本申请公开了一种目标检测方法、装置、设备以及存储介质，其目标检测方法包括：获取待预测图片；将所述待预测图片输入至预先训练的若干个目标检测模型中进行预测，对应得到若干个预测结果，并基于所述若干个预测结果融合得到目标预测结果，其中，所述目标检测模型是基于训练图片进行重参数化训练得到。本申请方案通过使用重参数化训练、多模型融合等方式，可以减少单个模型的误差或不稳定性对最终预测结果的影响，提高目标检测模型的鲁棒性和泛化性能，使得目标预测结果更加稳定可靠。使得目标预测结果更加稳定可靠。使得目标预测结果更加稳定可靠。
【技术实现步骤摘要】
目标检测方法、装置、设备以及存储介质
[0001]本申请涉及计算机视觉
，尤其涉及一种目标检测方法、装置、设备以及存储介质。
技术介绍
[0002]微小目标检测是一种从图像或视频中准确地检测和定位尺寸较小的目标物体的方法。微小目标通常具备低像素尺寸、低对比度、模糊不清以及被周围背景或其他干扰物遮挡等特点。基于传统算法的微小目标检测由于在提取特征和模式识别方面的限制，对于微小目标的细节和复杂性很难进行准确的分析和检测，因此，通常容易受到噪声的干扰，产生误检或漏检的情况，使得准确率较低。
[0003]相比之下，基于深度学习算法的微小目标检测在准确率方面具有明显的优势。现有深度学习算法能够通过多层次的特征提取和自适应学习，有效地捕捉微小目标的细微差异，并且具备更强的模式识别能力。这种算法可以自动学习和调整模型参数，从而更好地适应复杂的微小目标检测任务，提高检测的准确性。然而，由于微小目标的特点，基于深度学习算法的微小目标检测在某些场景下可能产生波动或过度依赖某些特征。这意味着在不同的图像或场景中，算法可能会出现一定程度的误差或漏检，致使预测结果不稳定。
[0004]因此，有必要提出一种提高预测结果稳定性的方案。
技术实现思路
[0005]本申请的主要目的在于提供一种目标检测方法、装置、设备以及存储介质，旨在解决现有技术的目标预测结果不稳定问题。
[0006]为实现上述目的，本申请提供一种目标检测方法，所述目标检测方法包括：
[0007]获取待预测图片；
[0008]将所述待预测图片输入至预先训练的若干个目标检测模型中进行预测，对应得到若干个预测结果，并基于所述若干个预测结果融合得到目标预测结果，其中，所述目标检测模型是基于训练图片进行重参数化训练得到。
[0009]可选地，所述获取待预测图片的步骤之前，还包括：
[0010]基于所述训练图片进行重参数化训练，得到所述目标检测模型，其中，所述训练图片预先通过同比例切块处理。
[0011]可选地，所述基于所述训练图片进行重参数化训练，得到所述目标检测模型的步骤包括：
[0012]获取待训练数据集，其中，所述待训练数据集包括第一预设数据量的训练图片和第二预设数据量的测试图片；
[0013]基于所述训练图片和所述测试图片对若干个待训练的CenterNet网络结构进行训练，得到若干个训练后的CenterNet网络结构，其中，所述待训练的CenterNet网络结构的主体结构中预先添加有若干数量的支路结构；
[0014]基于重参数化技术，将所述支路结构融合至所述训练后的CenterNet网络结构的主体结构中，以使融合后的CenterNet网络结构与未添加所述支路结构前的CenterNet网络结构保持一致，得到若干个训练后的目标检测模型。
[0015]可选地，所述基于所述训练图片进行重参数化训练，得到所述目标检测模型的步骤之前，还包括：
[0016]基于所述训练图片进行同比例切块处理，具体包括：
[0017]对所述训练图片中的目标进行复制粘贴处理，得到复制粘贴图片集；
[0018]从所述复制粘贴图片集中选取复制粘贴处理后的训练图片进行缩放拼接处理，得到缩放拼接后的训练图片；
[0019]基于预设切分比例对所述缩放拼接后的训练图片进行切块处理，得到切块后的训练图片；
[0020]根据所述缩放拼接后的训练图片的尺寸大小，将所述切块后的训练图片进行同比例放大，以完成对训练图片的同比例切块处理。
[0021]可选地，所述对所述训练图片进行复制粘贴处理，得到复制粘贴图片集的步骤包括：
[0022]选取第一训练图片和第二训练图片，对所述第一训练图片进行随机尺寸抖动；
[0023]从抖动的第一训练图片中选取目标，将选取的目标粘贴到所述第二训练图片上；
[0024]检测存在粘贴目标的第二训练图片上的粘贴目标是否遮挡所述第二训练图片上的原有目标；
[0025]在所述粘贴目标没有遮挡所述原有目标的情况下，保留所述存在粘贴目标的第二训练图片；以此循环，对所有训练图片进行迭代，得到包括若干个存在粘贴目标的训练图片的复制粘贴图片集。
[0026]可选地，所述从所述复制粘贴图片集中选取复制粘贴处理后的训练图片进行缩放拼接处理，得到缩放拼接后的训练图片的步骤包括：
[0027]从所述复制粘贴图片集中选取若干个存在粘贴目标的训练图片，基于预设缩小比例缩小所述存在粘贴目标的训练图片，得到若干个缩小的训练图片；
[0028]基于预设的拼接数量选取所述缩小的训练图片进行图片拼接，得到若干个所述缩放拼接后的训练图片。
[0029]可选地，所述预测结果包括目标位置坐标和置信度，所述基于所述若干个预测结果融合得到目标预测结果的步骤包括：
[0030]根据若干个目标位置坐标和置信度，结合权重框融合算法，计算得到目标预测结果。
[0031]本申请实施例还提出一种目标检测装置，所述目标检测装置包括：
[0032]获取模块，用于获取待预测图片；
[0033]预测模块，用于将所述待预测图片输入至预先训练的若干个目标检测模型中进行预测，对应得到若干个预测结果，并基于所述若干个预测结果融合得到目标预测结果，其中，所述目标检测模型是基于训练图片进行重参数化训练得到。
[0034]本申请实施例还提出一种目标检测设备，所述目标检测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的目标检测程序，所述目标检测程序被所
述处理器执行时实现如上所述的目标检测方法的步骤。
[0035]本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有目标检测程序，所述目标检测程序被处理器执行时实现如上所述的目标检测方法的步骤。
[0036]本申请实施例提出的目标检测方法、装置、设备以及存储介质，其目标检测方法通过获取待预测图片；将所述待预测图片输入至预先训练的若干个目标检测模型中进行预测，对应得到若干个预测结果，并基于所述若干个预测结果融合得到目标预测结果，其中，所述目标检测模型是基于训练图片进行重参数化训练得到。基于本申请方案，通过使用训练图片对目标检测模型进行重参数化训练，使得模型可以适应各类场景和目标的特点，增强模型的泛化能力。通过多模型融合的方式，即将多个模型的预测结果进行融合，可以减少单个模型的误差或不稳定性对最终预测结果的影响，进一步提高了目标检测模型的鲁棒性和泛化性能，使得目标预测结果更加稳定可靠。
附图说明
[0037]图1为本申请目标检测装置所属设备的功能模块示意图；
[0038]图2为本申请目标检测方法第一示例性实施例的流程示意图；
[0039]图3为本申请目标检测方法第二示例性实施例的流程示意图；
[0040]图4为本申请目标检测方法第二示例性实施例涉及的训练目标检测模型的流程示意图；
[0041]图5为本申请目标本文档来自技高网...
【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，所述目标检测方法包括：获取待预测图片；将所述待预测图片输入至预先训练的若干个目标检测模型中进行预测，对应得到若干个预测结果，并基于所述若干个预测结果融合得到目标预测结果，其中，所述目标检测模型是基于训练图片进行重参数化训练得到。2.根据权利要求1所述的目标检测方法，其特征在于，所述获取待预测图片的步骤之前，还包括：基于所述训练图片进行重参数化训练，得到所述目标检测模型，其中，所述训练图片预先通过同比例切块处理。3.根据权利要求2所述的目标检测方法，其特征在于，所述基于所述训练图片进行重参数化训练，得到所述目标检测模型的步骤包括：获取待训练数据集，其中，所述待训练数据集包括第一预设数据量的训练图片和第二预设数据量的测试图片；基于所述训练图片和所述测试图片对若干个待训练的CenterNet网络结构进行训练，得到若干个训练后的CenterNet网络结构，其中，所述待训练的CenterNet网络结构的主体结构中预先添加有若干数量的支路结构；基于重参数化技术，将所述支路结构融合至所述训练后的CenterNet网络结构的主体结构中，以使融合后的CenterNet网络结构与未添加所述支路结构前的CenterNet网络结构保持一致，得到若干个训练后的目标检测模型。4.根据权利要求2所述的目标检测方法，其特征在于，所述基于所述训练图片进行重参数化训练，得到所述目标检测模型的步骤之前，还包括：基于所述训练图片进行同比例切块处理，具体包括：对所述训练图片中的目标进行复制粘贴处理，得到复制粘贴图片集；从所述复制粘贴图片集中选取复制粘贴处理后的训练图片进行缩放拼接处理，得到缩放拼接后的训练图片；基于预设切分比例对所述缩放拼接后的训练图片进行切块处理，得到切块后的训练图片；根据所述缩放拼接后的训练图片的尺寸大小，将所述切块后的训练图片进行同比例放大，以完成对训练图片的同比例切块处理。5.根据权利要求4所述的目标检测方法，其特征在于，所述对所述训练图片进行复制粘贴处理，得到复制粘贴图片集的步骤包括：选...
【专利技术属性】
技术研发人员：吴欣怡，赵国治，贺强，吴勇，柴璇，薛飞，
申请(专利权)人：招商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。