目标物的识别方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及数据识别领域，公开了一种目标物的识别方法、装置、电子设备及存储介质，方法包括：将包含目标物的待识别图像输入目标识别模型，得到结果图像；目标识别模型包括编码器、分解器及解码器；编码器包括多层卷积层，分解器包括至少一层分解层，解码器包括多层反卷积层，每层反卷积层用于将已接收的图像、当前层级的卷积层输出的第一特征图及已连接的分解层输出的特征矩阵进行融合，得到当前层级的第二特征图，将当前层级的第二特征图传递至下一反卷积层。本申请提供的方案，通过目标识别模型实现对多层级特征的综合分析，通过特征分解和融合的方式获得更多语义特征，提高了识别精度，解决了传统识别模型识别精度低的问题。解决了传统识别模型识别精度低的问题。解决了传统识别模型识别精度低的问题。

【技术实现步骤摘要】
目标物的识别方法、装置、电子设备及存储介质


[0001]本申请涉及数据识别
，尤其涉及一种目标物的识别方法、装置、电子设备及存储介质。

技术介绍

[0002]在数据识别领域中，常涉及对图像中目标物的识别，尤其在自动驾驶场景中，目标物的识别精度将直接影响自动驾驶的安全性。
[0003]相关技术中，目标物的识别任务一般通过机器学习算法实现，比如基于CNN（Convolutional Neural Networks，卷积神经网络）以及FCN（Fully Convolutional Networks，全卷积网络）等深度学习网络搭建的传统识别模型，利用上述传统识别模型进行目标识别的过程中，由于上述深度学习网络自身结构原因，对图像中目标物的识别精度较低，对于图像中尺寸较小的目标物识别效果较差，难以满足实际应用中更高精度的数据识别需求。

技术实现思路

[0004]为解决或部分解决相关技术中存在的问题，本申请提供一种目标物的识别方法、装置、电子设备及存储介质，能够通过对目标识别模型的结构改进提升对于较小尺寸目标物的识别精度。...

【技术保护点】

【技术特征摘要】
1.一种目标物的识别方法，其特征在于，包括：将包含目标物的待识别图像输入目标识别模型，得到所述目标识别模型输出的结果图像；其中，所述结果图像包括对所述待识别图像中目标物进行标记的识别结果；所述目标识别模型包括编码器、分解器以及解码器；所述编码器包括多层卷积层，每层所述卷积层用于提取接收到的图像在当前层级对应的语义特征，输出包含所述语义特征的第一特征图至与当前卷积层相连接的下一卷积层以及所述解码器；所述分解器包括至少一层分解层，所述解码器包括多层反卷积层，每一所述分解层分别与一卷积层和一反卷积层连接，每层所述分解层用于对接收到的第一特征图进行特征分解，得到特征矩阵，并将所述特征矩阵输出至与当前分解层相连接的反卷积层；每层所述反卷积层用于将已接收的图像、当前层级对应的卷积层输出的第一特征图以及已连接的分解层输出的特征矩阵进行融合，得到当前层级的第二特征图，并将当前层级的第二特征图传递至与当前反卷积层相连接的下一反卷积层。2.根据权利要求1所述的目标物的识别方法，其特征在于，每层所述分解层具体通过如下过程对接收到的第一特征图进行特征分解：确定接收到的第一特征图对应的图像矩阵；对所述图像矩阵进行奇异值分解，得到奇异值分解结果；依据所述奇异值分解结果，确定所述第一特征图对应的特征矩阵。3.根据权利要求2所述的目标物的识别方法，其特征在于，所述对所述图像矩阵进行奇异值分解，得到奇异值分解结果，包括：确定所述图像矩阵的转置，依据所述图像矩阵以及所述图像矩阵的转置，分别确定所述图像矩阵对应的左奇异矩阵和右奇异矩阵；其中，所述左奇异矩阵包括多个左奇异向量，所述右奇异矩阵包括多个右奇异向量；依据所述图像矩阵、所述多个左奇异向量以及所述多个右奇异向量，确定所述图像矩阵对应的奇异值矩阵；将所述左奇异矩阵、所述右奇异矩阵以及所述奇异值矩阵，作为所述奇异值分解结果。4.根据权利要求3所述的目标物的识别方法，其特征在于，所述依据所述奇异值分解结果，确定所述第一特征图对应的特征矩阵，包括：依据所述奇异值分解结果中的左奇异矩阵、右奇异矩阵以及奇异值矩阵中至少一个，确定所述第一特征图对应的特征矩阵。5.根据权利要求3所述的目标物的识别方法，其特征在于，依据所述图像矩阵以及所述图像矩阵的转置，确定所述图像矩阵对应的左奇异矩阵，包括：将所述图像矩阵与所述图像矩阵的转置相乘，得到第一矩阵；对所...

【专利技术属性】
技术研发人员：李宁，朱磊，贾双成，万如，
申请(专利权)人：智道网联科技北京有限公司，
类型：发明
国别省市：