一种目标检测方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供的一种目标检测方法、装置、设备及存储介质，所述方法包括获取目标图像；通过训练后的目标检测模型对所述目标图像进行目标检测，获得检测结果；其中，目标检测模型包括至少两层特征提取网络，至少两层特征提取网络均由基础卷积模块构成；基础卷积模块用于对输入的向量进行多尺寸的特征提取，并对提取的特征进行特征融合得到特征信息；基础卷积模块包括卷积层及特征聚合层；卷积层用于对输入的向量进行多尺寸的特征提取；特征聚合层用于对所述卷积层提取的多尺寸特征进行特征聚合，得到特征信息。具有基础卷积模块的目标检测模块在保证检测精度的同时可以保证检测速度，适用于低算力设备。适用于低算力设备。适用于低算力设备。

【技术实现步骤摘要】
一种目标检测方法、装置、设备及存储介质


[0001]本申请涉及计算机视觉
，具体地涉及一种目标检测方法、装置、设备及存储介质。

技术介绍

[0002]目标检测任务是计算机视觉的基础任务之一。随着人工智能发展，对于图像中目标检测模型的要求越来越高。例如，高精度、实时性、小模型和低功耗等。为了提高模型的精度，通常需要构建较为复杂的目标检测模型；为了降低模型的功耗，提高目标检测速度等，通常又需要构建较为小型化的模型。
[0003]Yolov5目标检测模型作为一种检测速度较快的目标检测模型广泛应用于对图像的目标检测，Yolov5目标检测模型可以通过控制Model
‑
depth(深度)和layer
‑
channel(宽度)生成不同深度和宽度的模型。然而，随着深度和宽度的增加，虽然能够提高检测精度，但是也导致模型过于庞大，训练和检测速度较低的问题。
[0004]Yolox是另一种被广泛应用的目标检测方法。Yolox在特征处理阶段，使用路径聚合网络进行特征加强，与特征金字塔网络相比，它的参数量更多且计算量更大，对网络的大小也有一定的影响。在轻量级网络模型中，因为宽度和深度有限，存在检测精度不足的问题，无法应用至手机等低算力设备中。

技术实现思路

[0005]有鉴于此，本申请提供一种目标检测方法、装置、设备及存储介质，以利于解决现有技术中目标检测模型过大或检测速度较低的问题。
[0006]第一方面，本申请实施例提供了一种目标检测方法，包括：
[0007]获取目标图像；
[0008]通过训练后的目标检测模型对所述目标图像进行目标检测，获得检测结果；其中，所述目标检测模型包括至少两层特征提取网络，所述至少两层特征提取网络均由基础卷积模块构成；所述基础卷积模块用于对输入的向量进行多尺寸的特征提取，并对提取的特征进行特征融合得到特征信息；所述基础卷积模块包括卷积层及特征聚合层；所述卷积层用于对输入的向量进行多尺寸的特征提取；所述特征聚合层用于对所述卷积层提取的多尺寸特征进行特征聚合，得到特征信息。
[0009]在第一方面一种可能的实现方式中，所述卷积层包括第一卷积分支、第二卷积分支、第三卷积分支、第四卷积分支；
[0010]所述第一卷积分支，用于对输入的向量进行第一尺寸的特征提取；
[0011]所述第二卷积分支，用于对输入的向量进行第二尺寸的特征提取；
[0012]所述第三卷积分支，用于对所述第二卷积分支提取的特征进行第三尺寸的特征提取；
[0013]所述第四卷积分支，用于对所述第三卷积分支提取的特征进行第四尺寸的特征提
取；
[0014]所述特征聚合层，具体用于对所述第一卷积分支提取的特征、第二卷积分支提取的特征、第三卷积分支提取的特征及第四卷积分支提取的特征进行特征聚合，得到特征信息。
[0015]在第一方面一种可能的实现方式中，所述至少两层特征提取网络对应的第一通道缩放因子不相同。
[0016]在第一方面一种可能的实现方式中，所述至少两层特征提取网络对应的第一通道缩放因子相同。
[0017]在第一方面一种可能的实现方式中，针对所述至少两层特征提取网络中的每层，所述特征提取网络中所述卷积层的第一卷积分支、第二卷积分支、第三卷积分支、第四卷积分支的特征输出通道的数量通过所述特征提取网络对应的第一通道缩放因子确定。
[0018]在第一方面一种可能的实现方式中，所述目标检测模型包括第一特征提取网络、第二特征提取网络及检测网络；
[0019]所述第一特征提取网络由至少一个基础卷积模块构成；所述第一特征提取网络用于对所述目标图像提取不同尺寸的特征信息；
[0020]所述第二特征提取网络由至少一个基础卷积模块构成；所述第二特征提取网络用于对所述第一特征提取网络提取的不同尺寸的特征信息进行特征融合，获取特征融合信息；
[0021]所述检测网络，用于基于所述特征融合信息进行目标检测，获取检测结果。
[0022]在第一方面一种可能的实现方式中，所述第一特征提取网络包括初步特征提取层及至少一层目标特征提取层；其中，针对至少一层目标特征提取层中的每层，所述目标特征提取层由基础卷积模块构成；
[0023]所述初步特征提取层，用于对所述目标图像进行预设尺寸的特征提取，得到初始特征信息；
[0024]所述至少一层目标特征提取层，用于对所述初始特征信息进行至少一个尺寸的特征信息的提取。
[0025]在第一方面一种可能的实现方式中，所述初步特征提取层包括第一提取子层及第二提取子层；其中，所述第一提取子层的输出端与所述第二提取子层的输入端连接，所述第二提取子层的特征输出通道的数量是预先设置的所述初步特征提取层输出的特征输出通道的数量，所述第一提取子层的特征输出通道的数量根据第二通道缩放因子及第二提取子层的特征输出通道的数量设定；所述第二通道缩放因子是预先设置的，用于调整第一提取子层的特征输出通道的数量的参数。
[0026]第二方面，本申请实施例提供了一种目标检测装置，包括：
[0027]获取单元，用于获取目标图像；
[0028]处理单元，用于通过训练后的目标检测模型对所述目标图像进行目标检测，获得检测结果；其中，所述目标检测模型包括至少两层特征提取网络，所述至少两层特征提取网络均由基础卷积模块构成；所述基础卷积模块用于对输入的向量进行多尺寸的特征提取，并对提取的特征进行特征融合得到特征信息；所述基础卷积模块包括卷积层及特征聚合层；所述卷积层用于对输入的向量进行多尺寸的特征提取；所述特征聚合层用于对所述卷
积层提取的多尺寸特征进行特征聚合，得到特征信息。
[0029]第三方面，本申请实施例提供了一种电子设备，包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被所述处理器执行时，触发所述电子设备执行上述第一方面任一项所述的方法。
[0030]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述第一方面任一项所述的方法。
[0031]采用本申请实施例所提供的方案，获取目标图像；通过训练后的目标检测模型对目标图像进行目标检测，获得检测结果；其中，目标检测模型包括至少两层特征提取网络，至少两层特征提取网络均由基础卷积模块构成；基础卷积模块用于对输入的向量进行多尺寸的特征提取，并对提取的特征进行特征融合得到特征信息；基础卷积模块包括卷积层及特征聚合层；卷积层用于对输入的向量进行多尺寸的特征提取；特征聚合层用于对卷积层提取的多尺寸特征进行特征聚合，得到特征信息。这样一来，在本申请实施例中，目标检测模型包括至少两层特征提取网络，至少两层特征提取网络均由基础卷积模块构成，这样降低目标检测模型的复杂度。并且，基础卷积模块可以实现对目标图像的多尺寸特征提取，可以更好的提取到有效的特征，可以保证目本文档来自技高网...

【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，所述方法包括：获取目标图像；通过训练后的目标检测模型对所述目标图像进行目标检测，获得检测结果；其中，所述目标检测模型包括至少两层特征提取网络，所述至少两层特征提取网络均由基础卷积模块构成；所述基础卷积模块用于对输入的向量进行多尺寸的特征提取，并对提取的特征进行特征融合得到特征信息；所述基础卷积模块包括卷积层及特征聚合层；所述卷积层用于对输入的向量进行多尺寸的特征提取；所述特征聚合层用于对所述卷积层提取的多尺寸特征进行特征聚合，得到特征信息。2.根据权利要求1所述的方法，其特征在于，所述卷积层包括第一卷积分支、第二卷积分支、第三卷积分支、第四卷积分支；所述第一卷积分支，用于对输入的向量进行第一尺寸的特征提取；所述第二卷积分支，用于对输入的向量进行第二尺寸的特征提取；所述第三卷积分支，用于对所述第二卷积分支提取的特征进行第三尺寸的特征提取；所述第四卷积分支，用于对所述第三卷积分支提取的特征进行第四尺寸的特征提取；所述特征聚合层，具体用于对所述第一卷积分支提取的特征、第二卷积分支提取的特征、第三卷积分支提取的特征及第四卷积分支提取的特征进行特征聚合，得到特征信息。3.根据权利要求2所述的方法，其特征在于，所述至少两层特征提取网络对应的第一通道缩放因子不相同。4.根据权利要求2所述的方法，其特征在于，所述至少两层特征提取网络对应的第一通道缩放因子相同。5.根据权利要求3或4所述的方法，其特征在于，针对所述至少两层特征提取网络中的每层，所述特征提取网络中所述卷积层的第一卷积分支、第二卷积分支、第三卷积分支、第四卷积分支的特征输出通道的数量通过所述特征提取网络对应的第一通道缩放因子确定。6.根据权利要求1所述的方法，其特征在于，所述目标检测模型包括第一特征提取网络、第二特征提取网络及检测网络；所述第一特征提取网络由至少一个基础卷积模块构成；所述第一特征提取网络用于对所述目标图像提取不同尺寸的特征信息；所述第二特征提取网络由至少一个基础卷积模块构成；所述第二特征提取网络用于对所述第一特征提取网络提取的不同尺寸的特征信息进行特征融合，获取特征融合...

【专利技术属性】
技术研发人员：曾淦雄，林晓帆，
申请(专利权)人：影石创新科技股份有限公司，
类型：发明
国别省市：