一种多目标检测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种多目标检测方法、装置、设备及介质。该方法包括：获取待检测图像，并将待检测图像输入至多任务检测模型中；其中，多任务检测模型包括基础网络和分别与基础网络相连的多个类别检测分支网络，类别检测分支网络用于检测设定类别的目标；基础网络使用全类别标注样本训练得到，类别检测分支网络使用单类别标注样本训练得到；通过所述基础网络生成与待检测图像对应的图像特征信息，并将图像特征信息分别输入至各所述类别检测分支网络；通过各类别检测分支网络根据接收的图像特征信息，生成与所检测类别对应的目标检测结果。通过本发明专利技术的技术方案，能够快速且准确地识别出待检测图像中的目标，提高了多目标检测的准确率及效率。率及效率。率及效率。

【技术实现步骤摘要】
一种多目标检测方法、装置、设备及介质


[0001]本专利技术涉及计算机视觉
，尤其涉及一种多目标检测方法、装置、设备及介质。

技术介绍

[0002]随着近年来人工智能的不断发展，深度神经网络在计算机视觉领域得到了广泛应用，例如，在自动驾驶领域，基于深度神经网络的目标检测可检测本车周围的车辆、行人或交通标志等目标。由于目标的检测精度关乎自动驾驶的安全，因此，对目标的检测精度需要有较高的要求。
[0003]由于目标的特征比较多样化，尤其是行人检测，需要考虑到行人的不同姿态及不同衣着。目前基于深度神经网络的目标检测模型都是基于大规模的标注数据并选择合适的网络模型进行训练的，以便其检测模型能覆盖不同场景以及提取出不同目标的多样化特征。
[0004]但是，大量的数据标注不但会提高目标检测的成本，当存在多目标时，标注结果的质量也会对最终检测结果的准确率造成影响，因此，如何能够快速且准确地识别出待检测图像中的多个目标，提高多目标检测的准确率及效率，是目前亟待解决的问题。

技术实现思路

[0005]本专利技术提供了一种多目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多目标检测方法，其特征在于，包括：获取待检测图像，并将待检测图像输入至多任务检测模型中；其中，多任务检测模型包括基础网络和分别与基础网络相连的多个类别检测分支网络，类别检测分支网络用于检测设定类别的目标；基础网络使用全类别标注样本训练得到，类别检测分支网络使用单类别标注样本训练得到；通过所述基础网络生成与待检测图像对应的图像特征信息，并将图像特征信息分别输入至各所述类别检测分支网络；通过各类别检测分支网络根据接收的图像特征信息，生成与所检测类别对应的目标检测结果。2.根据权利要求1所述的方法，其特征在于，获取待检测图像包括：获取自动驾驶车辆实时采集的车辆环境图像，作为待检测图像；在通过各类别检测分支网络根据接收的图像特征信息，生成与所检测类别对应的目标检测结果之后，还包括：根据各类别检测分支网络分别输出的目标检测结果，生成自动驾驶决策信息，并按照所述自动驾驶决策信息控制自动驾驶的运行。3.根据权利要求1所述的方法，其特征在于，在将待检测图像输入至多任务检测模型中之前，还包括：根据目标检测任务中的任务数量构建预设任务检测模型；其中，预设任务检测模型包括初始基础网络以及与任务数量对应的初始类别检测分支网络；将包含全类别标注样本的基础数据集输入至预设任务检测模型，并采用整体损失函数训练所述预设任务检测模型，得到基础多任务检测模型；利用目标单类别标注样本训练基础多任务检测模型中的目标类别检测分支网络，得到多任务检测模型。4.根据权利要求3所述的方法，其特征在于，在所述将包含全类别标注样本的基础数据集输入至预设任务检测模型，并采用整体损失函数训练所述预设任务检测模型，得到基础多任务检测模型之前，还包括：将包含全类别标注样本的初始数据集输入至预设任务检测模型中，获取预设任务检测模型中各初始类别检测分支网络的检测精度；根据逐步递增初始数据集中数据量的方式，获取预设任务检测模型中各初始类别检测分支网络的检测精度均满足目标精度时的基础数据集。5.根据权利要求4所述的方法，其特征在于，所述根据逐步递增初始数据集中数据量的方式，获取预设任务检测模型中各初始类别检测分支网络的检测精度均满足目标精度时的基础数据集，包括：当预设任务检测模型中至少一个初始类别检测分支网络的检测精度不满足目标精度时，将初始数据集中的数据量进行扩增，并执行将初始数据集输入至预设任务检测模型中，获取预设任务检测模型中...

【专利技术属性】
技术研发人员：唐莹莉，戴令正，孙昕璐，韩志华，
申请(专利权)人：苏州挚途科技有限公司，
类型：发明
国别省市：