商标检测方法和装置、介质和计算机设备制造方法及图纸

一种商标检测方法和装置、介质和计算机设备，所述方法包括：获取目标图像；通过目标检测网络对目标图像中的商标的类别信息进行检测；目标检测网络包括：特征提取子网络，包括级联的多个特征提取模块，每个特征提取模块用于对本模块的输入特征进行特征提取；融合子网络，包括级联的多个融合模块，每个融合模块通过一个第一卷积模块连接一个特征提取模块；每个融合模块的输出特征至少通过对该融合模块的前一融合模块的输出特征与该融合模块及该融合模块之后的各个融合模块对应的第一卷积模块的输出特征进行融合得到；至少一个融合模块的输出特征融合有该融合模块对应的第一卷积模块的输入特征；所述类别信息基于各个融合模块的输出特征获取。的输出特征获取。的输出特征获取。

【技术实现步骤摘要】
商标检测方法和装置、介质和计算机设备


[0001]本公开涉及人工智能
，尤其涉及商标检测方法和装置、介质和计算机设备。

技术介绍

[0002]目前，虽然图像检测的研究在技术上比较成熟，但是由于商标图像场景的多样性、商标类别的丰富性、海量商品数据处理的困难性等问题，商标检测仍然存在检测准确度低和检测耗时长的问题。

技术实现思路

[0003]第一方面，本公开实施例提供一种商标检测方法，所述方法包括：获取目标图像；通过目标检测网络对所述目标图像中的商标的类别信息进行检测；所述目标检测网络包括：特征提取子网络，包括级联的多个特征提取模块，每个特征提取模块用于对本模块的输入特征进行特征提取，得到本模块的输出特征；融合子网络，包括级联的多个融合模块，每个融合模块通过一个第一卷积模块连接一个特征提取模块；每个融合模块的输出特征至少通过对该融合模块的前一融合模块的输出特征与该融合模块及该融合模块之后的各个融合模块对应的第一卷积模块的输出特征进行融合得到；至少一个融合模块的输出特征融合有该融合模块对应的第一卷积模块的输入特征；所述类别信息基于各个融合模块的输出特征获取。
[0004]在一些实施例中，每个特征提取模块包括：第二卷积模块和级联的多个第一bottleneck模块；每个第一bottleneck模块用于对该第一bottleneck模块的输入特征进行特征提取，基于第一注意力权重对提取出的特征进行加权处理，并对该第一bottleneck模块的输入特征和加权处理后的特征进行融合后输出；首个第一bottleneck模块的输入特征为所述第二卷积模块的输出特征；该特征提取模块的输出特征通过对所述第二卷积模块的输出特征和最后一个第一bottleneck模块的输出特征进行融合得到。
[0005]在一些实施例中，第i个融合模块之后的各个融合模块对应的第一卷积模块的输出特征经上采样后与第i个融合模块对应的第一卷积模块的输出特征进行融合，并作为第i个融合模块的输入特征；第i
‑
1个的输出特征经下采样后与第i个融合模块的输入特征进行融合，并作为第i个融合模块的输出特征。
[0006]在一些实施例中，每个融合模块包括：第三卷积模块和级联的多个第二bottleneck模块；每个第二bottleneck模块用于对该第二bottleneck模块的输入特征进行特征提取，并基于第二注意力权重对提取出的特征进行加权处理后输出；首个第二bottleneck模块的输入特征为所述第三卷积模块的输出特征；该融合模块的输出特征通过对所述第三卷积模块的输出特征和最后一个第二bottleneck模块的输出特征进行融合得到。
[0007]在一些实施例中，所述融合子网络还包括多个注意力模块，每个注意力模块对应
于一个融合模块，用于基于该注意力模块对应的第三注意力权重对该注意力模块对应的融合模块的输出特征进行加权处理，得到该注意力模块对应的输出特征；所述类别信息基于各个注意力模块的输出特征获取。
[0008]在一些实施例中，所述方法还包括：获取样本图像；通过原始检测网络对所述样本图像中的商标进行检测，得到所述样本图像中的商标的预测检测框；基于所述样本图像中的商标的预测检测框和所述样本图像中的商标的真实检测框建立损失函数；基于所述损失函数对所述原始检测网络进行训练，得到所述目标检测网络。
[0009]在一些实施例中，所述基于所述样本图像中的商标的预测检测框和所述样本图像中的商标的真实检测框建立损失函数，包括：确定所述预测检测框与所述真实检测框的交并比；基于所述交并比建立α
‑
IOU损失函数。
[0010]在一些实施例中，所述预测检测框基于以下方式确定：获取所述样本图像中的商标的多个候选检测框；确定所述多个候选检测框中每个候选检测框与参考检测框的交并比；所述参考检测框为所述多个候选检测框中置信度最高的检测框；确定所述每个候选检测框的中心点与参考检测框的中心点之间的距离；基于所述每个候选检测框与参考检测框的交并比以及所述每个候选检测框的中心点与参考检测框的中心点之间的距离，从所述多个候选检测框中筛选出至少一个预测检测框。
[0011]第二方面，本公开实施例提供一种商标检测装置，所述装置包括：获取模块，用于获取目标图像；检测模块，用于通过目标检测网络对所述目标图像中的商标的类别信息进行检测；所述目标检测网络包括：特征提取子网络，包括级联的多个特征提取模块，每个特征提取模块用于对本模块的输入特征进行特征提取，得到本模块的输出特征；融合子网络，包括级联的多个融合模块，每个融合模块通过一个第一卷积模块连接一个特征提取模块；每个融合模块的输出特征至少通过对该融合模块的前一融合模块的输出特征与该融合模块及该融合模块之后的各个融合模块对应的第一卷积模块的输出特征进行融合得到；至少一个融合模块的输出特征融合有该融合模块对应的第一卷积模块的输入特征；所述类别信息基于各个融合模块的输出特征获取。
[0012]第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的方法。
[0013]第四方面，本公开实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一实施例所述的方法。
[0014]本公开实施例能够融合特征提取子网络中级联的多个特征提取模块的输出特征，从而能够使目标检测网络同时获取底层特征和表层特征；此外，由于至少一个融合模块的输出特征融合有该融合模块对应的第一卷积模块的输入特征，因此，融合后的特征能够一定程度地保留特征提取模块输出的原始特征，从而提高输入检测子网络的特征的数量和类别，提高检测准确度。
[0015]此外，在相关技术中，特征提取模块的数量一般大于或等于5，本公开通过删除对融合不同特征的特征网络贡献较小的节点，并通过上述方式来获得足够的特征数量和类别，可以仅采用3个特征提取模块来达到5个特征提取模块级联的效果，减少了目标检测网络的规模，从而降低了检测成本，且受外界干扰小，具有较好的实时性和迁移性。
[0016]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。
附图说明
[0017]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。
[0018]图1是本公开实施例的商标检测网络进行商标检测的总体流程的示意图。
[0019]图2A是本公开实施例的特征提取模块的示意图。
[0020]图2B是本公开另一实施例的特征提取模块的示意图。
[0021]图3是本公开实施例的融合模块的示意图。
[0022]图4是本公开实施例的商标检测装置的示意图。
[0023]图5是本公开实施例的计算机设备的结构示意图。
具体实施方式
[0024]这里将详细地对示例性实施例进行说明，其示例表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商标检测方法，其特征在于，所述方法包括：获取目标图像；通过目标检测网络对所述目标图像中的商标的类别信息进行检测；所述目标检测网络包括：特征提取子网络，包括级联的多个特征提取模块，每个特征提取模块用于对本模块的输入特征进行特征提取，得到本模块的输出特征；融合子网络，包括级联的多个融合模块，每个融合模块通过一个第一卷积模块连接一个特征提取模块；每个融合模块的输出特征至少通过对该融合模块的前一融合模块的输出特征与该融合模块及该融合模块之后的各个融合模块对应的第一卷积模块的输出特征进行融合得到；至少一个融合模块的输出特征融合有该融合模块对应的第一卷积模块的输入特征；所述类别信息基于各个融合模块的输出特征获取。2.根据权利要求1所述的方法，其特征在于，每个特征提取模块包括：第二卷积模块和级联的多个第一bottleneck模块；每个第一bottleneck模块用于对该第一bottleneck模块的输入特征进行特征提取，基于第一注意力权重对提取出的特征进行加权处理，并对该第一bottleneck模块的输入特征和加权处理后的特征进行融合后输出；首个第一bottleneck模块的输入特征为所述第二卷积模块的输出特征；该特征提取模块的输出特征通过对所述第二卷积模块的输出特征和最后一个第一bottleneck模块的输出特征进行融合得到。3.根据权利要求1所述的方法，其特征在于，第i个融合模块之后的各个融合模块对应的第一卷积模块的输出特征经上采样后与第i个融合模块对应的第一卷积模块的输出特征进行融合，并作为第i个融合模块的输入特征；第i
‑
1个的输出特征经下采样后与第i个融合模块的输入特征进行融合，并作为第i个融合模块的输出特征。4.根据权利要求1所述的方法，其特征在于，每个融合模块包括：第三卷积模块和级联的多个第二bottleneck模块；每个第二bottleneck模块用于对该第二bottleneck模块的输入特征进行特征提取，并基于第二注意力权重对提取出的特征进行加权处理后输出；首个第二bottleneck模块的输入特征为所述第三卷积模块的输出特征；该融合模块的输出特征通过对所述第三卷积模块的输出特征和最后一个第二bottleneck模块的输出特征进行融合得到。5.根据权利要求1所述的方法，其特征在于，所述融合子网络还包括多个注意力模块，每个注...

【专利技术属性】
技术研发人员：王修晖，张荣泽，彭飞荣，马祥，徐新胜，王乐，徐楠轩，谭凌波，黄杰，周永霞，何灵敏，杨小兵，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：