【技术实现步骤摘要】
目标检测方法、系统、装置及存储介质
[0001]本公开涉及计算机视觉
，并且更具体地，涉及一种目标检测方法、系统、装置及存储介质。
技术介绍
[0002]目标检测是目前计算机视觉领域的重要基础任务之一，并且通常是许多现实应用中的第一步工作，包括机器人、自动驾驶、卫星图像分析、医学图像中的组织与肿瘤定位等。近年来，目标检测取得了较大发展，主要归功于深度学习算法和卷积神经网络在目标检测中的应用代替了原有的基于人工规则提取特征的方法。目前用于目标检测的深度学习方法主要分为两类：双阶段的目标检测算法和单阶段的目标检测算法。双阶段的目标检测算法是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。单阶段的目标检测算法则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。一般而言，双阶段的目标检测算法在检测精度上占优，而单阶段的目标检测算法在检测速度上占优。
技术实现思路
[0003]根据本公开的第一方面，提供了一种目标检测方法，包括：对训练图像执行如下处理：对每个训练图像中的目标进行标注以...
【技术保护点】
【技术特征摘要】
1.一种目标检测方法，包括：对训练图像执行如下处理：对每个训练图像中的目标进行标注以获得目标的中心点坐标及类别；以及对每个训练图像进行重叠分块以获得多个训练图像块，所述多个训练图像块中的相邻训练图像块彼此部分重叠，使得重叠范围不小于目标尺寸；将经处理的训练图像输入到卷积神经网络模型，以训练卷积神经网络模型；以及将检测图像输入到经训练的卷积神经网络模型，以获得检测图像中的目标的中心点坐标及类别。2.根据权利要求1所述的目标检测方法，还包括：在训练卷积神经网络模型时，对其中目标的数量超过数量阈值的训练图像进行过采样。3.根据权利要求1所述的目标检测方法，还包括：根据目标尺寸相对于训练图像尺寸的比例，确定对训练图像进行重叠分块而获得的训练图像块的数量，以使得目标尺寸相对于训练图像块尺寸的比例落在预定比例范围内。4.根据权利要求1所述的目标检测方法，其中，当要在检测图像中检测多个类别的目标时，所述多个训练图像块中的相邻训练图像块的重叠范围不小于所述多个类别的目标的目标尺寸中的最大者。5.根据权利要求1所述的目标检测方法，其中，对训练图像执行的处理还包括：向训练图像增加噪声。6.根据权利要求1所述的目标检测方法，其中，对训练图像执行的处理还包括：将所标注的目标中的至少一个目标复制到至少一个训练图像的指定区域，并对所复制的目标进行标注以获得目标的中心点坐标及类别。7.根据权利要求6所述的目标检测方法，其中，每个目标被复制的次数不超过次数阈值。8.根据权利要求6所述的目标检测方法，其中，所述指定区域满足以下各项中的至少一项：在复制之前所述指定区域不包括任何目标；在真实世界中要复制的目标出现在所述指定区域的可能性超过可能性阈值；复制后的目标完全在训练图像内。9.根据权利要求1所述的目标检测方法，其中，将检测图像输入到经训练的卷积神经网络模型包括：对检测图像进行重叠分块以得到多个检测图像块，所述多个检测图像块中的相邻检测图像块彼此部分重叠，使得重叠范围不小于目标尺寸；以及将所述多个检测图像块中的每个检测图像块分别输入到经训练的卷积神经网络模型。10.根据权利要求9所述的目标检测方法，其中，卷积神经网络模型包括：骨干网络模块，被配置为从输入的图像块中提取多个不同层次的特征图；特征金字塔网络模块，与骨干网络模块耦接，并且被配置为融合所述多个不同层次的特征图；检测头模块，与特征金字塔网络模块耦接，并且被配置为经由与目标的类别对应的输
出通道输出用于确定相应类别的目标的中心点坐标的特征图；参考热图模块，被配置为针对训练图像块计算提供关于所标注的每个类别的目标的中心点坐标的信息的参考热图；以及损失函数模块，与检测头模块和参考热图模块耦接，并且被配置为将从检测头模块获取的特征图与从参考热图模块获取的参考热图输入到损失函数中，其中卷积神经网络模型经训练以使得所述损失函数最小化。11.根据权利要求10所述的目标检测方法，其中，卷积神经网络模型还包括：上下文增强模块，耦接在特征金字塔网络模块与检测头模块之间，...
【专利技术属性】
技术研发人员：王程，艾国，杨作兴，房汝明，向志宏，
申请(专利权)人：深圳比特微电子科技有限公司，
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。