一种目标检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种目标检测方法、装置、设备及存储介质，属于计算机视觉技术领域。该方法包括：采用目标检测网络的特征提取网络，对待检测图像进行特征提取，得到至少一个输出层输出的初始特征；根据输出层输出的初始特征，分别对至少一个输出层输出的初始特征进行特征尺寸归一化，得到输出层对应的至少一个输出层的归一化特征；根据输出层的初始特征、以及输出层对应的至少一个输出层的归一化特征，确定输出层对应的通道融合特征，并确定输出层对应的空间融合特征；根据通道融合特征和空间融合特征，确定输出层对应的最终特征；采用目标检测网络的预测网络，对至少一个输出层对应的最终特征进行预测，得到待检测图像的预测结果。果。果。

【技术实现步骤摘要】
一种目标检测方法、装置、设备及存储介质


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

技术介绍

[0002]目标检测用于对图片中对感兴趣的目标进行定位和识别。随着近些年硬件计算能力的提高、深度学习的发展和高质量数据集的公开，使得目标检测在近些年有了较大发展。目标检测函数大致可以分为一阶段目标检测和二阶段目标检测两类，一阶段目标检测以retinanet和YOLO(You Only Look Once)系列为代表，二阶段目标检测以Faster R
‑
CNN(Faster Region
‑
CNN，快速区域卷积神经网络)和Cascade R
‑
CNN(Cascade Region
‑
CNN，级联的区域卷积神经网络)为代表。
[0003]大多数目标检测网络都可以分为骨干网络，瓶颈层网络和预测头几个主要部分。其中较为重要的部分就是瓶颈层网络部分，经过了骨干网络的特征提取之后，一般就会得到不同层的不同分辨率大小的尺寸的特征。特征图不同层次特征的表达能力不同，浅层特征主要反映明暗和边缘等细节，深层特征则反映更全面的整体结构。瓶颈层网络部分大部分检测都是采用特征金字塔网络进行多层次特征的融合。但是，融合过程中仅仅对最底层的特征进行上采样和单一卷积，并与该底层特征进行简单融合，得到高分辨率的特征，使得针对高分辨率特征学习的提升有限，从而影响目标检测的检测精度。因此，亟需改进。

技术实现思路

[0004]本专利技术提供了一种目标检测方法、装置、设备及存储介质，以提高目标检测的检测精度。
[0005]根据本专利技术的一方面，提供了一种目标检测方法，包括：
[0006]采用目标检测网络的特征提取网络，对待检测图像进行特征提取，得到至少一个输出层输出的初始特征；
[0007]根据输出层输出的初始特征，分别对至少一个输出层输出的初始特征进行特征尺寸归一化，得到输出层对应的至少一个输出层的归一化特征；
[0008]根据输出层的初始特征、以及输出层对应的至少一个输出层的归一化特征，确定输出层对应的通道融合特征，并确定输出层对应的空间融合特征；
[0009]根据通道融合特征和空间融合特征，确定输出层对应的最终特征；
[0010]采用目标检测网络的预测网络，对至少一个输出层对应的最终特征进行预测，得到待检测图像的预测结果。
[0011]根据本专利技术的另一方面，提供了一种目标检测装置，包括：
[0012]初始特征确定模块，用于采用目标检测网络的特征提取网络，对待检测图像进行特征提取，得到至少一个输出层输出的初始特征；
[0013]归一化特征确定模块，用于根据输出层输出的初始特征，分别对至少一个输出层
输出的初始特征进行特征尺寸归一化，得到输出层对应的至少一个输出层的归一化特征；
[0014]融合特征确定模块，用于根据输出层的初始特征、以及输出层对应的至少一个输出层的归一化特征，确定输出层对应的通道融合特征，并确定输出层对应的空间融合特征；
[0015]最终特征确定模块，用于根据通道融合特征和空间融合特征，确定输出层对应的最终特征；
[0016]预测结果确定模块，用于采用目标检测网络的预测网络，对至少一个输出层对应的最终特征进行预测，得到待检测图像的预测结果。
[0017]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0018]至少一个处理器；以及
[0019]与至少一个处理器通信连接的存储器；其中，
[0020]存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本专利技术任一实施例的目标检测方法。
[0021]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本专利技术任一实施例的目标检测方法。
[0022]本专利技术实施例的技术方案，通过采用目标检测网络的特征提取网络，对待检测图像进行特征提取，得到至少一个输出层输出的初始特征；根据输出层输出的初始特征，分别对至少一个输出层输出的初始特征进行特征尺寸归一化，得到输出层对应的至少一个输出层的归一化特征；根据输出层的初始特征、以及输出层对应的至少一个输出层的归一化特征，确定输出层对应的通道融合特征，并确定输出层对应的空间融合特征；根据通道融合特征和空间融合特征，确定输出层对应的最终特征；采用目标检测网络的预测网络，对至少一个输出层对应的最终特征进行预测，得到待检测图像的预测结果。上述技术方案，引入通道融合特征，可以更好地表征不同通道之间的特性，引入空间融合特征，可以更好地表征不同输出层次之间的相关性，使得基于通道融合特征和空间融合特征得到的最终特征拥有更好的表达能力，从而使得根据最终特征得到的预测结果更准确，提高了目标检测的检测精度。
[0023]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0024]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，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他的附图。
[0025]图1A是根据本专利技术实施例一提供的一种目标检测方法的流程图；
[0026]图1B是根据本专利技术实施例一提供的一种目标检测过程的示意图；
[0027]图2A是根据本专利技术实施例二提供的一种目标检测方法的流程图；
[0028]图2B是根据本专利技术实施例二提供的一种通道融合特征的确定过程示意图；
[0029]图3A是根据本专利技术实施例三提供的一种目标检测方法的流程图；
[0030]图3B是根据本专利技术实施例三提供的一种空间融合特征的确定过程示意图；
[0031]图4是根据本专利技术实施例四提供的一种目标检测装置的结构示意图；
[0032]图5是实现本专利技术实施例的目标检测方法的电子设备的结构示意图。
具体实施方式
[0033]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0034]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“目标”、“初始”和“最终”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的本文档来自技高网...

【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：采用目标检测网络的特征提取网络，对待检测图像进行特征提取，得到至少一个输出层输出的初始特征；根据所述输出层输出的初始特征，分别对至少一个输出层输出的初始特征进行特征尺寸归一化，得到所述输出层对应的至少一个输出层的归一化特征；根据所述输出层的初始特征、以及所述输出层对应的至少一个输出层的归一化特征，确定所述输出层对应的通道融合特征，并确定所述输出层对应的空间融合特征；根据所述通道融合特征和所述空间融合特征，确定所述输出层对应的最终特征；采用所述目标检测网络的预测网络，对至少一个输出层对应的最终特征进行预测，得到所述待检测图像的预测结果。2.根据权利要求1所述的方法，其特征在于，根据所述输出层的初始特征、以及所述输出层对应的至少一个输出层的归一化特征，确定所述输出层对应的通道融合特征，包括：根据所述至少一个输出层的归一化特征，确定所述输出层的至少一个通道的通道分值权重；根据所述输出层的初始特征、以及所述输出层的至少一个通道的通道分值权重，确定所述输出层对应的通道融合特征。3.根据权利要求2所述的方法，其特征在于，所述根据至少一个输出层的归一化特征，确定所述输出层的至少一个通道的通道分值权重，包括：对至少一个输出层的归一化特征进行相加，得到所述输出层对应的加和特征；计算所述加和特征的协方差，得到所述输出层对应的层次相关特征；对所述层次相关特征进行正交分解，得到所述层次相关特征对应的至少一个通道的通道特征；对所述通道特征进行至少两次卷积操作，得到所述通道对应的通道分值权重。4.根据权利要求2所述的方法，其特征在于，根据所述输出层的初始特征、以及所述输出层的至少一个通道的通道分值权重，确定所述输出层对应的通道融合特征，包括：分别将所述输出层的初始特征与对应的至少一个通道的通道分值权重相乘，得到所述输出层对应的通道融合特征。5.根据权利要求1所述的方法，其特征在于，根据所述输出层的初始特征、以及所述输出层对应的至少一个输出层的归一化特征，确定所述输出层对应的空间融合特征，包括：根据所述至少一个输出层的归一化特征，确定所述输出层对应的空间层次特征；根据所述输出层的初始特征、以及所述输出层对应的空间层...

【专利技术属性】
技术研发人员：张腾飞，李林超，王威，周凯，
申请(专利权)人：浙江啄云智能科技有限公司，
类型：发明
国别省市：