本发明专利技术实施例提供一种目标检测方法，获取待检测图片；通过预设的目标检测模型的中间网络提取待检测图片的决策特征，并根据决策特征，选择对应的特征卷积权重矩阵对待检测图片进行特征提取，得到待检测图片的中间特征，决策特征隐含待检测图片的检测场景信息；通过预设的目标检测模型的输出网络对中间特征进行分类输出，得到待检测目标的检测结果。通过在一个目标检测模型中提取待检测图片的决策特征，选择对应的特征卷积权重矩阵组成适应于待检测图片的场景的目标检测模型，可以实现一个目标检测模型适应多个目标检测场景的功能，不需要维护多个目标检测模型来对多个目标检测场景进行检测，从而降低了多检测场景下的目标检测模型的维护成本。检测模型的维护成本。检测模型的维护成本。
【技术实现步骤摘要】
目标检测方法、装置、电子设备及存储介质
[0001]本专利技术涉及人工智能领域，尤其涉及一种目标检测方法、装置、电子设备及存储介质。
技术介绍
[0002]随着人工智能的发展，越来越多基于图像处理技术的产品落地，方便人们的生活和出行，比如针对各种应用场景的图像检测器可以自动对目标进行检测，不需要大量人员对目标进行辨识。一般来说，针对于不同的应用场景训练不同的检测器以适应场景，得到更好的目标检测性能，例如，门禁场景中，检测器为针对门禁的检测器，通关场景中，检测器为针对通关的检测器，这样会造成需要维护的模型增加，进而导致模型的维护成本较高。
技术实现思路
[0003]本专利技术实施例提供一种目标检测方法，通过在一个目标检测模型中提取待检测图片的决策特征，选择对应的特征卷积权重矩阵组成适应于待检测图片的场景的目标检测模型，可以实现一个目标检测模型适应多个目标检测场景的功能，不需要维护多个目标检测模型来对多个目标检测场景进行检测，从而降低了多检测场景下的目标检测模型的维护成本。
[0004]第一方面，本专利技术实施例提供一种目标检测方法，所述方法包括：
[0005]获取待检测图片，所述待检测图片包括待检测目标；
[0006]通过预设的目标检测模型的中间网络提取所述待检测图片的决策特征，并根据所述决策特征，选择对应的特征卷积权重矩阵对所述待检测图片进行特征提取，得到所述待检测图片的中间特征，所述决策特征隐含所述待检测图片的检测场景信息；
[0007]通过预设的目标检测模型的输出网络对所述中间特征进行分类输出，得到所述待检测目标的检测结果。
[0008]可选的，所述中间网络包括训练好的决策层以及卷积权重层，所述卷积权重层包括N个特征卷积权重矩阵，所述决策层与所述N个特征卷积权重矩阵全连接，所述通过预设的目标检测模型的中间网络提取所述待检测图片的决策特征，并根据所述决策特征，选择对应的特征卷积权重对所述待检测图片进行特征提取，得到所述待检测图片的中间特征，包括：
[0009]通过所述决策层提取所述待检测图片的决策特征；
[0010]基于所述决策特征，选择并激活与所述决策特征对应的特征卷积权重矩阵；
[0011]通过所述特征卷积权重矩阵对所述待检测图片进行特征提取，得到所述待检测图片的中间特征图。
[0012]可选的，所述决策层包括决策卷积权重矩阵以及N个神经元，所述N个神经元与所述N个特征卷积权重矩阵为一一对应关系，所述通过所述决策层提取所述待检测图片的决策特征，包括：
[0013]通过所述决策卷积权重矩阵对所述待检测图片进行第一卷积运算，得到决策特征图；
[0014]通过的N个神经元对所述决策特征图进行连接处理，得到决策特征。
[0015]可选的，所述中间网络还包括开关层，所述基于所述决策特征，选择并激活与所述决策特征对应的特征卷积权重矩阵，包括：
[0016]将所述决策特征传输到所述开关层；
[0017]通过所述开关层对所述决策特征进行分类，确定并激活所述决策特征对应的特征卷积权重矩阵。
[0018]可选的，所述方法还包括：
[0019]构建N个检测场景对应的第一目标检测模型，所述N个检测场景对应的第一目标检测模型具有相同的数量的卷积权重层；
[0020]构建N个检测场景对应的第一训练数据集，所述第一训练数据集包括目标标注信息；
[0021]通过所述第一训练数据集对对应的所述第一目标检测模型进行迭代训练，得到训练好的第一目标检测模型的特征卷积权重矩阵；
[0022]构建第二目标检测模型，所述第二目标检测模型包括决策层以及卷积权重层，所述卷积权重层根据所述训练好的第一目标检测模型的特征卷积权重矩阵得到，所述第一目标检测模型与所述第二目标检测模型具有相同数量的卷积权重层；
[0023]根据所述N个检测场景对应的第一训练数据集构建第二训练数据集；
[0024]通过所述第二训练数据集对所述第二目标检测模型进行迭代训练，得到训练好的第二目标检测模型作为所述预设的目标检测模型。
[0025]可选的，所述构建第二目标检测模型，包括：
[0026]将所述训练好的第一目标检测模型的特征卷积权重矩阵进行编号，得到分层编号和分类编号；
[0027]将相同分层编号的所述训练好的第一目标检测模型的特征卷积权重矩阵放在同一卷积权重层；
[0028]根据当前卷积权重层的分类编号，确定当前决策层中神经元的数量以及所述神经元与所述分类编号的对应关系，其中，每个所述神经元对应一个所述分类编号；
[0029]根据所述分层编号，确定所述决策层的数量，每个所述决策层对应于一个所述分层编号；
[0030]根据所述卷积权重层以及所述决策层，构建所述第二目标检测模型。
[0031]可选的，所述第二训练数据集包括场景标注信息以及目标标注信息，所述第二目标检测模型的输出包括场景检测信息以及目标检测信息，所述通过所述第二训练数据集对所述第二目标检测模型进行迭代训练，得到训练好的第二目标检测模型作为所述预设的目标检测模型，包括：
[0032]根据预设的第一损失函数计算所述场景检测信息与所述场景标注信息之间的场景误差损失；以及
[0033]根据预设的第二损失函数计算所述目标检测信息与所述目标检测信息之间的目标误差损失；
[0034]根据所述场景误差损失对所述第二目标检测模型中的决策层进行调整；以及
[0035]根据所述目标误差损失对所述第二目标检测模型中的卷积权重层进行微调；
[0036]迭代到预设次数或所述场景误差小于预设值时，停止训练，得到训练好的第二目标检测模型作为所述预设的目标检测模型。
[0037]第二方面，本专利技术实施例提供一种目标检测装置，所述装置包括：
[0038]获取模块，用于获取待检测图片，所述待检测图片包括待检测目标；
[0039]提取模块，用于通过预设的目标检测模型的中间网络提取所述待检测图片的决策特征，并根据所述决策特征，选择对应的特征卷积权重矩阵对所述待检测图片进行特征提取，得到所述待检测图片的中间特征，所述决策特征隐含所述待检测图片的检测场景信息；
[0040]输出模块，用于通过预设的目标检测模型的输出网络对所述中间特征进行分类输出，得到所述待检测目标的检测结果。
[0041]第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例提供的目标检测方法中的步骤。
[0042]第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现专利技术实施例提供的目标检测方法中的步骤。
[0043]本专利技术实施例中，获取待检测图片，所述待检测图片包括待检测目标；通过预设的目标检测模型的中间网络提取所述待检测图片的决策特征本文档来自技高网...
【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，包括以下步骤：获取待检测图片，所述待检测图片包括待检测目标；通过预设的目标检测模型的中间网络提取所述待检测图片的决策特征，并根据所述决策特征，选择对应的特征卷积权重矩阵对所述待检测图片进行特征提取，得到所述待检测图片的中间特征，所述决策特征隐含所述待检测图片的检测场景信息；通过预设的目标检测模型的输出网络对所述中间特征进行分类输出，得到所述待检测目标的检测结果。2.如权利要求1所述的方法，其特征在于，所述中间网络包括训练好的决策层以及卷积权重层，所述卷积权重层包括N个特征卷积权重矩阵，所述决策层与所述N个特征卷积权重矩阵全连接，所述通过预设的目标检测模型的中间网络提取所述待检测图片的决策特征，并根据所述决策特征，选择对应的卷积权重对所述待检测图片进行特征提取，得到所述待检测图片的中间特征，包括：通过所述决策层提取所述待检测图片的决策特征；基于所述决策特征，选择并激活与所述决策特征对应的特征卷积权重矩阵；通过所述特征卷积权重矩阵对所述待检测图片进行特征提取，得到所述待检测图片的中间特征图。3.如权利要求2所述的方法，其特征在于，所述决策层包括决策卷积权重矩阵以及N个神经元，所述N个神经元与所述N个特征卷积权重矩阵为一一对应关系，所述通过所述决策层提取所述待检测图片的决策特征，包括：通过所述决策卷积权重矩阵对所述待检测图片进行第一卷积运算，得到决策特征图；通过的N个神经元对所述决策特征图进行连接处理，得到决策特征。4.如权利要求3所述的方法，其特征在于，所述中间网络还包括开关层，所述基于所述决策特征，选择并激活与所述决策特征对应的特征卷积权重矩阵，包括：将所述决策特征传输到所述开关层；通过所述开关层对所述决策特征进行分类，确定并激活所述决策特征对应的特征卷积权重矩阵。5.如权利要求4所述的方法，其特征在于，所述方法还包括：构建N个检测场景对应的第一目标检测模型，所述N个检测场景对应的第一目标检测模型具有相同的数量的卷积权重层；构建N个检测场景对应的第一训练数据集，所述第一训练数据集包括目标标注信息；通过所述第一训练数据集对对应的所述第一目标检测模型进行迭代训练，得到训练好的第一目标检测模型的特征卷积权重矩阵；构建第二目标检测模型，所述第二目标检测模型包括决策层以及卷积权重层，所述卷积权重层根据所述训练好的第一目标检测模型的特征卷积权重矩阵得到，所述第一目标检测模型与所述第二目标检测模型具有相同数量的卷积权重层；根据所述N个检测场景对应的第一训练数据集构建第二训练数据集；...
【专利技术属性】
技术研发人员：黄德威，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。