【技术实现步骤摘要】
本公开涉及目标检测，尤其涉及一种多模态目标检测方法及装置。
技术介绍
1、近年来，基于多模态编码器的检测模型因为在各种跨模态任务中的优异表现，引起了学术和工业界的广泛关注。这类模型由于利用图像-文本对来学习跨模态特征，所以能学习到丰富的特征，这非常有利于提高检测结果的准确率。但是，这些模态间关系往往是通过单一视角的图像进行学习，这容易导致小目标物体或者模糊物体的检测结果产生误判，而且在复杂场景下，单一视角的图像学习，很难学习到稳健的跨模态表征。
技术实现思路
1、有鉴于此，本公开实施例提供了一种多模态目标检测方法、装置、电子设备及计算机可读存储介质，以解决现有技术在图像和文本的多模态检测中，单一视角的图像学习容易导致小目标物体或者模糊物体的检测结果产生误判，以及复杂场景下很难学习到稳健的跨模态表征等问题。
2、本公开实施例的第一方面，提供了一种多模态目标检测方法，包括：利用图像编码网络、文本编码网络、多模态编码网络、多模态解码网络和前馈网络构建多模态目标检测模型；获取训练数据集，其中，训练数据集包括多组训练数据，每组训练数据包括两张关于同一对象的不同视角的图像和该两张图像对应的文本描述；将每组训练数据输入多模态目标检测模型：分别通过图像编码网络和文本编码网络处理两张图像和文本描述，得到第一图像特征、第二图像特征和文本特征；通过多模态解码网络处理第一图像特征和文本特征，得到第一解码特征；通过前馈网络处理第一解码特征，得到第一检测结果；通过多模态编码网络处理第二图像特征和文
3、本公开实施例的第二方面，提供了一种多模态目标检测装置，包括：构建模块，被配置为利用图像编码网络、文本编码网络、多模态编码网络、多模态解码网络和前馈网络构建多模态目标检测模型；获取模块，被配置为获取训练数据集，其中，训练数据集包括多组训练数据，每组训练数据包括两张关于同一对象的不同视角的图像和该两张图像对应的文本描述；第一处理模块，被配置为将每组训练数据输入多模态目标检测模型：分别通过图像编码网络和文本编码网络处理两张图像和文本描述，得到第一图像特征、第二图像特征和文本特征；第二处理模块，被配置为通过多模态解码网络处理第一图像特征和文本特征，得到第一解码特征；第三处理模块，被配置为通过前馈网络处理第一解码特征，得到第一检测结果；第四处理模块，被配置为通过多模态编码网络处理第二图像特征和文本特征，得到编码特征；第五处理模块，被配置为基于第一解码特征、文本特征和编码特征，通过多模态解码网络确定第二解码特征；第六处理模块，被配置为通过前馈网络处理第二解码特征，得到第二检测结果；计算模块，被配置为基于第一图像特征、第二图像特征和文本特征计算特征对比损失，分别计算第一检测结果和第二检测结果各自对应的检测损失；优化模块，被配置为依据特征对比损失和检测损失优化多模态目标检测模型的模型参数，以完成对多模态目标检测模型的训练。
4、本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
5、本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
6、本公开实施例与现有技术相比存在的有益效果是：因为本公开实施例通过利用图像编码网络、文本编码网络、多模态编码网络、多模态解码网络和前馈网络构建多模态目标检测模型；获取训练数据集，其中，训练数据集包括多组训练数据，每组训练数据包括两张关于同一对象的不同视角的图像和该两张图像对应的文本描述；将每组训练数据输入多模态目标检测模型：分别通过图像编码网络和文本编码网络处理两张图像和文本描述，得到第一图像特征、第二图像特征和文本特征；通过多模态解码网络处理第一图像特征和文本特征，得到第一解码特征；通过前馈网络处理第一解码特征，得到第一检测结果；通过多模态编码网络处理第二图像特征和文本特征，得到编码特征；基于第一解码特征、文本特征和编码特征，通过多模态解码网络确定第二解码特征；通过前馈网络处理第二解码特征，得到第二检测结果；基于第一图像特征、第二图像特征和文本特征计算特征对比损失，分别计算第一检测结果和第二检测结果各自对应的检测损失；依据特征对比损失和检测损失优化多模态目标检测模型的模型参数，以完成对多模态目标检测模型的训练。采用上述技术手段，可以解决现有技术在图像和文本的多模态检测中，单一视角的图像学习容易导致小目标物体或者模糊物体的检测结果产生误判，以及复杂场景下很难学习到稳健的跨模态表征等问题，进而提高小目标物体或者模糊物体检测的准确率，以及确保复杂场景下学习到稳健的跨模态表征。
本文档来自技高网...【技术保护点】
1.一种多模态目标检测方法，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，通过所述多模态解码网络处理所述第一图像特征和所述文本特征，得到第一解码特征，包括：
3.根据权利要求1所述的方法，其特征在于，通过所述多模态编码网络处理所述第二图像特征和所述文本特征，得到编码特征，包括：
4.根据权利要求1所述的方法，其特征在于，基于所述第一解码特征、所述文本特征和所述编码特征，通过所述多模态解码网络确定第二解码特征，包括：
5.根据权利要求1所述的方法，其特征在于，基于所述第一图像特征、所述第二图像特征和所述文本特征计算特征对比损失，包括：
6.根据权利要求1所述的方法，其特征在于，计算所述第一检测结果对应的检测损失，包括：
7.根据权利要求1所述的方法，其特征在于，计算所述第二检测结果对应的检测损失，包括：
8.一种多模态目标检测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种多模态目标检测方法，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，通过所述多模态解码网络处理所述第一图像特征和所述文本特征，得到第一解码特征，包括：
3.根据权利要求1所述的方法，其特征在于，通过所述多模态编码网络处理所述第二图像特征和所述文本特征，得到编码特征，包括：
4.根据权利要求1所述的方法，其特征在于，基于所述第一解码特征、所述文本特征和所述编码特征，通过所述多模态解码网络确定第二解码特征，包括：
5.根据权利要求1所述的方法，其特征在于，基于所述第一图像特征、所述第二图像特征和所述文本特征计算特征对比损失，包括：
<...【专利技术属性】
技术研发人员：石雅洁，
申请(专利权)人：深圳须弥云图空间科技有限公司，
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。