目标检测方法及装置、非易失性存储介质、电子设备制造方法及图纸

本发明专利技术公开了一种目标检测方法及装置、非易失性存储介质、电子设备。其中，该方法包括：获取目标检测模型的多个特征层，其中，上述多个特征层包括：第一特征层和第二特征层，上述第一特征层的语义信息少于上述第二特征层的语义信息；将上述多个特征层中的上述第一特征层与上述第二特征层进行融合处理，得到目标检测层，上述融合处理用于增强上述第一特征层的语义信息；基于上述目标检测层更新上述目标检测模型。本发明专利技术解决了现有技术中传统的目标检测模型的检测精度较低的技术问题。测模型的检测精度较低的技术问题。测模型的检测精度较低的技术问题。

【技术实现步骤摘要】
目标检测方法及装置、非易失性存储介质、电子设备


[0001]本专利技术涉及目标检测领域，具体而言，涉及一种目标检测方法及装置、非易失性存储介质、电子设备。

技术介绍

[0002]在物体检测时，经典的目标检测框架对小目标检测任务常常表现不佳。针对工业环境下的小目标检测问题，如何对经典目标检测框架进行改进，提升小尺度目标的检测精度，目前尚未提出有效的解决方案。

技术实现思路

[0003]本专利技术实施例提供了一种目标检测方法及装置、非易失性存储介质、电子设备，以至少解决现有技术中传统的目标检测模型的检测精度较低的技术问题。
[0004]根据本专利技术实施例的一个方面，提供了一种目标检测方法，包括：获取目标检测模型的多个特征层，其中，上述多个特征层包括：第一特征层和第二特征层，上述第一特征层的语义信息少于上述第二特征层的语义信息；将上述多个特征层中的上述第一特征层与上述第二特征层进行融合处理，得到目标检测层，上述融合处理用于增强上述第一特征层的语义信息；基于上述目标检测层更新上述目标检测模型。
[0005]可选的，将上述多个特征层中的上述第一特征层与上述第二特征层进行融合处理，得到目标检测层，包括：采用插值的方式将上述第一特征层的第一尺度放大为第二尺度，其中，上述第二尺度与上述第一特征层相邻的第二特征层的尺度相等；将处理后的第一特征层与上述第二特征层相加得到新的第一特征层；采用插值的方式将上述新的第一特征层的第三尺度放大为第四尺度，其中，上述第四尺度与上述新的第一特征层相邻的新的第二特征层的尺度相等；将处理后的新的第一特征层与上述新的第二特征层相加，直至上述多个特征层中所有的上述第一特征层与上述第二特征层融合处理结束，得到上述目标检测层。
[0006]可选的，上述方法还包括：获取上述目标检测模型的真实感受野；基于上述真实感受野调整上述目标检测模型的锚框，其中，上述锚框的大小影响上述目标检测模型的锚框分类和锚框回归；根据上述锚框确定上述目标检测模型的样本数量，其中，上述样本数量包括：正样本数量和负样本数量。
[0007]可选的，根据上述锚框确定上述目标检测模型的样本数量，包括：根据上述锚框确定上述目标检测模型的损失函数，其中，上述损失函数包括：分类损失函数和回归损失函数；基于上述损失函数确定上述样本数量。
[0008]可选的，采用如下计算公式，根据上述锚框确定上述目标检测模型的损失函数L，包括：
[0009][0010]其中，i表示锚框的索引，P
i
表示上述锚框为目标的预测概率，P
i*
表示上述锚框是目标的真实值，上述锚框为上述目标时P
i*
为1，否则P
i*
为0；t
i
表示预测的检测框坐标修正值，表示检测框实际坐标值；P
i*
L
r
表示仅对正样本的锚框计算回归损失，N
c
和N
r
分别表示分类时正负锚框的数量和回归的正锚框数量，λ表示平衡参数，用于平衡分类损失和回归损失。
[0011]可选的，上述分类损失函数采用Softmax损失函数，上述回归损失函数采用Smooth
‑
L1损失函数。
[0012]根据本专利技术实施例的另一方面，还提供了一种目标检测装置，包括：获取模块，用于获取目标检测模型的多个特征层，其中，上述多个特征层包括：第一特征层和第二特征层，上述第一特征层的语义信息少于上述第二特征层的语义信息；融合处理模块，用于将上述多个特征层中的上述第一特征层与上述第二特征层进行融合处理，得到目标检测层，上述融合处理用于增强上述第一特征层的语义信息；更新模块，用于基于上述目标检测层更新上述目标检测模型。
[0013]根据本专利技术实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的目标检测方法。
[0014]根据本专利技术实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序被设置为运行时执行任意一项上述目标检测方法。
[0015]根据本专利技术实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的目标检测方法。
[0016]在本专利技术实施例中，通过获取目标检测模型的多个特征层，其中，上述多个特征层包括：第一特征层和第二特征层，上述第一特征层的语义信息少于上述第二特征层的语义信息；将上述多个特征层中的上述第一特征层与上述第二特征层进行融合处理，得到目标检测层，上述融合处理用于增强上述第一特征层的语义信息；基于上述目标检测层更新上述目标检测模型。
[0017]通过将目标检测模型的第一特征层与第二特征层进行递推融合处理，增强第一特征层的语义特征，达到了提升目标检测模型的检测精度的目的，从而实现了增强目标检测模型的检测准确率的技术效果，进而解决了现有技术中传统的目标检测模型的检测精度较低的技术问题。
附图说明
[0018]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0019]图1是根据本专利技术实施例的一种目标检测方法的流程图；
[0020]图2是根据本专利技术实施例的一种可选的目标检测方法的流程图；
[0021]图3是根据本专利技术实施例的一种可选的对特征层进行融合处理的实现场景示意图；
[0022]图4是根据本专利技术实施例的一种目标检测装置的结构示意图。
具体实施方式
[0023]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0024]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0025]实施例1
[0026]根据本专利技术实施例，提供了一种目标检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：获取目标检测模型的多个特征层，其中，所述多个特征层包括：第一特征层和第二特征层，所述第一特征层的语义信息少于所述第二特征层的语义信息；将所述多个特征层中的所述第一特征层与所述第二特征层进行融合处理，得到目标检测层，所述融合处理用于增强所述第一特征层的语义信息；基于所述目标检测层更新所述目标检测模型。2.根据权利要求1所述的方法，其特征在于，将所述多个特征层中的所述第一特征层与所述第二特征层进行融合处理，得到目标检测层，包括：采用插值的方式将所述第一特征层的第一尺度放大为第二尺度，其中，所述第二尺度与所述第一特征层相邻的第二特征层的尺度相等；将处理后的第一特征层与所述第二特征层相加得到新的第一特征层；采用插值的方式将所述新的第一特征层的第三尺度放大为第四尺度，其中，所述第四尺度与所述新的第一特征层相邻的新的第二特征层的尺度相等；将处理后的新的第一特征层与所述新的第二特征层相加，直至所述多个特征层中所有的所述第一特征层与所述第二特征层融合处理结束，得到所述目标检测层。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述目标检测模型的真实感受野；基于所述真实感受野调整所述目标检测模型的锚框，其中，所述锚框的大小影响所述目标检测模型的锚框分类和锚框回归；根据所述锚框确定所述目标检测模型的样本数量，其中，所述样本数量包括：正样本数量和负样本数量。4.根据权利要求3所述的方法，其特征在于，根据所述锚框确定所述目标检测模型的样本数量，包括：根据所述锚框确定所述目标检测模型的损失函数，其中，所述损失函数包括：分类损失函数和回归损失函数；基于所述损失函数确定所述样本数量。5.根据权利要求4所述的方法，其特征在于，采用如下计算公式，根据所述锚框确定所述目标检测模型的损失函数L，包括：其中，i表示锚框的索引，P
i
...

【专利技术属性】
技术研发人员：蒋泽新，宋明岑，杨智慧，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：