一种多类别检测方法、系统及存储介质技术方案

本发明专利技术公开了一种多类别检测方法、系统及存储介质，本发明专利技术通过多类别检测模型进行多类别检测，该模型基于类间特征图语义距离获得，提升了模型对于类别语义信息差距的感知能力，提升了模型的检测效果。提升了模型的检测效果。提升了模型的检测效果。

【技术实现步骤摘要】
一种多类别检测方法、系统及存储介质


[0001]本专利技术涉及一种多类别检测方法、系统及存储介质，属于深度学习领域。

技术介绍

[0002]随着近年来计算机视觉算法的更新和硬件技术的发展，训练目标检测模型对图像数据中的重要目标进行识别定位，开始逐步应用以替代人力执行重复危险的监督工作，在交通、安保、医疗、工业生产等众多领域得到广泛应用。现有算法模型中，以YOLO系列为代表的一阶段端到端式目标检测模型以其部署方便、检测速度快、检测精度良好等优势被广泛应用与研究。
[0003]一阶段端到端目标检测网络模型由输入层、负责特征提取的特征提取网络、负责特征融合的颈部网络以及负责形成预测向量的头部检测网络构成，其结构简单、应用方便、在检测速度和精度上综合性能较好的优点。
[0004]然而，为了便于进行迁移学习，目前的一阶段端到端目标检测网络模型一般很少考虑类别与类别间的特征图语义信息差距(即类间特征图语义距离)，对类间特征图语义距离表征不充分，从而影响多类别检测效果。

技术实现思路

[0005]本专利技术提供了一种多类别检测方法、系统及存储介质，解决了
技术介绍
中披露的问题。
[0006]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0007]一种多类别检测方法，包括：
[0008]获取进行多类别检测的数据；
[0009]将进行多类别检测的数据输入预先训练的多类别检测模型，获得多类别检测结果；其中，预先训练的多类别检测模型的过程为：对基于类间特征图语义距离的聚类结果进行评估，获取优选的特征提取网络深度和聚类结果；根据优选的特征提取网络深度和聚类结果构建的多类别检测模型；训练多类别检测模型。
[0010]对基于类间特征图语义距离的聚类结果进行评估，获取优选的特征提取网络深度和聚类结果，包括：
[0011]采用训练集训练特征提取网络；
[0012]将评估集输入训练后的特征提取网络，获取除前三个批量标准化层外其余批量标准化层输出的特征图；
[0013]将同尺寸特征图划分为同组，组内按照类别划分为若干队；
[0014]对同组同队的特征图进行空间金字塔池化，将同一特征图的所有池化向量拼接为该特征图像的一维特征向量；
[0015]对组内的一维特征向量进行聚类，采用预设的聚类损失函数，对每组的聚类结果进行评估；
[0016]根据评估结果，获取优选的特征提取网络深度和聚类结果。
[0017]聚类损失函数为，
[0018][0019][0020]其中，Loss1为聚类损失函数，c为总类别数，m为评估集各类别抽取样本数，x
ij
为第j类第i张特征图，u
l
为第l个聚类中心向量，τ(j,l)表示第j个类别是否属于第l个聚类，k为聚类中心数，Z为整数集，C[l]为第l个聚类包含的类别序号集合。
[0021]根据评估结果，获取优选的特征提取网络深度和聚类结果，包括：
[0022]根据评估结果，选取聚类损失最低的组和该组的聚类数；
[0023]根据聚类损失最低的组，确定优选的特征提取网络深度，并将该组的聚类数作为优选的聚类结果。
[0024]根据聚类损失最低的组，确定优选的特征提取网络深度，包括：
[0025]确定聚类损失最低组对应的输出特征图，保留特征提取网络在该特征图前的特征提取模块，舍弃其余网络，获得优选的特征提取网络深度。
[0026]根据优选的特征提取网络深度和聚类结果构建的多类别检测模型，包括：
[0027]根据优选的特征提取网络深度，构建特征提取网络；
[0028]根据聚类结果，构建各类别的颈部网络和头部检测网络；
[0029]根据特征提取网络、各类别的颈部网络和头部检测网络，构建多类别检测模型。
[0030]多类别检测模型的损失函数为：
[0031][0032]其中，Loss2为多类别检测模型的损失函数，m为评估集各类别抽取样本数，p
l
为多类别检测模型输出的第l个聚类目标的预测向，y
l
为第l个聚类中类别目标形成的真实向量，num表示集合内的元素个数，C[l]为第l个聚类包含的类别序号集合，k为聚类中心数。
[0033]在训练完多类别检测模型后，还包括对多类别检测模型进行前向推理；在进行前向推理时，使用分散型非极大值抑制过滤重复预测框；其中，分散型非极大值抑制在考虑网络解耦型结构特征的基础上，对子网络的输出应用局部非极大值抑制，将非极大值抑制后的结果直接拼接。
[0034]一种多类别检测系统，包括：
[0035]数据获取模块，用以获取进行多类别检测的数据；
[0036]多类别检测模块，用以将进行多类别检测的数据输入预先训练的多类别检测模型，获得多类别检测结果；其中，预先训练的多类别检测模型的过程为：对基于类间特征图语义距离的聚类结果进行评估，获取优选的特征提取网络深度和聚类结果；根据优选的特征提取网络深度和聚类结果构建的多类别检测模型；训练多类别检测模型。
[0037]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指
令，所述指令当由计算设备执行时，使得所述计算设备执行多类别检测方法。
[0038]本专利技术所达到的有益效果：本专利技术通过多类别检测模型进行多类别检测，该模型基于类间特征图语义距离获得，提升了模型对于类别语义信息差距的感知能力，提升了模型的检测效果。
附图说明
[0039]图1为本专利技术方法的流程图；
[0040]图2为训练多类别检测模型的流程图；
[0041]图3为获取优选特征提取网络深度和聚类结果的流程图；
[0042]图4为构建多类别检测模型的流程图。
具体实施方式
[0043]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0044]如图1所示，一种多类别检测方法，包括以下步骤：
[0045]步骤1，获取进行多类别检测的数据；
[0046]步骤2，将进行多类别检测的数据输入预先训练的多类别检测模型，获得多类别检测结果；其中，如图2所示，预先训练的多类别检测模型的过程为：对基于类间特征图语义距离的聚类结果进行评估，获取优选的特征提取网络深度和聚类结果；根据优选的特征提取网络深度和聚类结果构建的多类别检测模型；训练多类别检测模型。
[0047]上述方法实施在那些设备中，该方法通过多类别检测模型进行多类别检测，该模型基于类间特征图语义距离获得，提升了模型对于类别语义信息差距的感知能力，提升了模型的检测效果。
[0048]构建多类别检测模型的核心为基于类间特征图语义距离的聚类和根据聚类结果进行网络构建。
[0049]基于类间特征图语义距离的聚类，主要用以获取优选的特征提取网络深度和聚类结果，该过程可以采用如图3的流程：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多类别检测方法，其特征在于，包括：获取进行多类别检测的数据；将进行多类别检测的数据输入预先训练的多类别检测模型，获得多类别检测结果；其中，预先训练的多类别检测模型的过程为：对基于类间特征图语义距离的聚类结果进行评估，获取优选的特征提取网络深度和聚类结果；根据优选的特征提取网络深度和聚类结果构建的多类别检测模型；训练多类别检测模型。2.根据权利要求1所述的一种多类别检测方法，其特征在于，对基于类间特征图语义距离的聚类结果进行评估，获取优选的特征提取网络深度和聚类结果，包括：采用训练集训练特征提取网络；将评估集输入训练后的特征提取网络，获取除前三个批量标准化层外其余批量标准化层输出的特征图；将同尺寸特征图划分为同组，组内按照类别划分为若干队；对同组同队的特征图进行空间金字塔池化，将同一特征图的所有池化向量拼接为该特征图像的一维特征向量；对组内的一维特征向量进行聚类，采用预设的聚类损失函数，对每组的聚类结果进行评估；根据评估结果，获取优选的特征提取网络深度和聚类结果。3.根据权利要求2所述的一种多类别检测方法，其特征在于，聚类损失函数为，3.根据权利要求2所述的一种多类别检测方法，其特征在于，聚类损失函数为，其中，Loss1为聚类损失函数，c为总类别数，m为评估集各类别抽取样本数，x
ij
为第j类第i张特征图，u
l
为第l个聚类中心向量，τ(j,l)表示第j个类别是否属于第l个聚类，k为聚类中心数，Z为整数集，C[l]为第l个聚类包含的类别序号集合。4.根据权利要求2所述的一种多类别检测方法，其特征在于，根据评估结果，获取优选的特征提取网络深度和聚类结果，包括：根据评估结果，选取聚类损失最低的组和该组的聚类数；根据聚类损失最低的组，确定优选的特征提取网络深度，并将该组的聚类数作为优选的聚类结果。5.根据权利要求4所述的一种多类别检测方法，其特征在于，根据聚类损失最低的组，确定优选的特征提取网络深度，包括：...

【专利技术属性】
技术研发人员：张鑫，崔瑶，刘政，黄鑫，
申请(专利权)人：国网电力科学研究院有限公司，
类型：发明
国别省市：