[發明專利]一種圖像中小目標檢測方法、系統、存儲介質及終端

在審

• 申請號: 202011307843.8
• 申請日: 2020-11-19
• 公開（公告）號: CN112488999A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 趙磊
• 申請（專利權）人: 特斯聯科技集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06K9/46
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 劉廣達

本發明公開了一種圖像中小目標檢測方法、系統、存儲介質及終端，該方法包括：當從待檢測的圖像中檢測小目標時，加載預先訓練的小目標檢測模型；剔除小目標檢測模型中反轉注意力模塊生成剔除后的小目標檢測模型；其中，小目標檢測模型是基于Faster RCNN檢測網絡、SSD檢測器以及反轉注意力模塊創建的，所述反轉注意力模塊用于實現模型訓練時將不同維度下生成的特征圖進行融合；將待檢測的目標圖像輸入剔除后的小目標檢測模型中提取至少一個小目標特征；對至少一個小目標特征進行分類和邊框回歸處理后，生成處理后的小目標檢測框。因此，采用本申請實施例，可以降低圖像中的小目標、小人臉的檢測難度，提升圖像中小目標檢測精度。

技術領域

本發明涉及計算機的深度學習技術領域，特別涉及一種圖像中小目標檢測方法、系統、存儲介質及終端。

背景技術

基于深度學習的目標檢測任務中，特別是實際場景中廣泛應用的人臉檢測任務中，對于小目標、小人臉的檢測難度很大，面臨許多技術挑戰，這是因為圖片分辨率比較低，圖片模糊，背景噪音多。

現有的小目標檢測方法主要包括傳統的圖像金字塔和多尺度滑動窗口檢測小目標。還包括基于數據擴增方法，通過增加小目標樣本數量和種類來提升小目標檢測性能；基于特征融合的方法，將高層、低層的多尺度特征融合來提升檢測性能；基于錨采樣和匹配策略的方法；利用上下文信息的方法等。現有技術中在進行模型訓練時所用的目標檢測訓練集缺乏像素級別的標注，而僅對目標的位置坐標與類別作了標注，這就會導致目標檢測網絡訓練時不能充分挖掘目標上下文信息，而深度網絡模型從低分辨率的小目標上提取的特征比較粗糙，尺寸較小的目標相比較于預設大小的目標候選框，其特征信息所占比例比較小從而提升了圖像中的小目標的檢測難度，降低了圖像中小目標檢測精度。

發明內容

本申請實施例提供了一種圖像中小目標檢測方法、系統、存儲介質及終端。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現一些概念，以此作為后面的詳細說明的序言。

第一方面，本申請實施例提供了一種圖像中小目標檢測方法，方法包括：

當從待檢測的圖像中檢測小目標時，加載預先訓練的小目標檢測模型；

剔除所述小目標檢測模型中的反轉注意力模塊后，生成剔除后的小目標檢測模型；其中，所述小目標檢測模型是基于Faster RCNN檢測網絡、SSD檢測器以及反轉注意力模塊創建的，所述反轉注意力模塊用于實現模型訓練時將不同維度下生成的特征圖進行融合；

將所述待檢測的目標圖像輸入所述剔除后的小目標檢測模型中，提取至少一個小目標特征；

對所述至少一個小目標特征進行分類和邊框回歸處理后，生成處理后的小目標。

可選的，所述生成處理后的小目標檢測框之后，還包括：

輸出所述處理后的小目標，并將所述小目標進行展示。

可選的，還包括按照下述方法生成所述預先訓練的小目標檢測模型，包括：

設計小目標檢測模型；

從圖像數據庫采集多個訓練數據樣本；

將所述多個訓練數據樣本輸入所述創建的小目標檢測模型進行訓練，輸出所述小目標檢測模型的損失值；

當所述損失值到達預設最小閾值時，模型訓練結束并生成預先訓練的小目標檢測模型。

可選的，所述方法還包括：

當所述損失值未到達預設最小閾值時，優化所述創建的小目標檢測模型的模型參數；以及

繼續執行所述將所述多個訓練數據樣本輸入所述創建的小目標檢測模型進行訓練的步驟。