[發明專利]一種目標檢測方法、裝置及存儲介質

在審

• 申請號: 202010529233.6
• 申請日: 2020-06-11
• 公開（公告）號: CN111814832A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 姚廣;高耀宗
• 申請（專利權）人: 上海聯影智能醫療科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

本申請公開了一種目標檢測方法、裝置及存儲介質，所述方法包括：獲取待檢測圖像；基于目標檢測模型對所述待檢測圖像進行目標檢測，得到第一目標檢測結果，基于誤檢篩查模型對所述第一目標檢測結果進行誤檢篩查，得到第二目標檢測結果，其中，所述誤檢篩查模型是對所述目標檢測模型測試得到的誤檢結果進行聚類處理后訓練得到的，且所述誤檢篩查模型包括一個或多個級聯的誤檢篩查子模型。利用本申請提供的技術方案可以能夠彌補目標檢測模型的不足，過濾第一目標檢測結果中的假陽性結果，提升目標檢測結果的準確性，使得目標檢測更加可靠。

技術領域

本發明涉及圖像處理技術領域，具體涉及一種目標檢測方法、裝置及存儲介質。

背景技術

目標檢測，也叫目標提取，是一種基于目標幾何和統計特征的圖像分割，它將目標的分割和識別合二為一，其準確性和實時性是整個系統的一項重要能力。尤其是在復雜場景中，需要對多個目標進行實時處理時，目標自動提取和識別就顯得特別重要。

隨著計算機技術的發展和計算機視覺原理的廣泛應用，利用計算機圖像處理技術進行目標檢測的研究越來越熱門，目標檢測在智能化交通系統、智能監控系統、軍事目標檢測及醫學圖像中病灶的檢測定位等方面都具有廣泛的應用價值。目標檢測任務中訓練集的正負樣本篩選對于訓練出來的深度學習模型性能的影響非常大，樣本不平衡、困難樣本的挖掘都是影響模型性能好壞的重要因素。傳統的目標檢測任務中訓練集和驗證集的正負樣本，都是基于與金標準重合度大于或小于一定閾值的檢測框而篩選出來的，但是通過這樣篩選出來的正負樣本訓練出來的模型還是會經常出現一些問題，如出現假陽性的情況。

現有技術中篩選訓練樣本的方法有Online Hard Example Mining(在線難例挖掘算法)的方法，核心思想是篩選出一些困難樣本作為訓練樣本從而改善檢測模型的效果，其中困難樣本指的是有多樣性和高損失的樣本。困難樣本是根據每個ROI(感興趣區域)的損失來選擇的，選擇損失最大的一些感興趣區域作為候選區域。這個方法能在一定程度上提升模型的性能，但是并不是對所有種類的假陽性結果都有效，針對性不夠強，使得到的目標檢測的結果不夠準確，因此需要提供更加可靠的方案。

發明內容

為了解決現有技術的問題，本發明提供了一種目標檢測方法、裝置、計算機設備及存儲介質。所述技術方案如下：

本申請一方面提供了一種目標檢測方法，所述方法包括：

獲取待檢測圖像；

基于目標檢測模型對所述待檢測圖像進行目標檢測，得到第一目標檢測結果；

基于誤檢篩查模型對所述第一目標檢測結果進行誤檢篩查，得到第二目標檢測結果；

其中，所述誤檢篩查模型是對所述目標檢測模型測試得到的誤檢結果進行聚類處理后訓練得到的，且所述誤檢篩查模型包括一個或多個級聯的誤檢篩查子模型。

本申請另一方面提供了另一種目標檢測方法，所述方法包括：

獲取待檢測圖像；

基于目標檢測模型對所述待檢測圖像進行目標檢測，得到第一目標檢測結果；

基于誤檢篩查模型對所述待檢測圖像進行目標檢測，得到第三目標檢測結果；

確定所述第一目標檢測結果與所述第三目標檢測結果的交集；

將所述第一目標檢測結果與所述第三目標檢測結果的交集作為誤檢篩查后的目標檢測結果；

其中，所述誤檢篩查模型是對所述目標檢測模型測試得到的誤檢結果進行聚類處理后訓練得到的。

本申請另一方面提供了一種目標檢測裝置，所述裝置包括：

第一圖像獲取模塊，用于獲取待檢測圖像；