一种基于多模型融合的目标检测方法、装置、设备及介质制造方法及图纸

本申请公开了一种基于多模型融合的目标检测方法、装置、设备及介质，包括：获取已训练好的多个目标检测模型，并获取对待检测原始图像进行图像增强处理后得到的待检测图像集；分别利用每个所述目标检测模型对待检测图像集中的待检测图像进行检测，得到与多个目标检测模型对应的多组初始目标检测结果；分别对每组初始目标检测结果中的所有初始目标检测结果进行加权，得到每个所述目标检测模型各自对应的初次加权目标检测结果；基于预先利用验证集确定的每个目标检测模型的权重，对多个目标检测模型对应的多个初次加权目标检测结果进行加权，得到与待检测原始图像对应的最终目标检测结果。本申请能够充分发挥模型的多样性，提高目标检测的精度。高目标检测的精度。高目标检测的精度。

【技术实现步骤摘要】
一种基于多模型融合的目标检测方法、装置、设备及介质


[0001]本申请涉及图像处理
，特别涉及一种基于多模型融合的目标检测方法、装置、设备及介质。

技术介绍

[0002]目前，随着大数据和人工智能的蓬勃发展，基于深度学习的计算机视觉也在各个领域得到了广泛的应用，如自主车辆的视觉导航、医学图像分析和人脸识别等领域。目标检测是计算机视觉的一个重要分支，也是视觉感知的第一步。目标检测不仅要确定出图像中有什么，还需确定出目标在图像中的什么位置。
[0003]当前，关于目标检测的网络模型和算法层出不穷。通常情况下，仅使用一种算法无法获取到更精确的结果，因此需要将多种学习算法组合起来得到一个较为准确的结果。在目标检测领域中，通常采用的模型集成算法有：多模型直接平均法、单模型多个快照集成(即Snapshots Ensemble)平均融合及AABBFI算法（Axis
‑
Aligned Bounding Box Fuzzy Integral，轴对齐包围盒模糊积分）。在上述三种模型集成算法中，多模型直接平均法是直接对多个模型的输出结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模型融合的目标检测方法，其特征在于，包括：获取已训练好的多个目标检测模型，并获取对待检测原始图像进行图像增强处理后得到的待检测图像集；分别利用每个所述目标检测模型对所述待检测图像集中的待检测图像进行检测，以得到与多个所述目标检测模型对应的多组初始目标检测结果；分别对每组所述初始目标检测结果中的所有初始目标检测结果进行加权，以得到每个所述目标检测模型各自对应的初次加权目标检测结果；基于预先利用验证集确定的每个所述目标检测模型的权重，对多个所述目标检测模型对应的多个所述初次加权目标检测结果进行加权，得到与所述待检测原始图像对应的最终目标检测结果。2.根据权利要求1所述的基于多模型融合的目标检测方法，其特征在于，所述获取已训练好的多个目标检测模型之前，还包括：利用基于模型结构差异构建的筛选条件，筛选出多个待训练目标检测模型；其中，不同所述待训练目标检测模型之间的模型结构差异均满足预设差异条件；利用对历史原始图像集进行图像增强后得到的训练集，对多个所述待训练目标检测模型进行训练，以得到已训练好的多个所述目标检测模型。3.根据权利要求1所述的基于多模型融合的目标检测方法，其特征在于，所述获取对待检测原始图像进行图像增强处理后得到的待检测图像集，包括：根据每个所述目标检测模型的模型类别，确定每个所述目标检测模型对应的图像增强算法；利用每个所述目标检测模型对应的图像增强算法，对所述待检测原始图像进行相应的图像增强处理，以得到与每个所述目标检测模型对应的待检测图像集。4.根据权利要求1所述的基于多模型融合的目标检测方法，其特征在于，对任一组所述初始目标检测结果中的所有初始目标检测结果进行加权，包括：对任一组所述初始目标检测结果中的所有初始目标检测结果进行聚类，以得到与该组所述初始目标检测结果对应的第一聚类结果；根据所述第一聚类结果，并基于轴对齐包围盒模糊积分算法和非极大值抑制算法，确定各个所述初始目标检测结果的权重；基于各个所述初始目标检测结果的权重，对该组所述初始目标检测结果中的所有所述初始目标检测结果进行加权，以得到相应所述目标检测模型对应的初次加权目标检测结果。5.根据权利要求1至4任一项所述的基于多模型融合的目标检测方法，其特征在于，还包括：基于验证集确定出已训练好的每个所述目标检测模型对应的均值平均精度评价指标；对所有所述目标检测模型对应的均...

【专利技术属性】
技术研发人员：金良，李仁刚，赵雅倩，郭振华，范宝余，徐聪，胡克坤，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：