[發明專利]目標檢測網絡構建方法及裝置、目標檢測方法

有效

• 申請號: 202010079113.0
• 申請日: 2020-02-03
• 公開（公告）號: CN111274981B
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 李榮春;劉運韜;竇勇;姜晶菲;牛新;蘇華友;喬鵬;潘衡岳;周鑫;張俊杰
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 付婧

1.一種目標檢測網絡構建方法，其特征在于，包括：

獲取用于目標檢測的初始網絡模型，所述初始網絡模型包括相連的骨干網絡和多任務學習模塊；其中，所述骨干網絡用于在待檢測圖像上生成多個錨框，并且為每個錨框提取特征；所述多任務學習模塊中包括原分類分支網絡，用于根據錨框的特征得到錨框的第一分類信息；

在所述多任務學習模塊中添加裁剪模塊和新分類分支網絡，以得到目標檢測網絡；其中，所述裁剪模塊，用于針對所述骨干網絡生成的每一個錨框，在待檢測圖像上進行裁剪得到對應的錨框原像，并將所述錨框原像通過縮放得到尺度不同的多個錨框原像，并提取每個錨框原像的特征；所述新分類分支網絡，用于基于每一個錨框的尺度不同的多個錨框原像的特征，生成每一個錨框的第二分類信息，并將所述第一分類信息和所述第二分類信息進行組合，得到第三分類信息；

所述第一分類信息和所述第二分類信息的類型均是分數向量；所述將所述第一分類信息和所述第二分類信息進行組合，具體為：將所述第一分類信息和所述第二分類信息進行向量求和。

2.根據權利要求1所述的方法，其特征在于，所述新分類分支網絡采用基于圖卷積神經網絡的多標簽分類方法。

3.根據權利要求1所述的方法，其特征在于，所述尺度包括原圖尺度，以及長寬均比原圖大1.5倍和小1.5倍的尺度。

4.一種目標檢測網絡構建裝置，其特征在于，包括：

獲取單元，用于獲取用于目標檢測的初始網絡模型，所述初始網絡模型包括相連的骨干網絡和多任務學習模塊；其中，所述骨干網絡用于在待檢測圖像上生成多個錨框，并且為每個錨框提取特征；所述多任務學習模塊中包括原分類分支網絡，用于根據錨框的特征得到錨框的第一分類信息；

構建單元，在所述多任務學習模塊中添加裁剪模塊和新分類分支網絡，以得到目標檢測網絡；其中，所述裁剪模塊，用于針對所述骨干網絡生成的每一個錨框，在待檢測圖像上進行裁剪得到對應的錨框原像，并將所述錨框原像通過縮放得到尺度不同的多個錨框原像，并提取每個錨框原像的特征；所述新分類分支網絡，用于基于每一個錨框的尺度不同的多個錨框原像的特征，生成每一個錨框的第二分類信息，并將所述第一分類信息和所述第二分類信息進行組合，得到第三分類信息；

所述第一分類信息和所述第二分類信息的類型均是分數向量；所述新分類分支網絡將所述第一分類信息和所述第二分類信息進行組合，具體為：將所述第一分類信息和所述第二分類信息進行向量求和。

5.根據權利要求4所述的裝置，其特征在于，所述新分類分支網絡采用基于圖卷積神經網絡的多標簽分類方法。

6.一種目標檢測方法，其特征在于，包括：

將待檢測圖像輸入目標檢測網絡，得到原分類分支網絡輸出的第一檢測結果，以及新分類分支網絡輸出的第二檢測結果；其中，所述目標檢測網絡包括相連的骨干網絡和多任務學習模塊；所述多任務學習模塊中包括原分類分支網絡、裁剪模塊和新分類分支網絡；

輸出將所述第一檢測結果和所述第二檢測結果組合后的第三檢測結果；

其中，所述骨干網絡，用于在待檢測圖像上生成多個錨框，并且為每個錨框提取特征；

所述原分類分支網絡，用于根據錨框的特征得到錨框的第一分類信息，所述第一檢測結果包括每一個錨框的第一分類信息；

所述裁剪模塊，用于針對所述骨干網絡生成的每一個錨框，在待檢測圖像上進行裁剪得到對應的錨框原像，并將所述錨框原像通過縮放得到尺度不同的多個錨框原像，并提取每個錨框原像的特征；

所述新分類分支網絡，用于基于每一個錨框的尺度不同的多個錨框原像的特征，生成每一個錨框的第二分類信息，所述第二檢測結果包括每一個錨框的第二分類信息；

所述輸出將所述第一檢測結果和所述第二檢測結果組合后的第三檢測結果，具體為：將所述第一檢測結果和所述第二檢測結果中同一個錨框的第一分類信息和第二分類信息進行組合，得到第三分類信息，所述第三檢測結果包括每一個錨框的第三分類信息；輸出所述第三檢測結果；

所述第一分類信息和所述第二分類信息的類型均是分數向量；所述將所述第一分類信息和所述第二分類信息進行組合，具體為：將所述第一分類信息和所述第二分類信息進行向量求和。