目标检测方法及相关装置、电子设备、存储介质制造方法及图纸

本申请公开了一种目标检测方法及相关装置、电子设备、存储介质，其中，目标检测方法包括：获取待检测图像的特征图中各像素位置的第一特征表示，并获取若干预设对象的第二特征表示和若干预设类别的第三特征表示；将预设对象的第二特征表示和预设类别的第三特征表示进行融合，得到融合特征表示；基于第一特征表示和融合特征表示进行预测，得到目标对象关于目标类别的检测结果；其中，目标对象和目标类别分别表征融合特征表示对应的预设对象和预设类别。上述方案，能够将多分类任务转换为二分类任务，进而即使类别再繁多，也能够准确检测，有利于提升目标检测精度。有利于提升目标检测精度。有利于提升目标检测精度。

【技术实现步骤摘要】
目标检测方法及相关装置、电子设备、存储介质


[0001]本申请涉及图像处理
，特别是涉及一种目标检测方法及相关装置、电子设备、存储介质。

技术介绍

[0002]目标检测是计算机视觉领域的核心任务之一，是实现目标跟踪、行为识别的基础。现有的目标检测方式主要包括：基于手工设计特征的目标检测方式以及基于神经网络的目标检测方式。
[0003]经研究发现，现有的目标检测方式在类别的多少对于检测精度的高低存在直接影响。通常而言，类别一旦增多，检测精度也会随之降低，在实际应用过程中，对于一些相近的类别也会较难分清。有鉴于此，如何提升目标检测精度成为亟待解决的问题。

技术实现思路

[0004]本申请主要解决的技术问题是提供一种目标检测方法及相关装置、电子设备、存储介质，能够提升目标检测精度。
[0005]为了解决上述技术问题，本申请第一方面提供了一种目标检测方法，包括：获取待检测图像的特征图中各像素位置的第一特征表示，并获取若干预设对象的第二特征表示和若干预设类别的第三特征表示；将预设对象的第二特征表示和预设类别的第三特征表示进行融合，得到融合特征表示；基于第一特征表示和融合特征表示进行预测，得到目标对象关于目标类别的检测结果；其中，目标对象和目标类别分别表征融合特征表示对应的预设对象和预设类别。
[0006]为了解决上述技术问题，本申请第二方面提供了一种目标检测装置，包括：获取模块、融合模块和预测模块，获取模块，用于获取待检测图像的特征图中各像素位置的第一特征表示，并获取若干预设对象的第二特征表示和若干预设类别的第三特征表示；融合模块，用于将预设对象的第二特征表示和预设类别的第三特征表示进行融合，得到融合特征表示；预测模块，用于基于第一特征表示和融合特征表示进行预测，得到目标对象关于目标类别的检测结果；其中，目标对象和目标类别分别表征融合特征表示对应的预设对象和预设类别。
[0007]为了解决上述技术问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面的目标检测方法。
[0008]为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面的目标检测方法。
[0009]上述方案，获取待检测图像的特征图中各像素位置的第一特征表示，并获取若干预设对象的第二特征表示和若干预设类别的第三特征表示，基于此将预设对象的第二特征表示和预设类别的第三特征表示进行融合，得到融合特征表示，再基于第一特征表示和融
合特征表示进行预测，得到目标对象关于目标类别的检测结果，且目标对象和目标类别分别表征融合特征表示对应的预设对象和预设类别，故在目标检测过程中，通过融合预设对象的第二特征表示和预设类别的第三特征表示，得到融合特征表示，再基于第一特征表示和融合特征表示进行预测，能够针对性地对各预设类别分别感知并检测，以得到目标对象关于目标类别的检测结果，从而能够将多分类任务转换为二分类任务，进而即使类别再繁多，也能够准确检测，有利于提升目标检测精度。
附图说明
[0010]图1是本申请目标检测方法一实施例的流程示意图；
[0011]图2是特征提取一实施例的过程示意图；
[0012]图3是本申请目标检测方法一实施例的过程示意图；
[0013]图4是编码网络一实施例的框架示意图；
[0014]图5是融合特征表示一实施例的过程示意图；
[0015]图6是解码网络一实施例的框架示意图；
[0016]图7是待检测图像一实施例的示意图；
[0017]图8是训练目标检测模型一实施例的流程示意图；
[0018]图9是本申请目标检测装置一实施例的框架示意图；
[0019]图10是本申请电子设备一实施例的框架示意图；
[0020]图11是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
[0021]下面结合说明书附图，对本申请实施例的方案进行详细说明。
[0022]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
[0023]本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
[0024]请参阅图1，图1是本申请目标检测方法一实施例的流程示意图。具体而言，可以包括如下步骤：
[0025]步骤S11：获取待检测图像的特征图中各像素位置的第一特征表示，并获取若干预设对象的第二特征表示和若干预设类别的第三特征表示。
[0026]在一个实施场景中，为了提升目标检测效率，可以预先训练一个目标检测模型，且该目标检测模型可以进一步包括特征提取网络，用于提取待检测图像的特征图。当然，也可以单独训练一个特征提取网络，用于提取待检测图像的特征图，在此不做限定。需要说明的是，特征提取网络可以包括但不限于卷积神经网络，在此对特征提取网络的网络结构不做限定。此外，特征提取网络可以包括若干层特征提取层，如可以包含1层特征提取层，也可以包含2层特征提取层，还可以包含3层特征提取层，在此对特征提取网络所包含的特征提取层的层数不做限定。
[0027]在一个具体的实施场景中，可以取特征提取网络最后一层特征提取层所输出的特征图，作为待检测图像的特征图，用于后续基于该特征图获取第一特征表示。请结合参阅图2，图2是特征提取一实施例的过程示意图。如图2所示，特征提取网络包含4层特征提取层，经特征提取之后，分别降采样为原待检测图像的4倍、8倍、16倍、32倍。在此基础上，可以取降采样为原待检测图像32倍的特征图(即第4层特征提取层所输出的特征图)作为待检测图像的特征图，用于后续基于该特征图获取第一特征表示。其他情况可以以此类推，在此不再一一举例。
[0028]在一个具体的实施场景中，也可以融合特征提取网络各层特征提取层分别提取到的特征图，得到融合特征图，作为待检测图像的特征图，用于后续基于该特征图获取第一特征表示。示例性地，可以将各层特征提取层分别提取到的特征图按照降采样倍数由高到低的顺序进行排序，并依次选择一个特征图作为当前特征图，并将当前特征图上采样，得到当前特征图的上采样特征图，以及选择排在当前特征图后一位置的特征图作为待融合特征图，再将当前特征图的上采样特征图与待融合特征图进行融合，得到已融合特征图；在此基础上，将已融合特征图作为当前特征图，再依次选择一个未被选择的特征图作为待融合特征图，将当前特征图进行上采样，得到当前特征图的上采样特征图，以及将当前特征图的上采样特征图和待融合特征图进行融合，得到新的已融合特征图，基于此重复执行上述本文档来自技高网...

【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：获取待检测图像的特征图中各像素位置的第一特征表示，并获取若干预设对象的第二特征表示和若干预设类别的第三特征表示；将所述预设对象的第二特征表示和所述预设类别的第三特征表示进行融合，得到融合特征表示；基于所述第一特征表示和所述融合特征表示进行预测，得到目标对象关于目标类别的检测结果；其中，所述目标对象和所述目标类别分别表征所述融合特征表示对应的预设对象和预设类别。2.根据权利要求1所述的方法，其特征在于，所述检测结果包括：所述目标对象在所述待检测图像中的预测位置，以及所述预测位置是否存在所述目标类别的目标对象。3.根据权利要求2所述的方法，其特征在于，所述检测结果包括所述预测位置存在所述目标类别的目标对象的概率值；在所述基于所述第一特征表示和所述融合特征表示进行预测，得到目标对象关于目标类别的检测结果之后，所述方法还包括：基于所述目标对象关于各所述预设类别的概率值，确定所述目标对象的最终类别和在所述待检测图像中的目标位置。4.根据权利要求1所述的方法，其特征在于，所述将所述预设对象的第二特征表示和所述预设类别的第三特征表示进行融合，得到融合特征表示，包括：将各所述预设对象的第二特征表示分别和各所述预设类别的第三特征表示进行拼接，得到所述融合特征表示。5.根据权利要求1所述的方法，其特征在于，所述检测结果基于目标检测模型检测得到，所述第二特征表示和所述第三特征表示基于所述目标检测模型训练得到，且所述目标检测模型是利用样本图像训练得到的，所述样本图像标记有若干样本对象的标注信息。6.根据权利要求5所述的方法，其特征在于，所述目标检测模型的训练步骤包括：获取样本图像的样本特征图中各像素位置的样本特征表示，并将所述预设对象的对象特征表示和所述预设类别的类别特征表示进行融合，得到样本融合表示；基于所述样本特征表示和所述样本融合表示进行预测，得到样本目标对象关于样本目标类别的预测结果；其中，所述样本目标对象和所述样本目标类别分别表征所述样本融合表示对应的预设对象和预设类别；基于所述标注信息和所述预测结果之间的差异，调...

【专利技术属性】
技术研发人员：娄舜，殷保才，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：