[發明專利]目標檢測方法、裝置及電子設備

在審

• 申請號: 202011579999.1
• 申請日: 2020-12-28
• 公開（公告）號: CN112580581A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 朱才志;于永軍;周曉;孫耀暉;何龍泉
• 申請（專利權）人: 英特靈達信息技術（深圳）有限公司;合肥英特靈達信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 孫翠賢;馬敬

1.一種目標檢測方法，其特征在于，應用于邊緣計算服務器，所述方法包括：

獲取待檢測圖像；

利用預先訓練好的目標檢測模型，對所述待檢測圖像進行目標檢測，得到檢測結果；其中，所述目標檢測模型為基于樣本圖像和所述樣本圖像的標注結果訓練得到的，所述目標檢測模型的包含用于提取圖像特征的殘差網絡，所述殘差網絡包含串行連接的擴展卷積層、深度卷積層和投影卷積層，所述擴展卷積層包含第一數量個輸入通道和第二數量個輸出通道，所述投影卷積層包含所述第二數量個輸入通道和所述第一數量個輸出通道，所述第二數量大于所述第一數量。

2.根據權利要求1所述的方法，其特征在于，通過以下步驟得到所述目標檢測模型：

將所述樣本圖像輸入至待訓練的神經網絡模型，得到所述神經網絡模型預測的所述樣本圖像的檢測結果，作為預測檢測結果；

基于所述預測檢測結果和所述樣本圖像的標注結果，計算所述神經網絡模型的損失函數值；

根據所述損失函數值，判斷所述神經網絡模型是否收斂，當所述神經網絡模型未收斂時，根據所述損失函數值調整所述神經網絡模型參數，并進行下一次訓練，當所述神經網絡模型收斂時，得到訓練完成的所述神經網絡模型，作為所述目標檢測模型。

3.根據權利要求1所述的方法，其特征在于，所述樣本圖像包括：經過圖像增強處理和/或圖像中目標所占比例大于預設比例閾值的圖像。

4.根據權利要求1所述的方法，其特征在于，所述目標檢測網絡包含用于檢測目標的目標檢測器；

所述利用預先訓練好的目標檢測模型，對所述待檢測圖像進行目標檢測，得到檢測結果，包括：

將所述待檢測圖像輸入至所述目標檢測模型，以使所述殘差網絡提取所述待檢測圖像的特征圖，并通過所述目標檢測器對所述特征圖進行下采樣，以根據下采樣后的特征圖確定檢測結果。

5.根據權利要求4所述的方法，其特征在于，所述目標檢測器為YOLO目標檢測器。

6.根據權利要求1所述的方法，其特征在于，所述投影卷積層由1×1卷積層和歸一化層構成。

7.一種目標檢測裝置，其特征在于，應用于邊緣計算服務器，所述裝置包括：

圖像獲取模塊，用于獲取待檢測圖像；

圖像檢測模塊，用于利用預先訓練好的目標檢測模型，對所述待檢測圖像進行目標檢測，得到檢測結果；其中，所述目標檢測模型為基于樣本圖像和所述樣本圖像的標注結果訓練得到的，所述目標檢測模型的包含用于提取圖像特征的殘差網絡，所述殘差網絡包含串行連接的擴展卷積層、深度卷積層和投影卷積層，所述擴展卷積層包含第一數量個輸入通道和第二數量個輸出通道，所述投影卷積層包含所述第二數量個輸入通道和所述第一數量個輸出通道，所述第二數量大于所述第一數量。

8.根據權利要求7所述的裝置，其特征在于，通過以下模塊得到所述目標檢測模型：

圖像輸入模塊，用于將所述樣本圖像輸入至待訓練的神經網絡模型，得到所述神經網絡模型預測的所述樣本圖像的檢測結果，作為預測檢測結果；

損失函數值計算模塊，用于基于所述預測檢測結果和所述樣本圖像的標注結果，計算所述神經網絡模型的損失函數值；

收斂判斷模塊，用于根據所述損失函數值，判斷所述神經網絡模型是否收斂，當所述神經網絡模型未收斂時，根據所述損失函數值調整所述神經網絡模型參數，并進行下一次訓練，當所述神經網絡模型收斂時，得到訓練完成的所述神經網絡模型，作為所述目標檢測模型。

9.根據權利要求7所述的裝置，其特征在于，所述樣本圖像包括：經過圖像增強處理和/或圖像中目標所占比例大于預設比例閾值的圖像。