一种目标检测方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种目标检测方法及装置、电子设备和存储介质，所述方法包括：利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图；利用所述目标检测网络中的第二特征提取支路，对所述待检测图像进行深层特征提取，得到所述待检测图像对应的深层特征图；对所述浅层特征图和所述深层特征图进行特征融合，得到融合特征图，其中，所述融合特征图为用于进行目标检测的特征图；根据所述融合特征图，得到所述待检测图像对应的目标检测结果。本公开实施例可实现从输入到输出的特征补偿，有效提高了目标检测的检测精度。

【技术实现步骤摘要】
一种目标检测方法及装置、电子设备和存储介质
本公开涉及计算机
，尤其涉及一种目标检测方法及装置、电子设备和存储介质。
技术介绍
随着计算机技术的飞速发展和计算机视觉技术的广泛应用，基于深度学习的目标检测算法被应用到日常生活中的目标检测中，例如，人脸识别、行人检测、车牌识别、无人驾驶等各个领域。相关技术中的目标检测方法，检测精度无法满足需求。
技术实现思路
本公开提出了一种目标检测方法及装置、电子设备和存储介质的技术方案。根据本公开的一方面，提供了一种目标检测方法，包括：利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图；利用所述目标检测网络中的第二特征提取支路，对所述待检测图像进行深层特征提取，得到所述待检测图像对应的深层特征图；对所述浅层特征图和所述深层特征图进行特征融合，得到融合特征图，其中，所述融合特征图为用于进行目标检测的特征图；根据所述融合特征图，得到所述待检测图像对应的目标检测结果。在一种可能的实现方式中，所述第一特征提取支路包括：残差特征提取模块，其中，所述残差特征提取模块包括多个卷积层；所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：利用所述残差特征提取模块，对所述待检测图像进行特征提取，得到所述浅层特征图。在一种可能的实现方式中，所述第一特征提取支路包括：多尺度特征提取模块，其中，所述多尺度特征提取模块包括多个特征提取分支，不同特征提取分支用于提取不同尺度的特征图；所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：利用所述多尺度特征提取模块，对所述待检测图像进行特征提取，得到多个不同尺度的第一特征图；对多个不同尺度的所述第一特征图进行特征融合，得到所述浅层特征图。在一种可能的实现方式中，所述第一特征提取支路包括：残差特征提取模块和多尺度特征提取模块；所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：利用所述多尺度特征提取模块，对所述待检测图像进行特征提取，得到多个不同尺度的第一特征图；对多个不同尺度的所述第一特征图进行特征融合，得到第二特征图；利用所述残差特征提取模块，对所述第二特征图进行特征提取，得到所述浅层特征图。在一种可能的实现方式中，所述第一特征提取支路包括：两个卷积层；所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：利用所述两个卷积层，对所述待检测图像进行特征提取，得到所述浅层特征图。在一种可能的实现方式中，所述第一特征提取支路包括：一个卷积层和一个最大池化层；所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：通过所述一个卷积层，对所述待检测图像进行特征提取，得到第三特征图；通过所述一个最大池化层，对所述第三特征图进行最大池化处理，得到所述浅层特征图。在一种可能的实现方式中，所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征，包括：通过一个卷积层对所述待检测图像进行特征提取，得到第四特征图；利用所述第一特征提取支路，对所述第四特征图进行浅层特征提取，得到所述浅层特征图。在一种可能的实现方式中，所述第一特征提取支路包括：多个多尺度特征提取模块；所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：分别利用各所述多尺度特征提取模块，对所述待检测图像进行特征提取，得到多个不同尺度的第一特征图；分别对所述多尺度特征提取模块得到的多个所述第一特征图进行特征融合，得到多个不同尺度的所述浅层特征图。在一种可能的实现方式中，所述第二特征提取支路包括：多个卷积层和多尺度特征提取模块，其中，所述多尺度特征提取模块包括多个特征提取分支，不同特征提取分支用于提取不同尺度的特征图；利用所述目标检测网络中的第二特征提取支路，对所述待检测图像进行深层特征提取，得到所述待检测图像对应的深层特征图，包括：利用所述多个卷积层，对所述待检测图像进行特征提取，得到第五特征图；利用所述多尺度特征提取模块，对所述第五特征图进行特征提取，得到多个不同尺度的深层特征图。在一种可能的实现方式中，所述对所述浅层特征图和所述深层特征图进行特征融合，得到融合特征图，包括：对相同尺度的所述浅层特征图和所述深层特征图进行特征融合，得到多个不同尺度的所述融合特征图。在一种可能的实现方式中，所述根据所述融合特征图，得到所述待检测图像对应的目标检测结果，包括：根据多个不同尺度的所述融合特征图，得到所述待检测图像对应的多个不同尺度的目标检测结果。在一种可能的实现方式中，所述特征融合的方式包括以下之一：特征相加融合、特征拼接融合、特征相乘融合。在一种可能的实现方式中，所述第一特征提取支路中包括多个卷积层，所述多个卷积层中的任一卷积层对应的卷积核的数目大于32，小于1024。根据本公开的一方面，提供了一种目标检测装置，包括：浅层特征提取模块，用于利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图；深层特征提取模块，用于利用所述目标检测网络中的第二特征提取支路，对所述待检测图像进行深层特征提取，得到所述待检测图像对应的深层特征图；特征融合模块，用于对所述浅层特征图和所述深层特征图进行特征融合，得到融合特征图，其中，所述融合特征图为用于进行目标检测的特征图；目标检测模块，用于根据所述融合特征图，得到所述待检测图像对应的目标检测结果。根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。在本公开实施例中，利用从输入到输出的完全双路目标检测网络，分别提取待检测图像对应的浅层特征图和深层特征图，将包含待检测图像的细节信息的浅层特征图和深层特征图进行特征融合，得到用于进行目标检测的融合特征图，进而得到目标检测结果，从而实现从输入到输出的特征补偿，有效提高了目标检测的检测精度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。图1示出根据本公开实施例的一种目标检测方法的流程图；图2示出根据本公开实施例的一种目标检测网络的示意本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，包括：/n利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图；/n利用所述目标检测网络中的第二特征提取支路，对所述待检测图像进行深层特征提取，得到所述待检测图像对应的深层特征图；/n对所述浅层特征图和所述深层特征图进行特征融合，得到融合特征图，其中，所述融合特征图为用于进行目标检测的特征图；/n根据所述融合特征图，得到所述待检测图像对应的目标检测结果。/n

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：
利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图；
利用所述目标检测网络中的第二特征提取支路，对所述待检测图像进行深层特征提取，得到所述待检测图像对应的深层特征图；
对所述浅层特征图和所述深层特征图进行特征融合，得到融合特征图，其中，所述融合特征图为用于进行目标检测的特征图；
根据所述融合特征图，得到所述待检测图像对应的目标检测结果。


2.根据权利要求1所述的方法，其特征在于，所述第一特征提取支路包括：残差特征提取模块，其中，所述残差特征提取模块包括多个卷积层；
所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：
利用所述残差特征提取模块，对所述待检测图像进行特征提取，得到所述浅层特征图。


3.根据权利要求1或2所述的方法，其特征在于，所述第一特征提取支路包括：多尺度特征提取模块，其中，所述多尺度特征提取模块包括多个特征提取分支，不同特征提取分支用于提取不同尺度的特征图；
所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：
利用所述多尺度特征提取模块，对所述待检测图像进行特征提取，得到多个不同尺度的第一特征图；
对多个不同尺度的所述第一特征图进行特征融合，得到所述浅层特征图。


4.根据权利要求1至3中任一项所述的方法，其特征在于，所述第一特征提取支路包括：残差特征提取模块和多尺度特征提取模块；
所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：
利用所述多尺度特征提取模块，对所述待检测图像进行特征提取，得到多个不同尺度的第一特征图；
对多个不同尺度的所述第一特征图进行特征融合，得到第二特征图；
利用所述残差特征提取模块，对所述第二特征图进行特征提取，得到所述浅层特征图。


5.根据权利要求1至4中任一项所述的方法，其特征在于，所述第一特征提取支路包括：两个卷积层；
所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：
利用所述两个卷积层，对所述待检测图像进行特征提取，得到所述浅层特征图。


6.根据权利要求1至5中任一项所述的方法，其特征在于，所述第一特征提取支路包括：一个卷积层和一个最大池化层；
所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征图，包括：
通过所述一个卷积层，对所述待检测图像进行特征提取，得到第三特征图；
通过所述一个最大池化层，对所述第三特征图进行最大池化处理，得到所述浅层特征图。


7.根据权利要求1至6中任一项所述的方法，其特征在于，所述利用目标检测网络中的第一特征提取支路，对待检测图像进行浅层特征提取，得到所述待检测图像对应的浅层特征，包括：
通过一个卷积层对所述待检测图像进行特征提取，得到第四特征图；<...

【专利技术属性】
技术研发人员：林少波，曾星宇，赵瑞，朱烽，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海;31