【技术实现步骤摘要】
目标检测方法、装置、电子设备及介质
[0001]本申请涉及图像处理
,尤其涉及一种目标检测方法、装置、电子设备及介质。
技术介绍
[0002]目标检测是图像处理技术的重要研究方向,广泛应用于机器人导航、智能监控、等领域。
[0003]深度学习模型是目标检测技术的主流算法。相关技术中,将待识别图像输入卷积神经网络中,对待识别图像进行多层级的特征提取,并依据最顶层的特征图,获得目标检测识别框,再对目标检测识别框下的目标进行识别。
[0004]然而,最顶层的特征图在特征提取的过程中,会丢失小目标的像素特征,这样则无法对图像中的小目标进行检测,进而降低了目标检测的准确率。
技术实现思路
[0005]本申请提供一种目标检测方法、装置、电子设备及介质,以解决无法对图像中的小目标进行检测,进而降低目标检测的准确率的技术问题。
[0006]第一方面,本申请提供一种目标检测方法,包括:对输入图像进行特征提取,获得各层级下的特征图;其中,所述特征图的层级与所述特征图的语义信息正相关;根据最顶层的特征图和特征图集合,获得多个融合特征图;所述多个融合特征图包括所述最顶层的特征图以及所述最顶层的特征图与特征图集合的融合结果;每个特征图集合包括除最顶层之外的至少一个层级的特征图;将每个融合特征图和所述输入图像输入区域建议网络,以使得所述区域建议网络根据所述融合特征图和所述输入图像进行目标检测,得到所述每个融合特征图对应的目标检测框;将所述目标检测框映射至所述目标检测框对应的融合特征图,得到每个融合特 ...
【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:对输入图像进行特征提取,获得各层级下的特征图;其中,所述特征图的层级与所述特征图的语义信息正相关;根据最顶层的特征图和特征图集合,获得多个融合特征图;所述多个融合特征图包括所述最顶层的特征图以及所述最顶层的特征图与特征图集合的融合结果;每个特征图集合包括除最顶层之外的至少一个层级的特征图;将每个融合特征图和所述输入图像输入区域建议网络,以使得所述区域建议网络根据所述融合特征图和所述输入图像进行目标检测,得到所述每个融合特征图对应的目标检测框;将所述目标检测框映射至所述目标检测框对应的融合特征图,得到每个融合特征图对应的区域特征图;所述区域特征图包括所述目标检测框映射在所述融合特征图中的区域;将所述输入图像和每个融合特征图对应的区域特征图输入目标识别网络,得到多个目标识别结果。2.根据权利要求1所述的方法,其特征在于,所述特征图集合的数量为多个,且各所述特征图集合中的特征图不完全相同。3.根据权利要求2所述的方法,其特征在于,所述根据最顶层的特征图和特征图集合,获得多个融合特征图,包括:针对最顶层,基于最顶层的特征图获得融合特征图;针对除最顶层以外的预定层级,将所述最顶层的特征图与所述预定层级对应的特征图集合进行融合,将融合结果作为融合特征图,直至所有所述预定层级经过融合;其中,每个所述预定层级对应的特征图集合包括除最顶层以外,不低于所述预定层级的所有层级下的特征图。4.根据权利要求3所述的方法,其特征在于,所述预定层级为最顶层的下一层级的多个连续相邻的层级中的其中一层级;所述针对除最顶层以外的预定层级,将最顶层的特征图与所述预定层级对应的特征图集合进行融合,将融合结果作为所述融合特征图,直至所有所述预定层级经过融合,包括:对所述最顶层和所述预定层级对应的特征图进行卷积处理,以使处理后的所述最顶层和所述预定层级对应的特征图的通道数一致;将所述最顶层的特征图作为所述最顶层的融合特征图,并自上向下依次针对每个所述预定层级,执行以下处理:对所述预定层级的上一层级的融合特征图进行上采样;所述上采样得到的特征图与所述预定层级下的特征图的尺寸一致;将所述预定层级下的特征图与所述上采样得到的特征图进行融合,得到所述预定层级对应的融合特征图。5.根据权利要求4所述的方法,其特征在于,所述对所述最顶层和所述预定层级对应的特征图进行卷积处理,包括:分别将所述最顶层和每个所述预定层级对应的特征图,与第一数量个1x1卷积核进行卷积运算;所述第一数量为卷积处理后的特征图的通道数。6.根据权利要求1
‑
5任一项所述的方法,其特征在于,所述对输入图像进行特征提取,获得各层级下的特征图,包括:将所述输入图像输入残差网络,获得所述残差网络输出的所述各层级下的特征图;所
述残差网络包括多个连续阶段的残差块,当前阶段的残差块的输出为下一阶段的残差块的输入,各阶段的所述残差块输出的特征图作为所述各层级下的特征图;...
【专利技术属性】
技术研发人员:马莞悦,朱宏勋,
申请(专利权)人:龙芯中科南京技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。