目标对象的检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种目标对象的检测方法、装置、电子设备及存储介质。该方法包括：根据待检测图像生成第一图像和第二图像，第一图像和第二图像的尺寸不同，第一图像和第二图像中的至少一个图像由待检测图像等比缩放得到，采用第一子模型检测第一图像，分别得到至少一类目标对像的第一子特征，以及采用第二子模型检测第二图像，分别得到至少一类目标对像的第二子特征，第一子模型与第二子模型是预训练的检测模型中相同的子模型，分别融合各类目标对像的第一子特征和第二子特征得到相应类的目标对像在待检测图像中的特征，实现了对待检测图像的整体轮廓和目标对象的同时检测，从而提高了目标对象检测方法检测的性能。而提高了目标对象检测方法检测的性能。而提高了目标对象检测方法检测的性能。

【技术实现步骤摘要】
目标对象的检测方法、装置、电子设备及存储介质
[0001]

[0002]本专利技术实施例涉及人工智能（Artificial Intelligence，AI）
，具体涉及一种目标对象的检测方法、装置、电子设备及存储介质。

技术介绍

[0003]目标对象检测技术是一种从包含至少一种对象的数据集中，识别以及定位目标对象的技术。目标对象检测例如包括目标图像检测等。目标对象检测技术被广泛应用于医学、安保、视频分析以及自动驾驶等领域。
[0004]以目标图像的检测为例，一种常用的目标图像检测方法在于，通过预训练的检测模型的从源图像中检测该源图像中的目标图像。其中，该检测模型的训练原理在于，标注出训练样本中各种图像的类别，以使训练得到的检测模型能够基于类别特征识别出源图像中的目标图像。
[0005]通常，基于类别特征检测目标图像的原理在于，通过检测图像中明显表征相应类别的特征来确定目标图像，而对目标图像中表征类别相对不明显的特征几乎不关注，例如检测模型通过识别大象的面部特征检测出图像“大象”，而不识别大象身体部分的图像特征。这样，若目标对象的尺寸相对较小，表征该目标对象类别特征的数据相对并不突出，从而会降低检测的准确率，另外，由于常用的检测模型几乎不识别不突出的类别特征，导致无法检测到目标对象的轮廓。可见，常用的目标对象检测模型检测性能不佳。

技术实现思路

[0006]本专利技术实施例提供了一种目标对象的检测方法、装置、电子设备及存储介质，能够解决现有目标对象检测方法检测性能不佳的问题。
>[0007]第一方面，本专利技术实施例提供了一种目标对象的检测方法，所述方法包括：获取待检测图像，所述待检测图像中包含至少一类目标对象；根据所述待检测图像生成第一图像和第二图像，所述第一图像和所述第二图像的尺寸不同，所述第一图像和所述第二图像中的至少一个图像由所述待检测图像等比缩放得到；采用第一子模型检测所述第一图像，分别得到所述至少一类目标对像的第一子特征，以及采用第二子模型检测所述第二图像，分别得到所述至少一类目标对像的第二子特征，所述第一子模型与所述第二子模型是预训练的检测模型中相同的子模型；分别融合各类目标对像的第一子特征和第二子特征得到相应类的目标对像在所述待检测图像中的特征，作为所述至少一类目标对象的检测结果。
[0008]优先地，所述任一目标对像在所述待检测图像中的特征包括：所述目标对像对应的类别特征，以及所述目标对像在所述待检测图像中位置特
征。
[0009]优先地，还包括：采用第一训练样本集和第二训练样本集训练初始模型，得到所述检测模型，其中，所述第二训练样本集是等比缩放所述第一训练样本集中的各个图像得到的，所述初始模型包括第一子网络和第二子网络，所述第一子网络与所述第一子模型对应，所述第二子网络与所述第二子模型对应。
[0010]优先地，所述采用第一训练样本集和第二训练样本集训练初始模型，得到所述检测模型，包括：获取所述第一子网络对所述第一训练样本集处理得到的第一处理数据集，以及所述第二子网络对所述第二训练样本集处理得到的第二处理数据集；计算所述第一处理数据集与所述第二处理数据集之间的损失函数值loss；若所述loss小于或者等于预设阈值，将所述初始模型确定为所述检测模型；若所述loss大于所述预设阈值，调整所述初始模型的参数，重复执行获取所述第一子网络对所述第一训练样本集处理得到的第一处理数据集，以及所述第二子网络对所述第二训练样本集处理得到的第二处理数据集的步骤。
[0011]优先地，所述获取所述第一子网络对所述第一训练样本集处理得到的第一处理数据集，以及所述第二子网络对所述第二训练样本集处理得到的第二处理数据集，包括：获取所述第一子网络所提取的所述第一训练样本集的至少两个第一特征图，以及所述第一子网络对所述第一训练样本集所包含对象的第一分类数据；根据预设的掩码规则获得所述至少两个第一特征图对应的至少一个第一掩码图；将所述至少一个第一掩码图和所述第一分类数据确定为所述第一处理数据集；获取所述第二子网络所提取的所述第二训练样本集的至少两个第二特征图，以及所述第二子网络对所述第二训练样本集所包含对象的第二分类数据；根据所述预设的掩码规则获得所述至少两个第二特征图对应的至少一个第二掩码图；将所述至少一个第二掩码图和所述第二分类数据确定为所述第二处理数据集。
[0012]优先地，所述计算所述第一处理数据集与所述第二处理数据集之间的损失函数值loss，包括：计算所述至少一个第一掩码图与所述至少一个第二掩码图之间的损失值，得到第一子loss，所述第一子loss表征所述第一子网络检测的目标对象与所述第二子网络检测的目标对象差异；计算所述第一分类数据和所述第二分类数据的正则损失值，得到第二子loss，所述第二子loss表征所述第一子网络针对各个类别的检测结果与所述第二子网络针对各个类别的检测结果的差异；按照类别计算所述第一分类数据和所述第二分类数据的损失值，得到第三子loss，所述第三子loss表征所述第一子网络针对全部类别的检测结果与所述第二子网络针对全部类别的检测结果的差异；对所述第一子loss、所述第二子loss和所述第三子loss加权得到所述loss。
[0013]优先地，所述根据预设的掩码规则获得所述至少两个第一特征图对应的至少一个
第一掩码图，包括：根据所述预设的掩码规则将所述至少两个第一特征图分别转换为掩码图，得到至少两个第一掩码图；或者，根据所述预设的掩码规则将所述至少两个第一特征图分别转换为掩码图，得到至少两个子掩码图，融合所述至少两个子掩码图得到所述第一掩码图。
[0014]优先地，针对一个第一特征图，根据所述预设的掩码规则将所述第一特征图转换为掩码图，包括：将所述第一特征图中像素值大于第一阈值的像素值设置为1；将所述第一特征图中像素值大于第二阈值的像素值设置为0；将所述第一特征图中像素值小于或者等于所述第一阈值，且大于或者等于所述第二阈值的像素值设置为255，其中，所述第一阈值大于所述第二阈值。
[0015]优先地，所述等比缩放的系数范围是0.3到3。
[0016]第二方面，本专利技术实施例提供了一种目标对象的检测装置，所述装置包括：获取模块，用于获取待检测图像，所述待检测图像中包含至少一类目标对象；等比缩放模块，用于根据所述待检测图像生成第一图像和第二图像，所述第一图像和所述第二图像的尺寸不同，所述第一图像和所述第二图像中的至少一个图像由所述待检测图像等比缩放得到；检测模块，用于采用第一子模型检测所述第一图像，分别得到所述至少一类目标对像的第一子特征，以及采用第二子模型检测所述第二图像，分别得到所述至少一类目标对像的第二子特征，所述第一子模型与所述第二子模型是预训练的检测模型中相同的子模型；融合模块，分别融合各类目标对像的第一子特征和第二子特征得到相应类的目标对像在所述待检测图像中的特征，作为所述至少一类目标对象的检测结果。
[0017]本专利技术实施例的第三方面提供了一种电子设备，包括：存储器以及一个或多个处理器；其中，所述存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象的检测方法，其特征在于，所述方法包括：获取待检测图像，所述待检测图像中包含至少一类目标对象；根据所述待检测图像生成第一图像和第二图像，所述第一图像和所述第二图像的尺寸不同，所述第一图像和所述第二图像中的至少一个图像由所述待检测图像等比缩放得到；采用第一子模型检测所述第一图像，分别得到所述至少一类目标对像的第一子特征，以及采用第二子模型检测所述第二图像，分别得到所述至少一类目标对像的第二子特征，所述第一子模型与所述第二子模型是预训练的检测模型中相同的子模型；分别融合各类目标对像的第一子特征和第二子特征得到相应类的目标对像在所述待检测图像中的特征，作为所述至少一类目标对象的检测结果。2.根据权利要求1所述的方法，其特征在于，所述任一目标对像在所述待检测图像中的特征包括：所述目标对像对应的类别特征，以及所述目标对像在所述待检测图像中位置特征。3.根据权利要求1所述的方法，其特征在于，还包括：采用第一训练样本集和第二训练样本集训练初始模型，得到所述检测模型，其中，所述第二训练样本集是等比缩放所述第一训练样本集中的各个图像得到的，所述初始模型包括第一子网络和第二子网络，所述第一子网络与所述第一子模型对应，所述第二子网络与所述第二子模型对应。4.根据权利要求3所述的方法，其特征在于，所述采用第一训练样本集和第二训练样本集训练初始模型，得到所述检测模型，包括：获取所述第一子网络对所述第一训练样本集处理得到的第一处理数据集，以及所述第二子网络对所述第二训练样本集处理得到的第二处理数据集；计算所述第一处理数据集与所述第二处理数据集之间的损失函数值loss；若所述loss小于或者等于预设阈值，将所述初始模型确定为所述检测模型；若所述loss大于所述预设阈值，调整所述初始模型的参数，重复执行获取所述第一子网络对所述第一训练样本集处理得到的第一处理数据集，以及所述第二子网络对所述第二训练样本集处理得到的第二处理数据集的步骤。5.根据权利要求4所述的方法，其特征在于，所述获取所述第一子网络对所述第一训练样本集处理得到的第一处理数据集，以及所述第二子网络对所述第二训练样本集处理得到的第二处理数据集，包括：获取所述第一子网络所提取的所述第一训练样本集的至少两个第一特征图，以及所述第一子网络对所述第一训练样本集所包含对象的第一分类数据；根据预设的掩码规则获得所述至少两个第一特征图对应的至少一个第一掩码图；将所述至少一个第一掩码图和所述第一分类数据确定为所述第一处理数据集；获取所述第二子网络所提取的所述第二训练样本集的至少两个第二特征图，以及所述第二子网络对所述第二训练样本集所包含对象的第二分类数据；根据所述预设的掩码规则获得所述至少两个第二特征图对应的至少一个第二掩码图；将所述至少一个第二掩码图和所述第二分类数据确定为所述第二处理数据集。6.根据权利要求5所述的方法，其特征在于，所述计算所述第一处理数据集与所述第二处理数据集之间的损失函数值loss，包括：
计算所述至少一个第一掩码图与所述至少...

【专利技术属性】
技术研发人员：王博，卢鹏，李兵，胡卫明，
申请(专利权)人：人民中科济南智能技术有限公司，
类型：发明
国别省市：