【技术实现步骤摘要】
目标检测方法、装置、电子设备及可读存储介质
[0001]本申请涉及计算机视觉
,尤其涉及一种目标检测方法、装置、电子设备及可读存储介质。
技术介绍
[0002]卷积神经网络通过逐层抽象的方式来提取目标的特征。高层网络的感受野比较大,语义信息表征能力强,但是特征图的分辨率低,几何信息的表征能力弱(空间几何特征细节缺乏);低层网络的感受野比较小,几何细节信息表征能力强,虽然分辨率高,但是语义信息表征能力弱。
[0003]因此,在利用卷积神经网络进行目标检测和分割等任务时,可以多尺度特征融合的方式来提高准确性。
[0004]以利用特征金字塔网络(Feature Pyramid Network,简称FPN)进行多尺度特征融合为例,基于多尺度特征融合的目标检测方法流程可以如下:
[0005]1、将图像输入主干网络,获得多尺度的特征;
[0006]2、将多尺度特征输入到金字塔网络,得到融合后的特征;
[0007]3、在融合后的特征上回归目标框。
[0008]然而实践发现,上述方案中进行多尺度特征融合(即利用FPN进行多尺度特征融合)时,仅仅是在特征层面,对不同尺度特征进行了简单地元素相加(eltwise
‑
add)或者拼接操作(concat)等操作,性能较差。
技术实现思路
[0009]有鉴于此,本申请提供一种目标检测方法、装置、电子设备及可读存储介质。
[0010]具体地,本申请是通过如下技术方案实现的:
[0011]根据本 ...
【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:获取待检测图像的多尺度特征;所述多尺度特征包括至少两个不同尺度的特征图;依据所述多尺度特征,分别生成各尺度的第一类型卷积核,其中,所述第一类型卷积核包括多尺度信息;分别依据各尺度的第一类型卷积核,对对应尺度的特征图进行特征融合,得到各尺度的特征融合后的特征图;分别对各尺度的特征融合后的特征图进行目标检测。2.根据权利要求1所述的方法,其特征在于,所述依据所述多尺度特征,分别生成各尺度的第一类型卷积核,包括:依据所述多尺度特征,分别生成各尺度对应的权重组;分别依据各尺度对应的权重组,以及预设的第二类型卷积核,生成各尺度的第一类型卷积核。3.根据权利要求1所述的方法,其特征在于,所述依据所述多尺度特征,分别生成各尺度的第一类型卷积核,包括:分别依据所述多尺度特征中的各尺度特征,生成各尺度下的第三类型卷积核组;其中,任一尺度下的第三类型卷积核组中的第三类型卷积核的数量与所述至少两个不同尺度中尺度的数量一致,且任一尺度下的卷积核组中的第三类型卷积核与所述至少两个不同尺度一一对应;对于所述至少两个尺度中的任一目标尺度,依据所生成的各尺度下的第三类型卷积核组中,与该目标尺度对应的第三类型卷积核,生成该目标尺度的第一类型卷积核。4.根据权利要求1所述的方法,其特征在于,所述分别依据各尺度的第一类型卷积核,对对应尺度的特征图进行特征融合,得到各尺度的特征融合后的特征图,包括:对于任一尺度的特征图,将该尺度的特征图以及该尺度的第一类型卷积核,输入到用于进行特征融合的第一目标卷积层,通过所述第一目标卷积层,利用该尺度的第一类型卷积核,对该尺度的特征图进行特征融合处理,得到该尺度的特征融合后的特征图。5.根据权利要求4所述的方法,其特征在于,所述对于任一尺度的特征图,将该尺度的特征图以及该尺度的第一类型卷积核,输入到用于进行特征融合的第一目标卷积层之后,还包括:将各尺度的特征融合后的特征图合并输入到用于进行特征融合的第二目标卷积层,得到各尺度二次特征融合后的特征图。6.根据权利要求4所述的方法,其特征在于,所述对于任一尺度的特征图,将该尺度的特征图以及该尺度的第一类型卷积核,输入到用于进行特征融合的第一目标卷积层之前,还包括:将各尺度的特征图合并输入到用于进行特征融合的第三目标卷积层,得到各尺度的特征融合后的特征图;所述对于任一尺度的特征图,将该尺度的特征图以及该尺度的第一类型卷积核,输入到用于进行特征融合的第一目标卷积层,包括:对于任一尺度的特征图,将该尺度特征融合后的特征图以及该尺度的第一类型卷积核,输入到用于进行特征融合的第一目标卷积层,通过所述第一目标卷积层,利用该尺度的
第一类型卷积核,对该尺度特征融合后的特征图进行特征融合处理,得到该尺度二次特征融合后的特征图。7.一种目标检测装置,其特征在于,包括:获取单元,用于获取待检测图像的多尺度特征;所述多尺度特征包括至少两个不同尺度的特征图;生成单元,用于依据所述多尺度特征,分别生成各尺度的第一类型卷积核,其中,所述第一类型卷积核包括多尺...
【专利技术属性】
技术研发人员:张凯,谭文明,李哲暘,张如意,
申请(专利权)人:杭州海康威视数字技术股份有限公司,
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。