【技术实现步骤摘要】
本申请涉及计算机视觉、图像处理、人工智能等，尤其涉及一种小目标图像检测方法以及相关装置。
技术介绍
1、随着科技的发展，计算机视觉技术在游戏场景的应用越来越多。例如，在复杂的大型游戏的测试过程中，经常需要可以检测画面中的相应的对象来实现游戏对象的自动操作，而随着游戏场景的不断切换以及版本的更新会有越来越多的大小不一的物体类别出现。
2、相关技术中，目标检测的过程可以包括：将游戏界面的图像输入神经网络进行检测，以输出游戏界面的图像中各个游戏对象的位置指示。然而，通常神经网络无法满足针对小型游戏对象的检测。
技术实现思路
1、本申请实施例提供了一种小目标图像检测方法以及相关装置，用于提升对图像中小目标图像的检测准确度。
2、有鉴于此，本申请一方面提供一种小目标图像检测方法以及相关装置，包括：获取包括小目标图像的待检测图像的原始特征图；通过目标模型的第一网络层，对所述原始特征图分割得到m个子图，并对所述m个子图进行上下文特征提取和融合得到第一特征图，所述第一特征图具有所述小目标图像的空间信息，所述m为大于1的整数；通过所述目标模型的第二网络层，对所述第一特征图进行下采样得到n个第一类特征图，所述n个第一类特征图具不同的分辨率，所述n个第一类特征图包括所述小目标图像在不同分辨率下的语义信息，所述n为大于1的整数；通过所述目标模型的第三网络层，将所述n个第一类特征图和所述第一特征图融合得到第二特征图；通过所述目标模型的检测层，对所述n个第一类特征图和所述第二特征图进行
3、本申请另一方面提供一种检测装置，包括：获取模块，用于获取包括小目标图像的待检测图像的原始特征图；
4、第一特征提取模块，用于通过目标模型的第一网络层，对所述原始特征图分割得到m个子图，并对所述m个子图进行上下文特征提取和融合得到第一特征图，所述第一特征图具有所述小目标图像的空间信息，所述m为大于1的整数；
5、第二特征提取模块，用于通过通过所述目标模型的第二网络层，对所述第一特征图进行下采样得到n个第一类特征图，所述n个第一类特征图具不同的分辨率，所述n个第一类特征图包括所述小目标图像在不同分辨率下的语义信息，所述n为大于1的整数；
6、融合模块，用于通过所述目标模型的第三网络层，将所述n个第一类特征图和所述第一特征图融合得到第二特征图；
7、检测模块，用于通过所述目标模型的检测层，对所述n个第一类特征图和所述第二特征图进行检测得到所述小目标图像。
8、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述第一网络层为自适应空间并行卷积层，所述第一特征提取模块，用于通过所述自适应空间并行卷积层的m个通道将所述原始特征图分割得到m个子图，并对所述m个子图进行并行卷积得到m个子特征图，所述m个子图对应的卷积层不相同，所述m为大于1的整数；将所述n个子特征图连接，并进行特征批量规范化处理得到第三特征图；将所述第三特征图与所述原始特征图连接融合得到第四特征图；对所述第四特征图进行下采样以及特征提取得到所述第一特征图。
9、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述第一特征提取模块，具体用于通过所述自适应空间并行卷积层的2个通道将所述原始特征图等分得到2个子图，所述2个子图中的一个子图对应标准卷积层conv2d，另一个子图对应的卷积层包括单层卷积conv和标准卷积层conv2d。
10、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述标准卷积层conv2d和所述单层卷积层conv的卷积核为3×3或1×1，步幅为1。
11、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述第二网络层包括子骨干网络和特征图金字塔网络，所述第二特征提取模块，具体用于对所述第一特征图通过所述子骨干网络中的x个跨阶段双卷积转化算子和1个跨阶段双卷积转化组合算子得到q个第二类特征图，其中，所述x与所述q为正整数，所述跨阶段双卷积转化算子包括卷积单元和特征提取单元，所述跨阶段双卷积转化组合算子包括卷积单元和空间金字塔池化单元，所述q个第二类特征图中包括所述第一特征图；将所述q个第二类特征图通过所述特征图金字塔网络的矩阵连接得到所述n个第一类特征图。
12、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述第二特征提取模块，具体用于按照输出时序，将所述q个第二类特征图中的最后输出的第q个第二类特征图通过特征图金字塔网络得到所述n个第一类特征图中的第一个第一类特征图；
13、将所述第一个第一类型特征图与所述q个第二类特征图中的第q-1个第二类特征图进行连接，并通过所述特征图金字塔网络中的跨阶段双卷积转化组合算子得到所述n个第一类特征图中的第二个第一类特征图；依此类推，直至根据所述q个第二类特征图中的第2个第二类特征图与所述第n-1个第一类特征图进行连接，并通过所述特征图金字塔网络中的跨阶段双卷积转化组合算子得到所述n个第一类特征图中的第n个第一类特征图，所述n个第一类特征图包括所述第一个第一类特征图、所述第二个第一类特征图和所述第n个第一类特征图。
14、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述第三网络层为多尺度融合网络，所述融合模块，具体用于将所述n个第一类特征图通过亚像素卷积层的升序滤波器数组映射生成第五特征图，所述第五特征图的分辨率大于所述n个第一类特征图的分辨率；将所述第五特征图与所述第一特征图连接融合得到所述第二特征图。
15、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述融合模块，具体用于按照输出时序，将所述n个第一类特征图中的第n-1个第一类特征图通过所述亚像素卷积层的升序滤波器数组映射生成第六特征图；将所述第六特征图与所述n个第一类特征图中的第n个第一类特征图进行连接融合，并进行上采样生成所述第五特征图。
16、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述融合模块，具体用于将所述第一特征图通过所述第三网络层的卷积层进行特征提取得到第七特征图；将所述第七特征图与所述第五特征图进行连接融合得到所述第二特征图。
17、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，检测模块，具体用于将所述n个第一类特征图和所述第二特征图分别通过所述检测层得到分类定位结果集合；对所述分类定位结果集合中的分类定位结果通过置信阈值筛选以及非极大值抑制处理得到所述小目标图像。
18、在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，所述获取模块，还用于获取样本集合和初始模型，所述初始模型包括初始网络层和初始检测层，所述样本集合包括样本物体的样本图像、所述样本物体在所述样本图像的真实位置和所述样本物体在所述样本图像的真实分类；
19、所述检测装置还包括处理模块，用于本文档来自技高网...
【技术保护点】
1.一种小目标图像检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一网络层为自适应空间并行卷积层，所述通过目标模型的第一网络层，对所述原始特征图分割得到M个子图，并对所述M个子图进行上下文特征提取和融合得到第一特征图包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述自适应空间并行卷积层的M个通道将所述原始特征图分割得到M个子图包括：
4.根据权利要求3所述的方法，其特征在于，所述标准卷积层Conv2d和所述单层卷积层Conv的卷积核为3×3或1×1，步幅为1。
5.根据权利要求1所述的方法，其特征在于，所述第二网络层包括子骨干网络和特征图金字塔网络，所述通过所述目标模型的第二网络层，对所述第一特征图进行下采样得到N个第一类特征图包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述Q个第二类特征图通过所述特征图金字塔网络的矩阵连接得到所述N个第一类特征图包括：
7.根据权利要求1所述的方法，其特征在于，所述第三网络层为多尺度融合网络，所述通过所述目标模型的第三网
8.根据权利要求7所述的方法，其特征在于，所述将所述N个第一类特征图通过亚像素卷积层的升序滤波器数组映射生成第五特征图包括：
9.根据权利要求8或7所述的方法，其特征在于，所述将所述第五特征图与所述第一特征图连接融合得到所述第二特征图包括：
10.根据权利要求1所述的方法，其特征在于，所述通过所述目标模型的检测层，对所述N个第一类特征图和所述第二特征图进行检测得到所述小目标图像包括：
11.根据权利要求1至10中任一项所述的方法，其特征在于，所述方法还包括：
12.根据权利要求11所述的方法，其特征在于，所述联合损失函数包括位置损失、置信度损失和分类损失，其中，所述位置损失是样本检测位置与所述真实位置之间的误差，所述置信度损失用于指示所述样本物体置信度分数预测的相对误差，所述分类损失用于指示所述样本检测分类与所述真实分类之间的误差。
13.一种检测装置，其特征在于，包括：
14.一种计算机设备，其特征在于，包括：存储器、处理器以及总线系统；
15.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至12中任一项所述的方法。
...【技术特征摘要】
1.一种小目标图像检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一网络层为自适应空间并行卷积层，所述通过目标模型的第一网络层，对所述原始特征图分割得到m个子图，并对所述m个子图进行上下文特征提取和融合得到第一特征图包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述自适应空间并行卷积层的m个通道将所述原始特征图分割得到m个子图包括：
4.根据权利要求3所述的方法，其特征在于，所述标准卷积层conv2d和所述单层卷积层conv的卷积核为3×3或1×1，步幅为1。
5.根据权利要求1所述的方法，其特征在于，所述第二网络层包括子骨干网络和特征图金字塔网络，所述通过所述目标模型的第二网络层，对所述第一特征图进行下采样得到n个第一类特征图包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述q个第二类特征图通过所述特征图金字塔网络的矩阵连接得到所述n个第一类特征图包括：
7.根据权利要求1所述的方法，其特征在于，所述第三网络层为多尺度融合网络，所述通过所述目标模型的第三网络层，将所述n个第一类特征图和所述第一特征图融合得到第二特征图包括：<...
【专利技术属性】
技术研发人员：徐东，
申请(专利权)人：腾讯科技深圳有限公司，
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。