应的目标胶囊信息；
[0027]通过所述待训练目标检测模型中的预测单元对所述样本图像集对应的目标胶囊信息进行目标检测，得到所述样本图像集对应的目标检测结果；
[0028]根据所述样本图像集对应的目标检测结果计算所述待训练目标检测模型的损失值，根据所述损失值更新所述待训练目标检测模型的网络参数，直至满足预设条件，得到已训练的目标检测模型。
[0029]在其中一个实施例中，所述样本图像集标注有目标标签信息；所述根据所述样本图像集对应的目标检测结果计算所述待训练目标检测模型的损失值包括：
[0030]将所述样本图像集对应的目标检测结果与所述目标标签信息进行二分匹配，得到匹配结果；
[0031]根据所述匹配结果计算所述待训练目标检测模型的损失值。
[0032]在其中一个实施例中，所述待训练目标检测模型的损失值包括目标位置偏移损失值、分类损失值以及匹配损失值。
[0033]一种目标检测装置，所述装置包括：
[0034]图像获取模块，用于获取待检测图像；
[0035]特征提取模块，用于将所述待检测图像输入至已训练的目标检测模型中，所述目标检测模型包括预处理单元、特征提取单元以及预测单元；通过所述预处理单元提取所述待检测图像对应的第一特征图，得到所述第一特征图对应的第一低维特征图；通过所述特征提取单元对所述第一低维特征图进行特征提取，得到所述待检测图像对应的目标胶囊信息；
[0036]目标检测模块，用于通过所述预测单元对所述目标胶囊信息进行目标检测，得到所述待检测图像对应的目标检测结果。
[0037]一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
[0038]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
[0039]上述目标检测方法、装置、计算机设备和存储介质，通过已训练的目标检测模型的预处理单元提取待检测图像对应的第一特征图，对第一特征图进行基于注意力的池化处理，得到第一特征图对应的第一低维特征图。从而通过特征提取单元对第一低维特征图进行特征提取，得到待检测图像对应的目标胶囊信息，进而通过预测单元对目标胶囊信息进行目标检测，得到待检测图像对应的目标检测结果。通过对第一特征图进行基于注意力的池化处理，能够去除第一特征图中的无关信息，只关注与目标检测相关的信息，从而降低了计算复杂度，通过对第一特征图进行降维处理，降低了内存复杂度。在对较小的目标物体或被部分遮挡的目标物体进行目标检测时，能够降低本文档来自技高网...
【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：获取待检测图像；将所述待检测图像输入至已训练的目标检测模型中，所述目标检测模型包括预处理单元、特征提取单元以及预测单元；通过所述预处理单元提取所述待检测图像对应的第一特征图，得到所述第一特征图对应的第一低维特征图；通过所述特征提取单元对所述第一低维特征图进行特征提取，得到所述待检测图像对应的目标胶囊信息；通过所述预测单元对所述目标胶囊信息进行目标检测，得到所述待检测图像对应的目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述通过所述预处理单元提取所述待检测图像对应的第一特征图包括：通过所述预处理单元中的卷积神经网络对所述待检测图像进行特征提取，将所述卷积神经网络最后两个卷积层输出的特征图确定为所述待检测图像对应的第一特征图。3.根据权利要求1所述的方法，其特征在于，所述对所述第一特征图进行基于注意力的池化处理，得到所述第一特征图对应的第一低维特征图包括：对所述第一特征图进行多头注意力计算，得到所述第一特征图对应的多头注意力值；对所述多头注意力值进行归一化处理，得到所述第一特征图对应的第一低维特征图。4.根据权利要求1所述的方法，其特征在于，所述特征提取单元包括编码单元和解码单元；所述通过所述特征提取单元对所述第一低维特征图进行特征提取，得到所述待检测图像对应的目标胶囊信息包括：通过所述编码单元对所述第一低维特征图进行全局特征提取，得到全局特征信息，对所述全局特征信息进行胶囊转换，得到初始胶囊信息；将所述初始胶囊信息输入至所述解码单元，对所述初始胶囊信息进行类别特征提取，得到类别特征信息，对所述类别特征信息进行胶囊转换，得到目标胶囊信息。5.根据权利要求1所述的方法，其特征在于，所述通过所述预测单元对所述目标胶囊信息进行目标检测，得到所述待检测图像对应的目标检测结果包括：通过所述预测单元基于注意力路由对所述目标胶囊信息进行目标检测，得到第一检测结果；通过所述预测单元对所述目标胶囊信息进行线性变换，得到第二检测结果；将所述第一检测结果以及所述第二检测结果进行融合，得到所述待检测图像对应的目标检测结果。6.根据权利要求1所述的方法，其特征在于，在所述获取待检测图像之前，所述方法还包括：获取样...
【专利技术属性】
技术研发人员：张少林，宁欣，田伟娟，
申请(专利权)人：深圳市威富视界有限公司，
类型：发明
国别省市：
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。