[發明專利]一種基于深度學習的目標檢測的方法、系統、設備及介質

有效

• 申請號: 202010314444.8
• 申請日: 2020-04-21
• 公開（公告）號: CN111523439B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 王曦輝
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/44;G06V20/10;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京連和連知識產權代理有限公司 11278
• 代理人: 張濤

本發明公開了一種基于深度學習的目標檢測的方法、系統、設備和存儲介質，方法包括以下步驟：讀取待檢測圖像，對圖像進行分割；依次提取分割后的各個圖像第一卷積層和第二卷積層的特征，并將第一卷積層和第二卷積層的特征進行融合以得到特征圖；將先驗框分布到各層特征圖上，并基于檢測卷積對不含目標的先驗框進行濾除，對剩余先驗框進行卷積計算以確定目標的位置和類別；以及將確定的位置變換回圖像的位置，并在圖像中標示目標的類別。本發明提出的基于深度學習的目標檢測的方法、系統、設備及介質通過檢測卷積，在目標較為稀疏的情況下，可以大大提升檢測速度。

技術領域

本發明涉及圖像識別領域，更具體地，特別是指一種基于深度學習的目標檢測的方法、系統、計算機設備及可讀介質。

背景技術

遙感圖像目標檢測是利用目標檢測算法檢測遙感圖像中的特定目標的技術，遙感圖像目標檢測在軍事目標智能識別，遙感影像解析以及民用航空等領域具有廣闊的應用前景。對于遙感圖像，研究內容包括通過檢測油罐預估石油儲備、通過檢測車輛預估商業收益、以及路網提取、農作物檢測、圖像檢索等等。

當前，遙感圖像的目標檢測存在以下難點和問題：

1.尺度多樣性：衛星遙感圖像從幾百米到近萬米的拍攝高度都有，且地面目標即使是同類目標也大小不一，如港口的輪船大的有300多米，小的只有數十米。

2.視角特殊性：遙感圖像的視角基本都是高空俯視，但常規數據集大部分還是地面水平視角，所以，在常規數據集上訓練的很好的檢測器，使用在遙感圖像上效果很差。

3.小目標問題：遙感圖像的目標很多都是小目標，弱目標(幾十個甚至幾個像素)，這就導致目標信息量不大，對于一個24*24的小目標經過4層pooling后只有約1個像素，維度過低難以區分出來；

4.多方向問題：遙感圖像采用俯視拍攝，目標的方向都是不確定的(而常規數據集上往往有一定的確定性，如行人、車輛基本都是立著的)，目標檢測器需要對方向具有魯棒性。

5.背景復雜度高：遙感圖像視野比較大(通常有數十平方公里的覆蓋范圍)，視野中可能包含各種各樣的背景，會對目標檢測產生較強的干擾。

基于深度學習的目標檢測器通常分為兩類：one stage算法和two stage算法。其中one stage算法(SSD，YOLO)具有檢測速度快的優勢，但是檢測精度較差。Two stage算法(R-CNN，Faster R-CNN)檢測效果較好，但是需要耗費更長的時間來完成檢測。盡管YOLO和SSD算法具有較快的運算速度，但是應用于嵌入式平臺上還是存在運算速度慢的問題。

發明內容

有鑒于此，本發明實施例的目的在于提出一種基于深度學習的目標檢測的方法、系統、計算機設備及計算機可讀存儲介質，通過使用深度可分卷積和深度可分反卷積取代普通卷積來減少計算量，加速計算速度；使用網絡融合、圖像金字塔結構等方法提高檢測的精度；使用focal loss損失函數來訓練網絡，進一步提升網絡的檢測性能；使用檢測卷積，在目標較為稀疏的情況下，可以大大提升檢測速度。

基于上述目的，本發明實施例的一方面提供了一種基于深度學習的目標檢測的方法，包括如下步驟：讀取待檢測圖像，對所述圖像進行分割；依次提取分割后的各個圖像第一卷積層和第二卷積層的特征，并將所述第一卷積層和所述第二卷積層的特征進行融合以得到特征圖；將先驗框分布到各層特征圖上，并基于檢測卷積對不含目標的先驗框進行濾除，對剩余先驗框進行卷積計算以確定目標的位置和類別；以及將確定的位置變換回所述圖像的位置，并在所述圖像中標示目標的類別。

在一些實施方式中，所述基于檢測卷積對不含目標的先驗框進行濾除包括：輸入特征圖，判斷所述特征圖的卷積是否小于閾值；以及響應于所述特征圖的卷積小于閾值，將所述特征圖對應的先驗框進行濾除。