System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标检测领域,特别是涉及一种基于特征解耦和组合策略的目标检测方法、系统、计算机设备及存储介质。
技术介绍
1、现有目标检测方案有很多种,包括focs目标检测算法(proceedings of theieee/cvf international conference on computer vision. 2019.)、yolov7(proceedings of the ieee/cvf conference on computer vision and patternrecognition. 2023.)等。传统的目标检测算法如focs,都是将输入图片视为一个个像素点,经过模型处理之后,每一个点都会输出一个分类得分和预测框的四个边界。至于如何选出最终的最优预测值,传统目标检测算法是通过每个点设置一个得分,接着计算各个点预测的坐标值之间的重叠程度(这里用iou来衡量),重叠程度高的点里面,会通过nms(非极大值抑制算法)选出最高分的点所预测的预测框和分类得分,其余点的预测值就会忽略掉。
2、然而,现有的目标检测算法存在以下技术问题:
3、(1)通过一个像素点直接预测得到预测框的四个边界值,而预测框的x边界值和y边界值所敏感的特征并不相同;
4、(2)在nms阶段依赖通过一个得分来得到预测最准确的点,而具有最优x边界预测值和最优y边界预测值的点往往不是同一个点,想要有一个点得到最优的x边界预测值和y边界预测值是很困难的。
5、基于以上存在的问题,使得现有目标检测算法的检测
6、因此,现有技术还有待进一步改进和提升。
技术实现思路
1、本专利技术的目的是提供一种基于特征解耦和组合策略的目标检测方法,提升目标检测的检测精度,特别是针对小目标物体的目标检测。
2、为了实现上述目的,有必要针对上述技术问题,提供一种目标检测方法、系统、计算机设备及存储介质。
3、第一方面,本专利技术提供了一种目标检测方法,所述方法包括以下步骤:
4、通过骨干网络对原始图像进行特征提取,得到初始特征,将所述初始特征经过四个卷积层,得到四个原始特征图;
5、对四个所述原始特征图进行拼接,得到拼接特征图;
6、对所述拼接特征图分别进行两次特征解耦,得到分类特征和回归特征;
7、将所述分类特征通过一个卷积层进行卷积操作,得到分类得分;
8、将所述回归特征通过自注意力模块进行解耦,分别得到针对x方向的x回归特征和针对y方向的y回归特征;
9、将所述x回归特征和y回归特征进行拼接并通过卷积操作,得到预测框边界预测值;所述预测框边界预测值包括x边界预测值和y边界预测值;
10、根据所述分类得分,对所述预测框边界预测值进行检测,得到目标预测框。
11、进一步地,所述得到针对x方向的x回归特征和针对y方向的y回归特征之后,还包括:
12、对所述x回归特征和y回归特征分别进行卷积操作,得到多个目标点的针对x方向的x边界预测质量和左右距离向量、以及针对y方向的y边界预测质量和上下距离向量;
13、所述根据所述分类得分,对所述预测框边界预测值进行检测,得到目标预测框,还包括:
14、根据所述左右距离向量和上下距离向量,判断所检测的目标是否为同一目标,若是则分别比较各个目标点的x边界预测质量和y边界预测质量;
15、分别将最大x边界预测质量对应的x边界预测值和最大y边界预测质量对应的y边界预测值组合为新预测框边界预测值。
16、进一步地,所述判断所检测的目标是否为同一目标,还包括:
17、将各个目标点进行两两比较,将各个目标点进行两两比较,计算其中一目标点的左右距离向量和另一目标点的上下距离向量的第一差值绝对值以及所述其中一目标点的上下距离向量和所述另一目标点的左右距离向量的第二差值绝对值,并计算所述第一差值绝对值和第二差值绝对值之和,判断所述第一差值绝对值和第二差值绝对值之和是否小于预定阈值,如小于则判定两个目标点所检测的目标为同一目标,否则为两个不同的目标。
18、进一步地,所述对所述拼接特征图分别进行两次特征解耦,得到分类特征和回归特征,还包括:
19、根据所述拼接特征图,分别得到x预测框偏差矩阵、y预测框偏差矩阵和预测框偏差矩阵;
20、所述对所述x回归特征和y回归特征分别进行卷积操作,得到多个目标点的针对x方向的x边界预测质量和左右距离向量、以及针对y方向的y边界预测质量和上下距离向量,还包括:
21、根据x预测框偏差矩阵,对所述x回归特征进行修正,得到针对x方向的x边界预测质量;
22、根据y预测框偏差矩阵,对所述y回归特征进行修正,得到针对y方向的y边界预测质量。
23、进一步地,所述对所述拼接特征图分别进行两次特征解耦,得到分类特征和回归特征,包括:
24、对所述拼接特征图进行平均池化层处理,得到原始权重特征;
25、根据所述原始权重特征进行全连接层处理,得到权重系数矩阵;
26、将所述原始权重特征和权重系数矩阵进行加权处理,得到所述分类特征和回归特征。
27、进一步地,所述将所述回归特征通过自注意力模块进行解耦,分别得到针对x方向的x回归特征和针对y方向的y回归特征,还包括:
28、将所述回归特征通过卷积处理,得到分辨率为h×w×64的第一特征图;其中,h为特征图的高,w为特征图的宽;
29、对所述第一特征图进行下采样和一个卷积处理,得到分辨率为h/2×w/2×128的第二特征图;
30、对所述第二特征图进行下采样和一个卷积处理,得到分辨率为h/4×w/4×128的第三特征图;
31、对所述第三特征图进行上采样,并与所述第二特征图依次进行拼接和卷积操作,得到分辨率为h/2×w/2×64的第四特征图;
32、对所述第四特征图进行上采样,并与所述第二特征图依次进行拼接和卷积操作,得到分辨率为h×w×128的第五特征图;
33、对所述第五特征图进行卷积操作,得到初始注意力矩阵,并将所述初始注意力矩阵与所述回归特征进行点乘操作,得到所述x回归特征和y回归特征。
34、第二方面,本专利技术提供一种基于特征解耦和组合策略的目标检测系统,所述系统包括:
35、初始特征提取模块,用于通过骨干网络对原始图像进行特征提取,得到初始特征,将所述初始特征经过四个卷积层,得到四个原始特征图;
36、第一特征拼接模块,用于对四个所述原始特征图进行拼接,得到拼接特征图;
37、解耦合模块,用于对所述拼接特征图分别进行两次特征解耦,得到分类特征和回归特征;
38、分类特征处理模块,用于将所述分类特征通过一个卷积层进行卷积操作,得到分类得分;本文档来自技高网...
【技术保护点】
1.一种基于特征解耦和组合策略的目标检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述得到针对x方向的x回归特征和针对y方向的y回归特征之后,还包括:
3.根据权利要求2所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述判断所检测的目标是否为同一目标,还包括:
4.根据权利要求2所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述对所述拼接特征图分别进行两次特征解耦,得到分类特征和回归特征,还包括:
5.根据权利要求1所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述对所述拼接特征图分别进行两次特征解耦,得到分类特征和回归特征,包括:
6.根据权利要求1所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述将所述回归特征通过自注意力模块进行解耦,分别得到针对x方向的x回归特征和针对y方向的y回归特征,还包括:
7.一种基于特征解耦和组合策略的目标检测系统,其特征在于,所述系统包括:
8.一种计算机设
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一所述方法的步骤。
...【技术特征摘要】
1.一种基于特征解耦和组合策略的目标检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述得到针对x方向的x回归特征和针对y方向的y回归特征之后,还包括:
3.根据权利要求2所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述判断所检测的目标是否为同一目标,还包括:
4.根据权利要求2所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述对所述拼接特征图分别进行两次特征解耦,得到分类特征和回归特征,还包括:
5.根据权利要求1所述的基于特征解耦和组合策略的目标检测方法,其特征在于,所述对所述拼接特征图分别进行两次特征...
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。