智能监控方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本公开涉及人工智能技术领域，提供了一种智能监控方法、装置、电子设备及计算机可读存储介质。该方法包括：构建多粒度空间注意力网络和高层次信息补偿网络；以目标检测模型为基础，将残差网络作为目标检测模型的特征提取网络，利用高层次信息补偿网络替代目标检测模型的特征处理网络，在残差网络和高层次信息补偿网络之间增加多粒度空间注意力网络，以构建智能监控模型；将经过训练的智能监控模型部署在云端，在接收到目标用户的监控请求时，利用部署在云端的智能监控模型为目标用户提供监控服务。服务。服务。

Intelligent monitoring method, device, electronic equipment and computer readable storage medium

【技术实现步骤摘要】
智能监控方法、装置、电子设备及计算机可读存储介质


[0001]本公开涉及人工智能
，尤其涉及一种智能监控方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]传统方式下，安防必须高度依赖人工，人力只能定时巡查，无法实时发现异常情况。而今年来随着机器学习算法的发展，可以将机器学习算法应用到安防领域，获得一个智能的监控系统。然而，目前基于机器学习算法的智能监控模型存在精度低、漏检和误检等问题。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：基于机器学习算法的智能监控模型存在精度低、漏检和误检等问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种智能监控方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，基于机器学习算法的智能监控模型存在精度低、漏检和误检等问题。
[0005]本公开实施例的第一方面，提供了一种智能监控方法，包括：构建多粒度空间注意力网络和高层次信息补偿网络；以目标检测模型为基础，将残差网络作为目标检测模型的特征提取网络，利用高层次信息补偿网络替代目标检测模型的特征处理网络，在残差网络和高层次信息补偿网络之间增加多粒度空间注意力网络，以构建智能监控模型；将经过训练的智能监控模型部署在云端，在接收到目标用户的监控请求时，利用部署在云端的智能监控模型为目标用户提供监控服务。
[0006]本公开实施例的第二方面，提供了一种智能监控装置，包括：第一构建模块，被配置为构建多粒度空间注意力网络和高层次信息补偿网络；第二构建模块，被配置为以目标检测模型为基础，将残差网络作为目标检测模型的特征提取网络，利用高层次信息补偿网络替代目标检测模型的特征处理网络，在残差网络和高层次信息补偿网络之间增加多粒度空间注意力网络，以构建智能监控模型；监控模块，被配置为将经过训练的智能监控模型部署在云端，在接收到目标用户的监控请求时，利用部署在云端的智能监控模型为目标用户提供监控服务。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0008]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例构建多粒度空间注意力网络和高层次信息补偿网络；以目标检测模型为基础，将残差网络作为目标检
测模型的特征提取网络，利用高层次信息补偿网络替代目标检测模型的特征处理网络，在残差网络和高层次信息补偿网络之间增加多粒度空间注意力网络，以构建智能监控模型；将经过训练的智能监控模型部署在云端，在接收到目标用户的监控请求时，利用部署在云端的智能监控模型为目标用户提供监控服务，因此，采用上述技术手段，可以解决现有技术中，基于机器学习算法的智能监控模型存在精度低、漏检和误检等问题，进而提高智能监控模型的精度，减少漏检和误检的几率。
附图说明
[0010]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0011]图1是本公开实施例的应用场景的场景示意图；
[0012]图2是本公开实施例提供的一种智能监控方法的流程示意图；
[0013]图3是本公开实施例提供的一种智能监控装置的结构示意图；
[0014]图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0015]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、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0016]下面将结合附图详细说明根据本公开实施例的一种智能监控方法和装置。
[0017]图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。
[0018]终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
[0019]服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
[0020]需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
[0021]网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near Field Communication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。
[0022]用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
[0023]图2是本公开实施例提供的一种智能监控方法的流程示意图。图2的智能监控方法可以由图1的终端设备或服务器执行。如图2所示，该智能监控方法包括：
[0024]S201，构建多粒度空间注意力网络和高层次信息补偿网络；
[0025]S202，以目标检测模型为基础，将残差网络作为目标检测模型的特征提取网络，利用高层次信息补偿网络替代目标检测模型的特征处理网络，在残差网络和高层次信息补偿网络之间增加多粒度空间注意力网络，以构建智能监控模型；
[0026]S203，将经过训练的智能监控模型部署本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能监控方法，其特征在于，包括：构建多粒度空间注意力网络和高层次信息补偿网络；以目标检测模型为基础，将残差网络作为所述目标检测模型的特征提取网络，利用所述高层次信息补偿网络替代所述目标检测模型的特征处理网络，在所述残差网络和所述高层次信息补偿网络之间增加所述多粒度空间注意力网络，以构建智能监控模型；将经过训练的所述智能监控模型部署在云端，在接收到目标用户的监控请求时，利用部署在云端的所述智能监控模型为所述目标用户提供监控服务。2.根据权利要求1所述的方法，其特征在于，所述将经过训练的所述智能监控模型部署在云端，在接收到目标用户的监控请求时，利用部署在云端的所述智能监控模型为所述目标用户提供监控服务，包括：获取目标区域内的监控图片；利用所述残差网络提取所述监控图片对应的多个图片特征；利用所述多粒度空间注意力网络对所述多个图片特征进行第一特征处理，得到多个融合特征；利用所述高层次信息补偿网络对所述多个融合特征进行第二特征处理，得到多个补偿特征；利用其他网络对所述多个补偿特征进行识别，以判断所述目标区域内是否存在风险，其中所述其他网络为所述智能监控模型中除所述残差网络、所述多粒度空间注意力网络和所述高层次信息补偿网络之外的网络。3.根据权利要求2所述的方法，其特征在于，所述利用所述多粒度空间注意力网络对所述多个图片特征进行第一特征处理，得到多个融合特征，包括：将所述多个图片特征输入至局部注意力网络，输出多个局部特征；将所述多个图片特征输入至全局注意力网络，输出多个全局特征；对所述多个局部特征和所述多个全局特征进行特征融合处理，得到所述多个融合特征；其中，所述多粒度空间注意力网络，包括：所述局部注意力网络和所述全局注意力网络。4.根据权利要求2所述的方法，其特征在于，所述利用所述高层次信息补偿网络对所述多个融合特征进行第二特征处理，得到多个补偿特征，包括：对所述多个融合特征进行自适应池化处理，得到预设比率大小的多个第一子特征；分别对所述多个第一子特征进行采样，得到预设尺寸的多个第二子特征；将所述多个第二子特征输入分散注意力网络，输出所述多个补偿特征，其中，所述高层次信息补偿网络包括所述分散注意力网络。5.根据权利要求1所述的方法，其特征在于，所述将经过训练的所述智能监控模型部署在云端之前，所述方法还包括：对所述智能监控模型进行模型蒸馏处理；和/或对所述智能监控模型进行模型剪枝处理；和/或利用深度学习推理优化器对所述智能监控模型进行模型加速处理。6.根据权利要求5所述的方法，其特征在于，所述对所述智能监控模型进行模型蒸馏处
理，包括：利用最小绝对值偏差函数，计算所述残差网络对应的第一损失值...

【专利技术属性】
技术研发人员：蒋召，黄泽元，杨战波，
申请(专利权)人：深圳集智数字科技有限公司，
类型：发明
国别省市：