目标检测方法和装置、电子设备及存储介质制造方法及图纸

本申请公开了一种目标检测方法和装置、电子设备及存储介质。该方法包括利用样本图像对基于RepGhost Bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络；其中，RepGhost Bottleneck基于残差连接的RepGhost Module构成，RepGhost Module基于Ghost Module融入结构重参数化构成；基于结构重参数化将第一目标检测网络中RepGhost Module转换为等效Ghost Module，得到第二目标检测网络；基于第二目标检测网络对待测图像进行目标检测，得到待测图像的目标检测结果。上述方案，能够提高目标检测的准确度和效率。够提高目标检测的准确度和效率。够提高目标检测的准确度和效率。

【技术实现步骤摘要】
目标检测方法和装置、电子设备及存储介质


[0001]本申请涉及图像处理
，特别是涉及一种目标检测方法和装置、电子设备及存储介质。

技术介绍

[0002]随着科技的进步和人类基于便利性生活的需要，目标检测被广泛应用于计算机视觉任务场景中，包括：家居安防、机器视觉、自动驾驶等领域。
[0003]目前各种基于神经网络的目标检测算法相继提出，但是因其参数量庞大、计算复杂导致效率较低，使其在应用场景中受限，而一些高性能的目标检测模型例如Retinaface，Yolov5face等，在降低模型参数量时又会损失较多的模型精度。有鉴于此，如何提高目标检测的准确度和效率，成为亟待解决的问题。

技术实现思路

[0004]本申请主要解决的技术问题是提供一种目标检测方法和装置、电子设备及存储介质，能够提高目标检测的准确度和效率。
[0005]为了解决上述技术问题，本申请第一方面提供了一种目标检测方法，包括：利用样本图像对基于RepGhost Bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络；其中，RepGhost Bottleneck基于残差连接的RepGhost Module构成，RepGhost Module基于Ghost Module融入结构重参数化构成；基于结构重参数化将第一目标检测网络中RepGhost Module转换为等效Ghost Module，得到第二目标检测网络；基于第二目标检测网络对待测图像进行目标检测，得到待测图像的目标检测结果。
[0006]为了解决上述技术问题，本申请第二方面提供了一种目标检测装置，包括网络训练模块，用于利用样本图像对基于RepGhost Bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络；其中，RepGhost Bottleneck基于残差连接的RepGhost Module构成，RepGhost Module基于Ghost Module融入结构重参数化构成；结构转换模块，用于基于结构重参数化将第一目标检测网络中RepGhost Module转换为等效Ghost Module，得到第二目标检测网络；目标检测模块，用于基于第二目标检测网络对待测图像进行目标检测，得到待测图像的目标检测结果。
[0007]为了解决上述技术问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的目标检测方法。
[0008]为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面的目标检测方法。
[0009]上述方案，基于RepGhost Bottleneck搭建初始目标检测网络，并且RepGhost Bottleneck是基于残差连接的RepGhost Module构成的，RepGhost Module是基于Ghost Module融入结构重参数化构成的，RepGhost Bottleneck融入初始目标检测网络的结构中
提高了图像特征提取能力，故能提高目标检测的精度，获取样本图像并对初始目标检测网络进行训练，得到第一目标检测网络，在基于结构重参数化将第一目标检测网络中的RepGhost Module转化为等效Ghost Module，简化目标检测网络的结构，降低算法的参数量，得到运算速率更快的第二目标检测网络，并基于第二目标检测网络对待测图像进行目标检测，得到待测图像的目标检测结果，通过上述方法在第一目标检测网络进行样本训练，提高目标检测网络的精度，在结构更加简单的第二目标检测网络进行待测图像的目标检测，故能提高目标检测的准确度和效率。
附图说明
[0010]图1是本申请目标检测方法一实施例的流程示意图；
[0011]图2是本申请初始目标检测网络一实施例的结构示意图；
[0012]图3是本申请目标检测装置一实施例的框架示意图；
[0013]图4是本申请电子设备一实施例的框架示意图；
[0014]图5是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
[0015]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0016]本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
[0017]请参阅图1，图1是本申请目标检测方法一实施例的流程示意图。
[0018]具体而言，可以包括如下步骤：
[0019]步骤S10：利用样本图像对基于RepGhost Bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络。
[0020]在一个实施场景中，获取得到的样本图像中标注有样本对象的样本类别、样本位置和样本关键点，样本对象可以是样本图像中所出现的汽车、房屋、动物等，具体的，当样本对象为汽车时，对应的样本关键点可以为轮胎、车前盖、车后盖、车顶。
[0021]在一个实施场景中，将带有标注的样本图像输入至初始目标检测网络中后，基于初始目标检测网络对样本图像进行目标检测，可以得到样本图像中样本对象的预测类别、预测位置和预测关键点，基于样本类别与预测类别之间的第一损失、样本位置与预测位置之间的第二损失，及样本关键点与预测关键点之间的第三损失，调整初始目标检测网络损失函数的网络参数，得到第一目标检测网络。通过上述方法，基于初始目标检测网络对样本图像进行训练得到样本类别与预测类别之间的第一损失、样本位置与预测位置之间的第二损失，及样本关键点与预测关键点之间的第三损失对初始目标检测网络的网络参数进行调整，得到准确度更高的第一目标检测网络。
[0022]在一个具体的实施场景中，第一目标检测网络的损失函数基于第一损失函数、第二损失函数以及第三损失函数相加得到，第一损失用于调整第一损失函数的网络参数，第二损失用于调整第二损失函数的网络参数，第三损失用于调整第三损失函数的网络参数。例如，损失函数的计算公式如下：
[0023][0024]公式(1)中，为第一损失函数，p
i
为样本类别，为预测类别，为第二损失函数，λ1为第二损失函数系数，t
i
为样本位置，为预测位置，为第三损失函数，λ2为第三损失函数系数，l
i
为样本关键点，为预测关键点。
[0025]在一个具体的实施场景中，第一损失函数可以使用交叉熵函数，交叉熵函数用于度量两个概率分布本文档来自技高网...

【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：利用样本图像对基于RepGhost Bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络；其中，所述RepGhost Bottleneck基于残差连接的RepGhost Module构成，所述RepGhost Module基于Ghost Module融入结构重参数化构成；基于结构重参数化将所述第一目标检测网络中所述RepGhost Module转换为等效Ghost Module，得到第二目标检测网络；基于所述第二目标检测网络对待测图像进行目标检测，得到所述待测图像的目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述Ghost Module基于残差连接的第一尺寸的卷积和第二尺寸的深度可分离卷积构成，且所述第二尺寸不小于所述第一尺寸，基于Ghost Module融入结构重参数化得到所述RepGhost Module的步骤，包括：将所述第一尺寸的卷积和批归一化层并联后接入第一激活函数，得到第一通路；以及，将所述第二尺寸的深度可分离卷积与批归一化层、所述第一尺寸的深度可分离卷积并联后接入第二激活函数，得到第二通路；将所述第一通路和所述第二通路残差连接，得到所述RepGhost Module。3.根据权利要求2所述的方法，其特征在于，基于结构重参数化将所述第一目标检测网络中所述RepGhost Module转换为等效Ghost Module，包括：将所述第一通路中所述批归一化层，转换为第一尺寸的等效卷积，并将所述第一通路中所述第一尺寸的卷积与所述第一尺寸的等效卷积进行融合，作为所述等效Ghost Module中第一尺寸的卷积；将所述第二通路中所述批归一化层，转换为第二尺寸的第一等效深度可分离卷积，并将所述第二通路中所述第一尺寸的深度可分离卷积转换为第二尺寸的第二等效深度可分离卷积，以及将所述第二通路中所述第二尺寸的深度可分离卷积与所述第一等效深度可分离卷积、所述第二等效深度可分离卷积进行融合，作为所述等效Ghost Module中第二尺寸的深度可分离卷积；其中，所述等效Ghost Module中所述第一尺寸的卷积与所述第二尺寸的深度可分离卷积残差连接。4.根据权利要求3所述的方法，其特征在于，所述将所述第一通路中所述批归一化层，转换为所述第一尺寸的等效卷积，包括：将所述批归一化层转换为最小单位等效卷积；基于所述最小单位等效卷积和所述第一尺寸得到所述第一尺寸的等效卷积；所述将所述第一通路中所述第一尺寸的卷积与所述等效卷积进行融合，作为所述等效Ghost Module中所述第一尺寸的卷积，包括：获取所有所述第一通路中第一尺寸的卷积的偏置和权重，并将所述偏置和所述权重分别对应叠加，得到第一偏置和第一权重；以及，获取所述第一尺寸的等效卷积的第二偏置和第二权重；将所述第一偏置和所述第二偏置进行叠加，并将所述第一权重和所述第二权重进行叠加，得到第三偏置和第三权重；基于所述第三偏置、所述第三权重以及所述第一尺寸得到所述等效Ghost Module中所
述第一尺寸的卷积。5.根据权利要求3所述的方法，其特征在于，所述将所述第二通路中所述批归一化层，转换为所述第二尺寸的第一等效深度可分离卷积，包括：将所述批归一化层转换为最小单位等效卷积；基于所述最小单位等效卷积和所述第二尺寸得到所述第二尺寸的第一等效深度可分离卷积；所述将所述第二通道中所述第二尺寸的深度可分离卷积与所述第一等效深度可分离卷积、所述第二等效深度可分离卷积进行融合，作为所述等效Ghost Module中所述第二尺寸的深度可分离卷积，包括：获取所有所述第二通路中第二尺寸的深度可分离卷积的偏置和权重，并将所述偏置和所述权...

【专利技术属性】
技术研发人员：张诚成，马子昂，
申请(专利权)人：杭州华橙软件技术有限公司，
类型：发明
国别省市：