【技术实现步骤摘要】
本申请涉及图像识别，尤其涉及目标检测方法、电子设备及其存储介质。
技术介绍
1、目标检测和图像识别是计算机视觉领域中最为重要的研究方向之一。目标检测是指在给定的图像中自动检测出特定类别的目标，并精确定位其位置。图像识别是指对给定的输入图像进行分类或标识，将图像映射到固定的类别或标签。目标检测和图像识别是计算机视觉中紧密联系、相辅相成的重要基础研究任务，对于机器人导航、自动驾驶、智能监控、人机交互、图像检索等领域具有广泛应用。
2、在相关技术中，针对于图像目标识别，通常采用cnn模型提取检测图像的图像特征，再将图像特征输入变换网络得到输出特征，然后将输出特征输入神经网络得到检测图像的目标预测位置和目标类别。但这种图像目标检测方法对检测目标的初始化仅依赖于变换网络所预测的概率值，或者直接通过静态参数初始化检测目标，以使得识别得到的检测目标的目标预测位置和目标类别不够精准。
技术实现思路
1、本申请实施例的提供了一种目标检测方法、电子设备及其存储介质，能够提高对检测图像进行目标识别的精准度。
2、为实现上述目的，本申请实施例的第一方面提出了一种目标检测方法，包括：
3、获取检测图片的多个检测特征单元，并将多个所述检测特征单元进行第一预测处理，得到每个所述检测特征单元的预测概率序列和特征位置序列；
4、基于所述预测概率序列和所述特征位置序列选取多个候选位置；
5、获取每个候选位置对应的评价指标，并基于所述评价指标从所述候选位置中选
6、将所述目标位置和所述检测特征单元输入第一变换网络进行目标识别，得到所述检测图片的目标检测结果和分类识别结果。
7、在一些实施例，所述获取检测图片的多个检测特征单元，包括：
8、将所述检测图片输入骨干网络模型进行特征提取得到多个第一特征层；
9、将所述第一特征层经过扁平化处理后，输入第二变换网络得到所述检测图片的对应的第二特征层，所述第二特征层中包括多个所述检测特征单元。
10、在一些实施例，所述将多个所述检测特征单元进行第一预测处理，得到每个所述检测特征单元的预测概率序列和特征位置序列，包括：
11、将扁平化处理后的所述第二特征层进行维度拼接，得到所述检测特征单元的拼接数据；
12、将所述拼接数据进行线性处理，得到所述检测特征单元的每个特征类型的对应的预测概率和特征位置，基于所述预测概率得到所述预测概率序列，以及基于所处特征位置得到所述特征位置序列。
13、在一些实施例，所述基于所述预测概率序列和所述特征位置序列选取多个候选位置，包括：
14、选取所述预测概率序列中最大的所述预测概率作为所述检测特征单元的最大分类概率值；
15、获取所述最大分类概率值的排序结果，并根据所述排序结果选取预设候选数量的检测特征单元作为候选特征单元；
16、获取所述候选特征单元中最大的所述预测概率对应的特征位置作为所述候选位置。
17、在一些实施例，所述获取每个候选位置对应的评价指标，包括：
18、获取每个所述候选位置和其他所述候选位置之间的特征距离；
19、基于所述特征距离，计算每个所述候选位置和其他所述候选位置的距离标准差和距离均值；
20、基于所述距离标准差和所述距离均值的比值得到每个候选位置的离散变异系数向量；
21、基于所述离散变异系数向量计算每个候选位置对应的所述评价指标。
22、在一些实施例，所述将所述目标位置和所述检测特征单元输入第一变换网络进行目标识别，得到所述检测图片的目标检测结果和分类识别结果，包括：
23、获取初始位置偏置向量，并将所述初始位置偏置向量、所述目标位置以及所述第二特征层输入第一变化网络进行特征识别，得到输出特征数据；
24、将所述输出特征数据输入第一前馈神经网络进行目标识别得到所述目标位置的所述目标检测结果；
25、将所述输出特征数据输入第二前馈神经网络进行分类识别得到所述目标位置的所述分类识别结果。
26、在一些实施例，所述骨干网络模型的训练过程包括：
27、获取第一样本数据集，所述第一样本数据集包括多个第一检测样本和第一检测标签；
28、将所述第一检测样本输入所述骨干网络模型进行特征提取，得到第一样本特征层；
29、对所述第一样本特征层进行全局池化和维度拼接并输入线性层以得到所述第一样本数据集的第一检测分类结果；所述第一检测分类结果用于表征所述第一样本特征层中的所有目标类别；
30、基于多个所述第一检测分类结果和所述第一检测标签得到所述第一样本数据集的第一损失结果，并基于所述第一损失结果更新所述骨干网络模型。
31、在一些实施例中，所述第二变换网络的训练过程包括：
32、将所述第一样本特征层输入所述第二变换网络进行特征提取，得到与所述第一样本特征层的特征维度一致的第二样本特征层；
33、对所述第二样本特征层进行全局池化和维度拼接并输入线性层以得到所述第二样本数据集的第二检测分类结果；所述第二检测分类结果用于表征所述第二样本特征层中的所有目标类别；
34、基于多个所述第二检测分类结果和所述第二检测标签得到所述第二样本数据集的第二损失结果，并基于所述第二损失结果更新所述第二变换网络。
35、为实现上述目的，本申请实施例的第二方面提出了一种目标检测装置，包括：
36、特征获取模块，用于获取检测图片的多个检测特征单元，并将多个所述检测特征单元进行第一预测处理，得到每个所述检测特征单元的预测概率序列和特征位置序列；
37、候选选取模块，用于基于所述预测概率序列和所述特征位置序列选取多个候选位置；
38、评价获取模块，用于获取每个候选位置对应的评价指标，并基于所述评价指标从所述候选位置中选取目标位置；所述评价指标用于指示所述候选位置与其他候选位置之间的空间位置信息；
39、结果处理模块，用于将所述目标位置和所述检测特征单元输入第一变换网络进行目标识别，得到所述检测图片的目标检测结果和分类识别结果。
40、为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的目标检测方法。
41、为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的目标检测方法。
42、本申请实施例提出的目标检测方法、电子设备及其存储介质，通过获取检测图片的多个检测特征单元，并将多个检测特征单元进行第一预测处理，得本文档来自技高网...
【技术保护点】
1.一种目标检测方法，其特征在于，包括：
2.根据权利要求1所述的目标检测方法，其特征在于，所述获取检测图片的多个检测特征单元，包括：
3.根据权利要求2所述的目标检测方法，其特征在于，所述将多个所述检测特征单元进行第一预测处理，得到每个所述检测特征单元的预测概率序列和特征位置序列，包括：
4.根据权利要求3所述的目标检测方法，其特征在于，所述基于所述预测概率序列和所述特征位置序列选取多个候选位置，包括：
5.根据权利要求1所述的目标检测方法，其特征在于，所述获取每个候选位置对应的评价指标，包括：
6.根据权利要求2所述的目标检测方法，其特征在于，所述将所述目标位置和所述检测特征单元输入第一变换网络进行目标识别，得到所述检测图片的目标检测结果和分类识别结果，包括：
7.根据权利要求2所述的目标检测方法，其特征在于，所述骨干网络模型的训练过程包括：
8.根据权利要求7所述的目标检测方法，其特征在于，所述第二变换网络的训练过程包括：
9.一种电子设备，其特征在于，包括存储器和处理器，所述存
10.一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如权利要求1至8任一项所述的目标检测方法。
...【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：
2.根据权利要求1所述的目标检测方法，其特征在于，所述获取检测图片的多个检测特征单元，包括：
3.根据权利要求2所述的目标检测方法，其特征在于，所述将多个所述检测特征单元进行第一预测处理，得到每个所述检测特征单元的预测概率序列和特征位置序列，包括：
4.根据权利要求3所述的目标检测方法，其特征在于，所述基于所述预测概率序列和所述特征位置序列选取多个候选位置，包括：
5.根据权利要求1所述的目标检测方法，其特征在于，所述获取每个候选位置对应的评价指标，包括：
6.根据权利要求2所述的目标检测方法，其特征在于，所述将所述目标...
【专利技术属性】
技术研发人员：曹桂平，蓝湘源，张建国，蒋冬梅，王耀威，
申请(专利权)人：鹏城实验室，
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。