[發明專利]目標檢測方法及裝置、存儲介質、終端

有效

• 申請號: 202011373448.X
• 申請日: 2020-11-30
• 公開（公告）號: CN112446378B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 陳圣衛
• 申請（專利權）人: 展訊通信（上海）有限公司
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/46;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張振軍

一種目標檢測方法及裝置、存儲介質、終端，所述方法包括：獲取樣本圖像；提取所述樣本圖像的初始特征圖，并對所述初始特征圖進行語義信息增強處理，以得到所述樣本圖像的第一預測圖，所述第一預測圖用于指示所述樣本圖像的目標區域和背景區域，所述目標區域為包含所述預設目標的區域，所述背景區域為未包含所述預設目標的區域；根據所述第一預測圖和第二預測圖對檢測網絡模型進行訓練，以得到訓練后的檢測網絡模型，采用訓練后的檢測網絡模型檢測待測圖像，以得到所述待測圖像中所述預設目標的檢測結果。通過本發明的技術方案，能夠高效準確地檢測出待測圖像中的預設目標。

技術領域

本發明涉及一種計算機視覺領域，尤其涉及一種目標檢測方法及裝置、存儲介質和終端

背景技術

當前目標檢測是計算機視覺領域中一個富有挑戰性的課題，廣泛應用于機器人導航、智能視頻監控、工業檢測、航空航天、自動駕駛等諸多領域。由于相關技術的發展和產業的需要，當前對目標檢測的效率和準確度的要求越來越高。

隨著深度學習技術的高速發展，越來越多的目標檢測采用卷積神經網絡(Convolutional Neural Networks，CNN)來完成，卷積神經網絡逐漸取代了傳統的圖像處理算法。在目標檢測任務中，卷積神經網絡的檢測準確率雖然屢創新高，但其對于小尺寸目標(例如：不超過預設尺寸的目標，也可以是尺寸占其所屬圖像的尺寸的比例不超過預設比例的目標)的檢測準確率并不高，現有的小尺寸目標的檢測準確率通常只有正常尺寸目標的檢測準確率的一半。

因此，亟需提出一種高效、準確的目標檢測方法，以提高小尺寸目標的檢測準確率。

發明內容

本發明解決的技術問題是提供一種高效、準確的目標檢測方法，以提高小尺寸目標的檢測準確率。

為解決上述技術問題，本發明實施例提供一種目標檢測方法，所述方法包括：獲取樣本圖像，所述樣本圖像包括預設目標；提取所述樣本圖像的初始特征圖，并對所述初始特征圖進行語義信息增強處理，以得到所述樣本圖像的第一預測圖，所述第一預測圖用于指示所述樣本圖像的目標區域和背景區域，所述目標區域為包含所述預設目標的區域，所述背景區域為未包含所述預設目標的區域；根據所述第一預測圖和第二預測圖對檢測網絡模型進行訓練，以得到訓練后的檢測網絡模型，其中，所述第二預測圖是根據所述初始特征圖對所述樣本圖像進行計算得到的，所述第二預測圖用于指示所述預設目標的邊界框；采用訓練后的檢測網絡模型檢測待測圖像，以得到所述待測圖像中所述預設目標的檢測結果。

可選的，所述初始特征圖的每個像素點包括多個通道，所述初始特征圖是通過對所述樣本圖像進行下采樣得到的，則對所述初始特征圖進行語義信息增強處理包括：步驟一：對所述初始特征圖進行2倍上采樣，以得到第一特征圖；步驟二：根據通道注意力機制對所述第一特征圖進行處理，以得到第二特征圖；步驟三：將所述第二特征圖作為新的初始特征圖；重復執行步驟一至步驟三，直至所述上采樣倍數與所述下采樣倍數相等；步驟四：對所述初始特征圖進行第一卷積運算，以得到所述第一預測圖，其中，所述第一預測圖的通道數量為2。

可選的，根據通道注意力機制對所述第一特征圖進行處理之前，所述方法還包括：對所述第一特征圖進行多次第二卷積運算，每次第二卷積運算采用1×1的卷積核；將多次第二卷積運算的結果與所述第一特征圖相加，以得到新的第一特征圖。

可選的，根據通道注意力機制對所述第一特征圖進行處理之前，所述方法還包括：對所述第一特征圖進行多次第三卷積運算，多次第三卷積運算中至少一次采用3×3的卷積核；將多次第三卷積運算的結果與所述第一特征圖相加，以得到新的第一特征圖。

可選的，對所述第一特征圖進行多次第二卷積運算包括：第一次第二卷積運算之外的其他第二卷積運算中，均先對所述第一特征圖進行批標準化處理，再使用relu激活函數。