目标检测方法、装置、电子设备及非易失性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、装置、电子设备及非易失性存储介质。其中，该方法包括：依据待识别图像进行特征提取，得到多个不同尺度的第一特征图；将第一特征图划分为多个图像块，并对第一特征图中的图像块进行重新排列，得到第二特征图；依据第二特征图，计算自注意力权值，并依据自注意力权值生成第三特征图，其中，自注意力权值用于表征第二特征图中各个特征对识别待识别图像中目标对象的影响程度；依据第三特征图，确定待识别图像中的目标对象。本申请解决了相关技术中的神经网络进行目标检测，存在目标检测定位的精准度差的技术问题。题。题。

【技术实现步骤摘要】
目标检测方法、装置、电子设备及非易失性存储介质


[0001]本申请涉及计算机视觉
，具体而言，涉及一种目标检测方法、装置、电子设备及非易失性存储介质。

技术介绍

[0002]卷积神经网络(CNN)是一种常用的深层、前置反馈的人工神经网络，是深度学习方法的一种，目前已经被成功应用在计算机视觉领域。随着深度学习技术的复苏，基于深度学习的目标检测方法在近几年来发展迅速。基于候选区域的R
‑
CNN方法，及其改进版本Fast R
‑
CNN方法和Faster R
‑
CNN先后被提出，并且已经得到了广泛应用。但相关技术中的上述网络模型在实际进行目标检测的过程中，存在准确率较差等问题。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本申请实施例提供了一种目标检测方法、装置、电子设备及非易失性存储介质，以至少解决相关技术中的神经网络进行目标检测，存在目标检测定位的精准度差的技术问题。
[0005]根据本申请实施例的一个方面，提供了一种本文档来自技高网...

【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：依据待识别图像进行特征提取，得到多个不同尺度的第一特征图；将所述第一特征图划分为多个图像块，并对所述第一特征图中的所述图像块进行重新排列，得到第二特征图；依据所述第二特征图，计算自注意力权值，并依据所述自注意力权值生成第三特征图，其中，所述自注意力权值用于表征所述第二特征图中各个特征对识别所述待识别图像中目标对象的影响程度；依据所述第三特征图，确定所述待识别图像中的目标对象。2.根据权利要求1所述的目标检测方法，其特征在于，所述待识别图像中包含的所述目标对象的高度大于宽度；对所述第一特征图中的所述图像块进行重新排列，得到第二特征图包括：依据所述第一特征图中各列的所述图像块，确定多个图像块集合，其中，每个所述图像块集合对应所述第一特征图中的一列；将所述图像块集合中所述图像块，组合为目标子图，其中，每个所述图像块集合对应一个所述目标子图；依据所述目标子图，确定与所述第一特征图对应的所述第二特征图，其中，所述第一特征图与所述第二特征图的尺度相同，且所述第一特征图与所述第二特征图中所述图像块的排列顺序不同。3.根据权利要求2所述的目标检测方法，其特征在于，计算自注意力权值，并依据所述自注意力权值生成第三特征图包括：对所述第二特征图进行线性变换，得到查询矩阵、键矩阵和值矩阵；依据所述查询矩阵和所述键矩阵，确定所述自注意力权值；依据所述自注意力权值和所述值矩阵进行加权计算，得到第四特征图，其中，所述特征图中包含各个所述图像块对应的自注意力得分；将组成所述第四特征图的各个所述目标子图对应的所述图像块集合中的图像块重新排列，并组合为所述第三特征图，其中，所述第一特征图与所述第三特征图的尺度相同，且所述第一特征图与所述第三特征图中所述图像块的排列顺序相同。4.根据权利要求1所述的目标检测方法，其特征在于，依据待识别图像进行特征提取，得到多个不同尺度的第一特征图包括：依据特征金字塔网络中的多层卷积核，自底向上依次进行特征提取，得到多个不同尺度的第一候选图，其中，每层卷积核均对应一个所述第一候选图，自底向上每层卷积核对应的所述第一候选图的尺度依次减小且所述第一候选图中包含的特征信息依次增多；对最顶层的卷积核所对应的所述第一候选图，自顶向下依次进行多次上采样操作，得到多个不同尺度的第二候选图，其中，每次所述上采样操作均对应一个所述第二候选图；将尺度相同的所述第一候选图和所述第二候选图进行融合，得到多个不同尺度的第五特征图；通过通道注意力模块和空间注意力模块，对所述第五特征图进行调整，得到所述第一特征图。5.根据权利要求4所述的目标检测方法，其特征在于，通过通道注意力模块和空间注意
力模块，对所述第五特征图进行调整，得到所述第一特征图包括：通过所述通道注意力模块对所述第五特征图进...

【专利技术属性】
技术研发人员：段智华，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：