基于人工智能的目标检测方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能技术领域，揭示了一种基于人工智能的目标检测方法、装置、设备及存储介质，其中方法包括：将待检测图像特征输入预设的关键目标检测模型进行关键目标热力图检测，关键目标检测模型包括：类激活映射模块和关键目标热力图映射模块；将待检测图像特征和等间隔锚点位置数据输入预设的锚点特征提取模型进行锚点图像特征提取；将各个关键目标热力图和锚点图像特征进行融合处理得到锚点融合特征；根据锚点融合特征和预设的锚点热力阈值确定每个锚点的锚点分类；根据各个锚点对应的各个锚点分类生成目标检测结果。降低了人工标注的成本，使得模型具有可解释性，向使用者解释了模型做出决策的原因，提高了对小目标和非刚性物体的鲁棒性。和非刚性物体的鲁棒性。和非刚性物体的鲁棒性。

Target detection method, device, equipment and storage medium based on Artificial Intelligence

【技术实现步骤摘要】
基于人工智能的目标检测方法、装置、设备及存储介质


[0001]本申请涉及到人工智能
，特别是涉及到一种基于人工智能的目标检测方法、装置、设备及存储介质。

技术介绍

[0002]在目标检测任务中，标注实例级别的注释信息需要耗费大量的人力物力资源，相比之下，对图像进行类别标注是一种省时省力的方式，可以为模型训练提供大量的数据资源。现有的目标检测网络大多都依赖于预先定义的锚点框，然而在实际应用中，需要检测的目标的尺寸往往是复杂多变的，即使对锚点框进行精心的设计，预定义的锚点框往往无法满足所有的情况，当目标的形状或尺寸发生较大改变时检测结果较差，因此其泛化能力会受到限制，因此使用弱监督的方式来学习目标检测已经是热点研究内容。但是基于类别的弱监督方法对小目标和非刚性物体的鲁棒性较差，同时还会出现重复标注的问题，模型的决策机制依然是不可知的，缺乏可解释性。

技术实现思路

[0003]本申请的主要目的为提供一种基于人工智能的目标检测方法、装置、设备及存储介质，旨在解决目前基于类别的弱监督方法对小目标和非刚性物体的鲁棒性较差，同时还会出现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的目标检测方法，其特征在于，所述方法包括：获取初始图像对应的待检测图像特征及等间隔锚点位置数据；将所述待检测图像特征输入预设的关键目标检测模型进行关键目标热力图检测，其中，所述关键目标检测模型包括：类激活映射模块和关键目标热力图映射模块；将所述待检测图像特征和所述等间隔锚点位置数据输入预设的锚点特征提取模型进行锚点图像特征提取；将各个所述关键目标热力图和所述锚点图像特征进行融合处理，得到锚点融合特征；根据所述锚点融合特征和预设的锚点热力阈值，确定每个锚点的锚点分类；根据各个所述锚点对应的各个所述锚点分类，生成目标检测结果。2.根据权利要求1所述的基于人工智能的目标检测方法，其特征在于，所述将所述待检测图像特征输入预设的关键目标检测模型进行关键目标热力图检测的步骤，包括：将所述待检测图像特征输入所述类激活映射模块的解码器，以生成特征映射数据；将所述特征映射数据输入所述类激活映射模块的全局平均池化层，以生成分类预测向量；将所述分类预测向量输入所述关键目标热力图映射模块的热力图生成子模块，以生成初始目标热力图；将所述初始目标热力图输入所述关键目标热力图映射模块的上采样子模块进行上采样，以生成所述关键目标热力图。3.根据权利要求2所述的基于人工智能的目标检测方法，其特征在于，所述初始目标热力图的计算公式K为：力图的计算公式K为：其中，N是所述分类预测向量中的向量元素的总数量，s
n
是所述分类预测向量中的第n个向量元素的值，σ(M
n
)是对M
n
进行归一化计算，C是所述解码器的最后一个卷积层的通道数，ω
i,n
是W由(i,n)索引得到的值，W∈R
C
×
N
，R
C
×
N
是所述全局平均池化层的权重矩阵，F
i
是所述特征映射数据中的第i个特征，F
i
对应所述解码器的最后一个卷积层的第i个通道。4.根据权利要求1所述的基于人工智能的目标检测方法，其特征在于，所述将所述待检测图像特征和所述等间隔锚点位置数据输入预设的锚点特征提取模型进行锚点图像特征提取的步骤，包括：将所述待检测图像特征输入所述锚点特征提取模型的特征提取模块进行特征提取，以形成待分析图像特征，其中，所...

【专利技术属性】
技术研发人员：郑喜民，王颖妮，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：