目标检测方法、装置、计算机设备、存储介质和程序产品制造方法及图纸

本申请涉及一种目标检测方法、装置、计算机设备、存储介质和程序产品。通过获取待检物体的检测图像，根据检测图像和目标检测模型，确定检测图像的检测结果；目标检测模型包括检测网络和适配网络，检测网络用于提取检测图像的第一特征图，适配网络用于根据第一特征图确定检测结果；检测网络为采用非对抗学习训练得到的。由于本申请实施例不再采用传统的域对抗网络进行跨域检测，而是利用目标检测模型进行跨域检测，并且，在训练阶段，检测网络采用非对抗训练得到，从而将检测网络与适配网络的训练进行解耦，使得检测网络得到的第一特征图不受干扰，提高了检测网络提取检测图像得到的第一特征图的准确性，从而提高了目标检测模型目标检测的准确性。检测的准确性。检测的准确性。

【技术实现步骤摘要】
目标检测方法、装置、计算机设备、存储介质和程序产品


[0001]本申请涉及图像处理
，特别是涉及一种目标检测方法、装置、计算机设备、存储介质和程序产品。

技术介绍

[0002]随着计算机视觉的不断发展，基于神经网络的目标检测方法在无人驾驶、人脸识别、缺陷检测等领域得到了广泛的应用。其中，由于域对抗网络的迁移性较强，因此大多采用域对抗网络进行跨域目标检测。
[0003]由于域对抗网络中域判别器和梯度反转层的引入，导致域对抗网络进行跨域目标检测得到的检测结果的准确性较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高跨域目标检测的准确性的目标检测方法、装置、计算机设备、存储介质和程序产品。
[0005]第一方面，本申请提供了一种目标检测方法，该方法包括：获取待检物体的检测图像；根据检测图像和目标检测模型，确定检测图像的检测结果；目标检测模型包括检测网络和适配网络，检测网络用于提取检测图像的第一特征图，适配网络用于根据第一特征图确定检测结果；检测网络为采用非对抗学习训练得到的。
[0006]本申请实施例的技术方案中，通过获取待检物体的检测图像，根据检测图像和目标检测模型，确定检测图像的检测结果；目标检测模型包括检测网络和适配网络，检测网络用于提取检测图像的第一特征图，适配网络用于根据第一特征图确定检测结果；检测网络为采用非对抗学习训练得到的。由于本申请实施例不再采用传统的域对抗网络进行跨域检测，而是利用目标检测模型进行跨域检测，并且，在训练阶段，目标检测模型中的检测网络采用非对抗训练得到，从而将检测网络与适配网络的训练进行解耦，使得检测网络得到的第一特征图不受干扰，提高了检测网络提取检测图像得到的第一特征图的准确性，从而提高了目标检测模型目标检测的准确性。
[0007]在其中一个实施例中，适配网络包括分类适配子网络和回归适配子网络；根据检测图像和目标检测模型，确定检测图像的检测结果；包括：将检测图像输入到检测网络中，得到第一特征图；将第一特征图输入到分类适配子网络中进行类型识别，以及将第一特征图输入到回归适配子网络中进行位置识别，得到检测结果。
[0008]本申请实施例的技术方案中，通过将检测图像输入到检测网络中，得到第一特征图，将第一特征图输入到分类适配子网络中进行类型识别，以及将第一特征图输入到回归适配子网络中进行位置识别，得到检测结果。本申请实施例中，分别采用分类适配子网络对待检物体的类型进行识别，以及利用回归适配子网络对待检物体的位置进行识别，弥补了
域对抗神经网络未考虑回归的问题，使得目标检测模型在对待检物体进行类型识别的同时，还可以对待检物体进行更加准确地定位。
[0009]在其中一个实施例中，分类适配子网络包括第一特征提取模块和分类模块；将第一特征图输入到分类适配子网络中进行类型识别，以及将第一特征图输入到回归适配子网络中进行位置识别，得到检测结果，包括：将第一特征图输入到第一特征提取模块进行特征提取，得到第二特征图；将第二特征图输入到分类模块，得到待检物体的分类类型；检测结果包括分类类型。
[0010]本申请实施例的技术方案中，通过将第一特征图输入到第一特征提取模块进行特征提取，得到第二特征图，将第二特征图输入到分类模块，得到待检物体的分类类型。本申请实施例中，由于第一特征图基于检测网络得到，检测网络未采用对抗训练得到，得到的第一特征图不会损失分类信息，从而基于第一特征图和第一特征提取模块进一步进行特征提取得到的第二特征图更为准确，从而使得基于分类模块和第二特征图得到的分类类型更加准确。
[0011]在其中一个实施例中，回归适配子网络包括第二特征提取模块和回归模块，将第一特征图输入到分类适配子网络中进行类型识别，以及将第一特征图输入到回归适配子网络中进行位置识别，得到检测结果，包括：将第一特征图输入到第二特征提取模块进行特征提取，得到第三特征图；将第三特征图输入到回归模块，得到待检物体的位置信息；检测结果包括位置信息。
[0012]本申请实施例的技术方案中，通过将第一特征图输入到第二特征提取模块进行特征提取，得到第三特征图，将第三特征图输入到回归模块，得到待检物体的位置信息。本申请实施例中，由于第一特征图基于检测网络得到，检测网络未采用对抗训练得到，得到的第一特征图不会损失回归信息，从而利用第二特征提取模块提取第一特征图的特征得到的第三特征图更为准确，从而使得基于回归模块和第三特征图得到的位置信息更加准确。
[0013]在其中一个实施例中，适配网络的训练方法包括：获取训练样本集；训练样本集包括源域的第一训练样本集和目标域的第二训练样本集；通过初始检测网络提取训练样本集的特征得到第一样本特征图；第一样本特征图包括源域样本特征图和目标域样本特征图；采用第一样本特征图对初始适配网络进行训练，得到适配网络。
[0014]本申请实施例的技术方案中，通过获取训练样本集，利用初始检测网络提取训练样本集的特征得到第一样本特征图，采用第一样本特征图对初始适配网络进行训练，得到适配网络。本申请实施例中，利用第一样本特征图对初始适配网络进行对抗训练，通过对抗学习有条件地将源域样本特征图和目标域样本特征图的特征进行对齐，从而使得适配网络学习到域不变的特征，提高目标检测模型目标检测的准确性。
[0015]在其中一个实施例中，初始适配网络包括初始分类适配子网络，初始分类适配子网络包括第一初始特征提取模块、初始分类模块和第一初始判别模块；采用第一样本特征图对初始适配网络进行训练，得到适配网络，包括：
将第一样本特征图输入到第一初始特征提取模块，得到第二样本特征图；将第二样本特征图输入到初始分类模块，得到训练样本集对应的预测分类结果；将预测分类结果和第二样本特征图输入到第一初始判别模块，得到第一判别结果；根据第一判别结果训练初始分类适配子网络，得到中间分类适配子网络，并根据中间分类适配子网络得到分类适配子网络。
[0016]本申请实施例的技术方案中，将第一样本特征图输入到第一初始特征提取模块，得到第二样本特征图，将第二样本特征图输入到初始分类模块，得到训练样本集对应的预测分类结果，以及将预测分类结果和第二样本特征图输入到第一初始判别模块，得到第一判别结果，从而根据第一判别结果训练初始分类适配子网络，得到中间分类适配子网络，并根据中间分类适配子网络得到分类适配子网络。本申请实施例中，分类适配子网络采用对抗训练得到，可以提取到域不变特征，提高了目标检测的准确性。
[0017]在其中一个实施例中，预测分类结果包括预测分类类型和类型置信度；将预测分类结果和第二样本特征图输入到第一初始判别模块，得到第一判别结果，包括：根据类型置信度和第一预设置信度，从目标域样本特征图中确定第三样本特征图；将预测分类类型、源域样本特征图和第三样本特征图输入到第一初始判别模块，得到第一判别结果。
[0018]本申请实施例的技术方案中，根据类型置信度和第一预设置信度，从目标域样本特征图中确定第三样本特征图，将预测分类本文档来自技高网...

【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，所述方法包括：获取待检物体的检测图像；根据所述检测图像和目标检测模型，确定所述检测图像的检测结果；所述目标检测模型包括检测网络和适配网络，所述检测网络用于提取所述检测图像的第一特征图，所述适配网络用于根据所述第一特征图确定所述检测结果；所述检测网络为采用非对抗学习训练得到的。2.根据权利要求1所述的方法，其特征在于，所述适配网络包括分类适配子网络和回归适配子网络；所述根据所述检测图像和目标检测模型，确定所述检测图像的检测结果；包括：将所述检测图像输入到所述检测网络中，得到所述第一特征图；将所述第一特征图输入到分类适配子网络中进行类型识别，以及将所述第一特征图输入到回归适配子网络中进行位置识别，得到所述检测结果。3.根据权利要求2所述的方法，其特征在于，所述分类适配子网络包括第一特征提取模块和分类模块；所述将所述第一特征图输入到分类适配子网络中进行类型识别，以及将所述第一特征图输入到回归适配子网络中进行位置识别，得到所述检测结果，包括：将所述第一特征图输入到所述第一特征提取模块进行特征提取，得到第二特征图；将所述第二特征图输入到所述分类模块，得到所述待检物体的分类类型；所述检测结果包括所述分类类型。4.根据权利要求2或3所述的方法，其特征在于，所述回归适配子网络包括第二特征提取模块和回归模块，所述将所述第一特征图输入到分类适配子网络中进行类型识别，以及将所述第一特征图输入到回归适配子网络中进行位置识别，得到所述检测结果，包括：将所述第一特征图输入到所述第二特征提取模块进行特征提取，得到第三特征图；将所述第三特征图输入到所述回归模块，得到所述待检物体的位置信息；所述检测结果包括所述位置信息。5.根据权利要求2所述的方法，其特征在于，所述适配网络的训练方法包括：获取训练样本集；所述训练样本集包括源域的第一训练样本集和目标域的第二训练样本集；通过初始检测网络提取所述训练样本集的特征得到第一样本特征图；所述第一样本特征图包括源域样本特征图和目标域样本特征图；采用所述第一样本特征图对初始适配网络进行训练，得到所述适配网络。6.根据权利要求5所述的方法，其特征在于，所述初始适配网络包括初始分类适配子网络，所述初始分类适配子网络包括第一初始特征提取模块、初始分类模块和第一初始判别模块；所述采用所述第一样本特征图对初始适配网络进行训练，得到所述适配网络，包括：将所述第一样本特征图输入到所述第一初始特征提取模块，得到第二样本特征图；将所述第二样本特征图输入到所述初始分类模块，得到所述训练样本集对应的预测分类结果；将所述预测分类结果和所述第二样本特征图输入到所述第一初始判别模块，得到第一判别结果；根据所述第一判别结果训练所述初始分类适配子网络，得到中间分类适配子网络，并
根据所述中间分类适配子网络得到所述分类适配子网络。7.根据权利要求6所述的方法，其特征在于，所述预测分类结果包括预测分类类型和类型置信度；所述将所述预测分类结果和所述第二样本特征图输入到所述第一初始判别模块，得到第一判别结果，包括：根据所述类型置信度和第一预设置信度，从所述目标域样本特征图中确定第三样本特征图；将所述预测分类类型、所述源域样本特征图和所述第三样本特征图输入到所述第一初始判别模块，得到所述第一判别结果。8.根据权利要求7所述的方法，其特征在于，所述初始适配网络还包括初始回归适配子网络，所述初始回归适配子网络包...

【专利技术属性】
技术研发人员：吴凯，江冠南，王智玉，束岸楠，
申请(专利权)人：宁德时代新能源科技股份有限公司，
类型：发明
国别省市：