[發(fā)明專利]一種物體檢測(cè)模型的特征提取方法、裝置、設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010550323.3
• 申請(qǐng)日: 2020-06-16
• 公開(kāi)（公告）號(hào): CN111898615A
• 公開(kāi)（公告）日: 2020-11-06
• 發(fā)明（設(shè)計(jì)）人: 高巖;高明;郝虹;凌澤樂(lè)
• 申請(qǐng)（專利權(quán)）人: 濟(jì)南浪潮高新科技投資發(fā)展有限公司
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京君慧知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11716
• 代理人: 董延麗

本申請(qǐng)公開(kāi)了一種物體檢測(cè)模型的特征提取方法、裝置、設(shè)備及介質(zhì)，包括：將待檢測(cè)的圖像輸入至預(yù)先建立的特征檢測(cè)模型，其中，所述特征檢測(cè)模型包括深度卷積網(wǎng)絡(luò)、第一特征金字塔網(wǎng)絡(luò)、第二特征金字塔網(wǎng)絡(luò)以及物體檢測(cè)網(wǎng)絡(luò)，所述第一特征金字塔網(wǎng)絡(luò)根據(jù)所述深度卷積網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，所述第一特征金字塔網(wǎng)絡(luò)與預(yù)先獲取的所述第二特征金字塔網(wǎng)絡(luò)融合得到所述物體檢測(cè)網(wǎng)絡(luò)；根據(jù)所述特征提取模型的物體檢測(cè)網(wǎng)絡(luò)提取出所述待檢測(cè)的圖像對(duì)應(yīng)的特征。本申請(qǐng)實(shí)施例通過(guò)將待檢測(cè)的圖像輸入至特征檢測(cè)模型中，特征檢測(cè)模型中的第一特征金字塔網(wǎng)絡(luò)與第二特征金字塔網(wǎng)絡(luò)融合成物體檢測(cè)網(wǎng)絡(luò)，可以提高特征提取網(wǎng)絡(luò)特征提取的效果。

技術(shù)領(lǐng)域

本申請(qǐng)涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種物體檢測(cè)模型的特征提取方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

深度學(xué)習(xí)物體檢測(cè)模型框架，例如SSD、Faster R-CNN、YOLO等，都可分為特征提取網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)。特征提取網(wǎng)絡(luò)對(duì)原始輸入的圖像進(jìn)行學(xué)習(xí)，得到一系列的抽象特征。檢測(cè)網(wǎng)絡(luò)對(duì)不同層級(jí)的特征進(jìn)行檢測(cè)對(duì)象的位置回歸和類別分類。

現(xiàn)有的深度學(xué)習(xí)物體檢測(cè)模型中，特征提取網(wǎng)絡(luò)特征提取的效果不好，容易出現(xiàn)信息的缺失。

發(fā)明內(nèi)容

有鑒于此，本申請(qǐng)實(shí)施例提供了一種物體檢測(cè)模型的特征提取方法、裝置、設(shè)備及介質(zhì)，用于解決現(xiàn)有的特征提取網(wǎng)絡(luò)特征提取的效果不好的問(wèn)題。

本申請(qǐng)實(shí)施例采用下述技術(shù)方案：

本申請(qǐng)實(shí)施例提供一種物體檢測(cè)模型的特征提取方法，所述方法包括：

將待檢測(cè)的圖像輸入至預(yù)先建立的特征檢測(cè)模型，其中，所述特征檢測(cè)模型包括深度卷積網(wǎng)絡(luò)、第一特征金字塔網(wǎng)絡(luò)、第二特征金字塔網(wǎng)絡(luò)以及物體檢測(cè)網(wǎng)絡(luò)，所述第一特征金字塔網(wǎng)絡(luò)根據(jù)所述深度卷積網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，所述第一特征金字塔網(wǎng)絡(luò)與預(yù)先獲取的所述第二特征金字塔網(wǎng)絡(luò)融合得到所述物體檢測(cè)網(wǎng)絡(luò)；

根據(jù)所述特征提取模型的物體檢測(cè)網(wǎng)絡(luò)提取出所述待檢測(cè)的圖像對(duì)應(yīng)的特征。

需要說(shuō)明的是，本申請(qǐng)實(shí)施例通過(guò)將待檢測(cè)的圖像輸入至特征檢測(cè)模型中，特征檢測(cè)模型中的第一特征金字塔網(wǎng)絡(luò)與第二特征金字塔網(wǎng)絡(luò)融合成物體檢測(cè)網(wǎng)絡(luò)，可以提高特征提取網(wǎng)絡(luò)特征提取的效果。第一特征金字塔網(wǎng)絡(luò)與第二特征金字塔網(wǎng)絡(luò)可以相互補(bǔ)充和融合，增強(qiáng)圖像特征在特征檢測(cè)模型中的傳遞和表達(dá)能力。

進(jìn)一步的，所述將待檢測(cè)的圖像輸入至預(yù)先建立的特征檢測(cè)模型之前，所述方法還包括：

將所述深度卷積網(wǎng)絡(luò)的特征層作為輸入，根據(jù)預(yù)先設(shè)定方式構(gòu)建所述第一特征金字塔網(wǎng)絡(luò)。

需要說(shuō)明的是，第一特征金字塔網(wǎng)絡(luò)是由深度卷積網(wǎng)絡(luò)的特征層作為輸入，并根據(jù)預(yù)設(shè)方式進(jìn)行構(gòu)建，其中，深度卷積網(wǎng)絡(luò)可以為現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)。

進(jìn)一步的，所述將所述深度卷積網(wǎng)絡(luò)的特征層作為輸入，根據(jù)預(yù)先設(shè)定方式構(gòu)建所述第一特征金字塔網(wǎng)絡(luò)，具體包括：

將所述深度卷積網(wǎng)絡(luò)的特征層作為輸入；

對(duì)所述深度卷積網(wǎng)絡(luò)最后一層的特征進(jìn)行分離卷積變換，輸出所述第一特征金字塔網(wǎng)絡(luò)的第一層；

對(duì)所述第一特征金字塔網(wǎng)絡(luò)第一層的特征進(jìn)行卷積變換，輸出第一特征層；

對(duì)所述深度卷積網(wǎng)絡(luò)倒數(shù)第二層的特征進(jìn)行分離卷積變變換，輸出第二特征層；

將所述第一特征層與所述第二特征層相加，得到所述第一特征金字塔網(wǎng)絡(luò)的第二層；

對(duì)于所述第一特征金字塔網(wǎng)絡(luò)的其余層，對(duì)所述第一特征金字塔網(wǎng)絡(luò)上一層的特征進(jìn)行卷積變換，輸出第三特征層，并對(duì)所述深度卷積網(wǎng)絡(luò)對(duì)應(yīng)層的特征進(jìn)行分離卷積變換，輸出第四特征層，將所述第三特征層與所述第四特征層相加，得到所述第一特征金字塔網(wǎng)絡(luò)的其余層。