一种目标物的检测方法、装置、电子设备及存储介质制造方法及图纸

本申请公开一种目标物的检测方法、装置、电子设备及存储介质，属于图像处理技术领域，该方法包括：将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，从父模型中获取N个第一特征图，从子模型中获取N个第二特征图，对N个第一特征图和N个第二特征图进行比对，将得到的特征差异信息进行反向传播处理，得到待检测图像的梯度信息，基于梯度信息，检测待检测图像中的目标物信息。这样，根据N个第一特征图与N个第二特征图的差异，可反映出父模型和子模型在检测目标物时的差异，基于该差异确定待检测图像中的目标物信息，不需去覆盖到所有目标物的图像样本，即可比较准确地对目标物进行检测，降低误检率。率。率。

【技术实现步骤摘要】
一种目标物的检测方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种目标物的检测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着图像处理技术的日益成熟，使用人工智能(Artificial Intelligence，AI)视觉算法来对目标物进行识别和定位已成为重要趋势。
[0003]以目标物为垃圾为例，相关技术中，在使用AI视觉算法进行垃圾检测时，需要采集大量的正负样本图像，以尽可能地覆盖各种垃圾，而实际上垃圾的种类繁多、形态万千，这使得图像样本的收集变得更加困难，对于图像样本中没有覆盖到的垃圾，极易容易产生误检。其他类似的目标物检测也存在着这些问题。
[0004]可见，相关技术中的目标物检测存在着容易产生误检的问题。

技术实现思路

[0005]本申请实施例提供一种目标物的检测方法、装置、电子设备及存储介质，用以解决相关技术中的目标物检测存在着容易产生误检的问题。
[0006]第一方面，本申请实施例提供一种目标物的检测方法，包括：
[0007]将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，所述父模型与所述子模型的特征提取能力的差异在预设范围内，且所述父模型的特征提取能力高于所述子模型的特征提取能力；
[0008]从所述父模型中获取N个第一特征图，从所述子模型中获取N个第二特征图，其中，N为大于零的整数；
[0009]对所述N个第一特征图和所述N个第二特征图进行比对，得到所述N个第二特征图与所述N个第一特征图的特征差异信息；
[0010]对所述特征差异信息进行反向传播处理，得到所述待检测图像的梯度信息；
[0011]基于所述梯度信息，检测所述待检测图像中的目标物信息。
[0012]在一些实施例中，当N大于1时，对所述N个第一特征图和所述N个第二特征图进行比对，得到所述N个第二特征图与所述N个第一特征图的特征差异信息，包括：
[0013]确定每个第二特征图对匹配的第一特征图在特征表达上的第一损失值，其中，所述匹配是指所述第二特征图与所述第一特征图的特征提取次序匹配；
[0014]将各第一损失值之和，确定为所述N个第二特征图与所述N个第一特征图的特征差异信息。
[0015]在一些实施例中，基于所述梯度信息，检测所述待检测图像中的目标物信息，包括：
[0016]若确定所述梯度信息表示的梯度大于预设值，则基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图。
[0017]在一些实施例中，基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图，包括：
[0018]基于所述梯度信息，生成梯度图像；
[0019]对所述梯度图像进行滤波处理；
[0020]基于滤波处理后所述梯度图像中的梯度信息，确定所述位置区域和/或所述显著图。
[0021]在一些实施例中，根据以下步骤训练所述子模型，包括：
[0022]获取正样本图像，所述正样本图像不包含目标物；
[0023]将所述正样本图像输入所述父模型，得到第一提取结果，将所述正样本图像输入待训练的初始子模型，得到第二提取结果；
[0024]基于所述第一提取结果和所述第二提取结果，确定所述初始子模型对所述父模型的第二损失值；
[0025]基于所述第二损失值，采用蒸馏处理方式更新所述初始子模型的模型参数，直至确定满足预设收敛条件时，将当前的初始子模型，确定为所述子模型。
[0026]在一些实施例中，所述初始子模型是对所述父模型先进行稀疏化处理再进行剪枝处理得到的。
[0027]第二方面，本申请实施例提供一种目标物的检测装置，包括：
[0028]提取模块，用于将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，所述父模型与所述子模型的特征提取能力的差异在预设范围内，且所述父模型的特征提取能力高于所述子模型的特征提取能力；
[0029]获取模块，用于从所述父模型中获取N个第一特征图，从所述子模型中获取N个第二特征图，其中，N为大于零的整数；
[0030]比对模块，用于对所述N个第一特征图和所述N个第二特征图进行比对，得到所述N个第二特征图与所述N个第一特征图的特征差异信息；
[0031]处理模块，用于对所述特征差异信息进行反向传播处理，得到所述待检测图像的梯度信息；
[0032]检测模块，用于基于所述梯度信息，检测所述待检测图像中的目标物信息。
[0033]在一些实施例中，当N大于1时，所述比对模块，具体用于：
[0034]确定每个第二特征图对匹配的第一特征图在特征表达上的第一损失值，其中，所述匹配是指所述第二特征图与所述第一特征图的特征提取次序匹配；
[0035]将各第一损失值之和，确定为所述N个第二特征图与所述N个第一特征图的特征差异信息。
[0036]在一些实施例中，所述检测模块，具体用于：
[0037]若确定所述梯度信息表示的梯度大于预设值，则基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图。
[0038]在一些实施例中，还包括：
[0039]生成模块，用于基于所述梯度信息，生成梯度图像；
[0040]滤波模块，用于对所述梯度图像进行滤波处理；
[0041]所述检测模块，具体用于基于滤波处理后所述梯度图像中的梯度信息，确定所述
位置区域和/或所述显著图。
[0042]在一些实施例中，根据以下步骤训练所述子模型：
[0043]获取正样本图像，所述正样本图像不包含目标物；
[0044]将所述正样本图像输入所述父模型，得到第一提取结果，将所述正样本图像输入待训练的初始子模型，得到第二提取结果；
[0045]基于所述第一提取结果和所述第二提取结果，确定所述初始子模型对所述父模型的第二损失值；
[0046]基于所述第二损失值，采用蒸馏处理方式更新所述初始子模型的模型参数，直至确定满足预设收敛条件时，将当前的初始子模型，确定为所述子模型。
[0047]在一些实施例中，所述初始子模型是对所述父模型先进行稀疏化处理再进行剪枝处理得到的。
[0048]第三方面，本申请实施例提供一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：
[0049]存储器存储有可被至少一个处理器执行的计算机程序，该计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述目标物的检测方法。
[0050]第四方面，本申请实施例提供一种存储介质，当所述存储介质中的计算机程序由电子设备的处理器执行时，所述电子设备能够执行上述目标物的检测方法。
[0051]本申请实施例中，将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，从父模型中获取N个第一特征图，从子模型中获取N本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标物的检测方法，其特征在于，包括：将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，所述父模型与所述子模型的特征提取能力的差异在预设范围内，且所述父模型的特征提取能力高于所述子模型的特征提取能力；从所述父模型中获取N个第一特征图，从所述子模型中获取N个第二特征图，其中，N为大于零的整数；对所述N个第一特征图和所述N个第二特征图进行比对，得到所述N个第二特征图与所述N个第一特征图的特征差异信息；对所述特征差异信息进行反向传播处理，得到所述待检测图像的梯度信息；基于所述梯度信息，检测所述待检测图像中的目标物信息。2.如权利要求1所述的方法，其特征在于，当N大于1时，对所述N个第一特征图和所述N个第二特征图进行比对，得到所述N个第二特征图与所述N个第一特征图的特征差异信息，包括：确定每个第二特征图对匹配的第一特征图在特征表达上的第一损失值，其中，所述匹配是指所述第二特征图与所述第一特征图的特征提取次序匹配；将各第一损失值之和，确定为所述N个第二特征图与所述N个第一特征图的特征差异信息。3.如权利要求1所述的方法，其特征在于，基于所述梯度信息，检测所述待检测图像中的目标物信息，包括：若确定所述梯度信息表示的梯度大于预设值，则基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图。4.如权利要求3所述的方法，其特征在于，基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图，包括：基于所述梯度信息，生成梯度图像；对所述梯度图像进行滤波处理；基于滤波处理后所述梯度图像中的梯度信息，确定所述位置区域和/或所述显著图。5.如权利要求1所述的方法，其特征在于，根据以下步骤训练所述子模型：获取正样本图像，所述正样本图像不包含目标物；将所述正样本图像输入所述父模型，得到第一提取结果，将所述正样本图像输入待训练的初始子模型，得到第二提取结果；基于所述第一提取结果和所述第二提取结果，确定所述初始...

【专利技术属性】
技术研发人员：李文成，简铮，李煜，陈岩，樊庆宇，王军鹏，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：