目标识别方法及装置制造方法及图纸

本申请实施例提供一种目标识别方法及装置，该方法包括：将第一图像输入至特征提取网络，得到第一图像的特征图，其中，特征提取网络中包括空洞卷积网络和残差网络。通过密度上采样卷积网络对特征图进行处理，得到特征图对应的标签图，其中，标签图中包括各像素点各自的标签信息。通过候选区域生成网络对特征图进行处理，得到至少一个候选区域。根据标签图以及候选区域，确定第一图像中的目标对象，并在第一图像中标注目标对象。本申请的技术方案可以有效的提升图像中小目标的识别精度。有效的提升图像中小目标的识别精度。有效的提升图像中小目标的识别精度。

【技术实现步骤摘要】
目标识别方法及装置


[0001]本申请实施例涉及图像处理技术，尤其涉及一种目标识别方法及装置。

技术介绍

[0002]随着图像处理技术的不断发展，在图像中进行目标识别已经成为了一种非常重要的应用。
[0003]目前，现有技术中在图像中进行目标识别的时候，比如说可以通过图像识别网络对待处理图像进行识别，以确定待处理图像中的目标对象。其中在图像识别网络中通常包括多个网络层，比如说卷积层、池化层等等。
[0004]然而，池化层的存在会导致图像特征丢失，从而会导致对小目标的识别效果较差。

技术实现思路

[0005]本申请实施例提供一种目标识别方法及装置，以克服对小目标的识别效果较差的问题。
[0006]第一方面，本申请实施例提供一种目标识别方法，包括：将第一图像输入至特征提取网络，得到所述第一图像的特征图，其中，所述特征提取网络中包括空洞卷积网络和残差网络；通过密度上采样卷积网络对所述特征图进行处理，得到所述特征图对应的标签图，其中，所述标签图中包括各像素点各自的标签信息；通过候选区域生成网络对所述特征图进行处理，得到至少一个候选区域。
[0007]根据所述标签图以及所述候选区域，确定所述第一图像中的目标对象，并在所述第一图像中标注所述目标对象。
[0008]在一种可能的设计中，所述特征提取网络中包括n个网络单元，每个所述网络单元中包括依次连接的空洞卷积网络和残差网络，所述n为大于等于1的整数；所述将第一图像输入至特征提取网络，得到所述第一图像的特征图，包括：将所述第一图像输入至第一个网络单元，得到所述第一个网络单元输出的中间特征图；将所述第一个网络单元的输出的中间特征图，输入至第二个网络单元，得到所述第二个网络单元输出的中间特征图；重复执行将上一个网络单元的中间特征图输入至下一个网络单元的步骤，直至得到第n个网络单元输出的中间特征图，并将所述第n个网络单元输出的中间特征图，确定为所述第一图像的特征图。
[0009]在一种可能的设计中，所述将所述第一图像输入至第一个网络单元，得到所述第一个网络单元输出的中间特征图，包括：将所述第一图像输入至所述第一个网络单元的空洞卷积网络，得到第一图像特征；
将所述第一图像以及所述第一图像特征输入至所述第一个网络单元的残差网络，得到所述第一个网络单元输出的中间特征图。
[0010]在一种可能的设计中，所述根据所述标签图以及所述候选区域，确定所述第一图像中的目标对象，包括：将所述标签图和所述候选区域输入至空间金字塔池化网络，得到所述第一图像对应的特征向量；根据所述特征向量，确定所述第一图像中的目标对象。
[0011]在一种可能的设计中，根据所述特征向量，确定所述第一图像中的目标对象，包括：通过分类回归网络对所述特征向量进行处理，在所述第一图像中确定目标区域；将所述第一图像中的目标区域中的对象，确定为所述目标对象。
[0012]在一种可能的设计中，所述将所述标签图和所述候选区域输入至空间金字塔池化网络，得到所述第一图像对应的特征向量，包括：在所述标签图中标注各所述候选区域，得到标签特征图；将所述标签特征图输入至空间金字塔池化网络，得到所述第一图像对应的特征向量。
[0013]第二方面，本申请实施例提供一种目标识别装置，包括：输入模块，用于将第一图像输入至特征提取网络，得到所述第一图像的特征图，其中，所述特征提取网络中包括空洞卷积网络和残差网络；第一处理模块，用于通过密度上采样卷积网络对所述特征图进行处理，得到所述特征图对应的标签图，其中，所述标签图中包括各像素点各自的标签信息；第二处理模块，用于通过候选区域生成网络对所述特征图进行处理，得到至少一个候选区域。
[0014]确定模块，用于根据所述标签图以及所述候选区域，确定所述第一图像中的目标对象，并在所述第一图像中标注所述目标对象。
[0015]在一种可能的设计中，所述特征提取网络中包括n个网络单元，每个所述网络单元中包括依次连接的空洞卷积网络和残差网络，所述n为大于等于1的整数；所述输入模块具体用于：将所述第一图像输入至第一个网络单元，得到所述第一个网络单元输出的中间特征图；将所述第一个网络单元的输出的中间特征图，输入至第二个网络单元，得到所述第二个网络单元输出的中间特征图；重复执行将上一个网络单元的中间特征图输入至下一个网络单元的步骤，直至得到第n个网络单元输出的中间特征图，并将所述第n个网络单元输出的中间特征图，确定为所述第一图像的特征图。
[0016]在一种可能的设计中，所述输入模块具体用于：将所述第一图像输入至所述第一个网络单元的空洞卷积网络，得到第一图像特征；将所述第一图像以及所述第一图像特征输入至所述第一个网络单元的残差网络，
得到所述第一个网络单元输出的中间特征图。
[0017]在一种可能的设计中，所述确定模块具体用于：将所述标签图和所述候选区域输入至空间金字塔池化网络，得到所述第一图像对应的特征向量；根据所述特征向量，确定所述第一图像中的目标对象。
[0018]在一种可能的设计中，所述确定模块具体用于：通过分类回归网络对所述特征向量进行处理，在所述第一图像中确定目标区域；将所述第一图像中的目标区域中的对象，确定为所述目标对象。
[0019]在一种可能的设计中，所述确定模块具体用于：在所述标签图中标注各所述候选区域，得到标签特征图；将所述标签特征图输入至空间金字塔池化网络，得到所述第一图像对应的特征向量。
[0020]第三方面，本申请实施例提供一种目标识别设备，包括：存储器，用于存储程序；处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
[0021]第四方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
[0022]第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计中任一所述的方法。
[0023]本申请实施例提供一种目标识别方法及装置，该方法包括：将第一图像输入至特征提取网络，得到第一图像的特征图，其中，特征提取网络中包括空洞卷积网络和残差网络。通过密度上采样卷积网络对特征图进行处理，得到特征图对应的标签图，其中，标签图中包括各像素点各自的标签信息。通过候选区域生成网络对特征图进行处理，得到至少一个候选区域。根据标签图以及候选区域，确定第一图像中的目标对象，并在第一图像中标注目标对象。通过在特征提取网络中引入空洞卷积网络和残差网络，以利用残差模型解决网络后端图形信息丰富度减少，并且利用空洞卷积扩大卷积核感受野获取更多信息。同时对得到的特征图进行密度上采样卷积，获得稠密的逐像素标签预测图，从而捕获和解码缺失的底层信息，从而可以有效的提升图像中小目标的识别精度。
附图说明
[0024]为了更清楚地说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标识别方法，其特征在于，包括：将第一图像输入至特征提取网络，得到所述第一图像的特征图，其中，所述特征提取网络中包括空洞卷积网络和残差网络；通过密度上采样卷积网络对所述特征图进行处理，得到所述特征图对应的标签图，其中，所述标签图中包括各像素点各自的标签信息；通过候选区域生成网络对所述特征图进行处理，得到至少一个候选区域；根据所述标签图以及所述候选区域，确定所述第一图像中的目标对象，并在所述第一图像中标注所述目标对象。2.根据权利要求1所述的方法，其特征在于，所述特征提取网络中包括n个网络单元，每个所述网络单元中包括依次连接的空洞卷积网络和残差网络，所述n为大于等于1的整数；所述将第一图像输入至特征提取网络，得到所述第一图像的特征图，包括：将所述第一图像输入至第一个网络单元，得到所述第一个网络单元输出的中间特征图；将所述第一个网络单元的输出的中间特征图，输入至第二个网络单元，得到所述第二个网络单元输出的中间特征图；重复执行将上一个网络单元的中间特征图输入至下一个网络单元的步骤，直至得到第n个网络单元输出的中间特征图，并将所述第n个网络单元输出的中间特征图，确定为所述第一图像的特征图。3.根据权利要求2所述的方法，其特征在于，所述将所述第一图像输入至第一个网络单元，得到所述第一个网络单元输出的中间特征图，包括：将所述第一图像输入至所述第一个网络单元的空洞卷积网络，得到第一图像特征；将所述第一图像以及所述第一图像特征输入至所述第一个网络单元的残差网络，得到所述第一个网络单元输出的中间特征图。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述根据所述标签图以及所述候选区域，确定所述第一图像中...

【专利技术属性】
技术研发人员：周波，邹小刚，苗瑞，梁书玉，
申请(专利权)人：深圳市海清视讯科技有限公司，
类型：发明
国别省市：