【技术实现步骤摘要】
本申请涉及计算机视觉，特别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
1、小目标检测是指在图像中检测和识别尺寸较小、面积较小的目标物体，小目标检测是计算机视觉领域中的一个极具挑战性的问题，随着深度学习和计算机视觉技术的不断发展，越来越多的应用场景需要对小目标进行准确地检测和识别，例如，在交通监控场景，小目标检测可用于识别司机吸烟、司机打电话、交通信号灯、车牌等；在医学影像分析场景，小目标检测可用于识别微小的肿瘤细胞等；在无人机航拍场景，小目标检测可用于识别微小的障碍物，以弥补激光雷达难以探测的窘况。
2、相关技术中，预先训练小目标检测模型，通过小目标检测模型对输入图像进行小目标检测，虽然可以在一定程度上实现小目标检测，但是在训练小目标检测模型的过程中，模型结构比较复杂，推理速度较慢，使得收敛速度较慢，通常需要较长的训练时间才能达到可接受的性能水平，导致整个小目标检测的成本比较高。
技术实现思路
1、本申请实施例提供一种目标检测方法、装置、电子设备及存储介质，以降低整个小目标检测过程的成本。
2、根据本申请的第一方面，公开了一种目标检测方法，所述方法包括：
3、获取待检测的第一图像；
4、将所述第一图像输入检测模型，通过所述检测模型对所述第一图像进行目标检测，得到所述第一图像对应的检测结果，所述检测结果包括：所述第一图像中的目标对象的位置信息和类别信息；
5、其中，所述检测模型的构建过程包括：将deyo网络中
6、可选地，作为一个实施例，所述检测模型的构建过程还包括：将所述pplcnet的激活函数替换为h-swish函数。
7、可选地，作为一个实施例，所述检测模型的构建过程还包括：将所述pplcnet中的3*3跨步卷积核替换为3*3非跨步卷积核。
8、可选地，作为一个实施例，所述检测模型的构建过程还包括：在所述pplcnet中的每个所述3*3非跨步卷积核之后增加小目标检测卷积spd-conv模块。
9、可选地，作为一个实施例，所述检测模型的构建过程还包括：删除所述deyo网络中pre-deyo的颈部网络的最小尺度特征检测层。
10、可选地，作为一个实施例，所述检测模型的构建过程还包括：在所述deyo网络中post-deyo的编码器中添加自注意力模块，其中，所述自注意力模块用于将特征图中的内容信息和位置信息进行融合。
11、可选地，作为一个实施例，所述检测模型的构建过程还包括：为所述post-deyo的编码器的每个所述自注意力模块添加对应的残差模块。
12、可选地，作为一个实施例，所述检测模型的构建过程还包括：为所述post-deyo的编码器的所有所述自注意力模块添加一个连接模块，其中，所述连接模块用于对不同所述自注意力模块输出的特征进行加权融合处理。
13、根据本申请的第二方面，公开了一种目标检测装置，所述装置包括：
14、获取模块，用于获取待检测的第一图像；
15、检测模块，用于将所述第一图像输入检测模型，通过所述检测模型对所述第一图像进行目标检测，得到所述第一图像对应的检测结果，所述检测结果包括：所述第一图像中的目标对象的位置信息和类别信息；
16、构建模块，用于将deyo网络中pre-deyo的骨干网络替换为pplcnet，在所述pplcnet中添加残差模块，得到修正后的deyo网络，基于训练集对所述修正后的deyo网络进行训练得到所述检测模型，所述训练集中包括：多个样本图像和各个样本图像的标注信息，所述标注信息包括：样本对象的位置信息和类别信息，所述样本对象的尺寸小于第一数值或者面积小于第二数值。
17、可选地，作为一个实施例，所述构建模块还用于将所述pplcnet的激活函数替换为h-swish函数。
18、可选地，作为一个实施例，所述构建模块还用于将所述pplcnet中的3*3跨步卷积核替换为3*3非跨步卷积核。
19、可选地，作为一个实施例，所述构建模块还用于在所述pplcnet中的每个所述3*3非跨步卷积核之后增加小目标检测卷积spd-conv模块。
20、可选地，作为一个实施例，所述构建模块还用于删除所述deyo网络中pre-deyo的颈部网络的最小尺度特征检测层。
21、可选地，作为一个实施例，所述构建模块还用于在所述deyo网络中post-deyo的编码器中添加自注意力模块，其中，所述自注意力模块用于将特征图中的内容信息和位置信息进行融合。
22、可选地，作为一个实施例，所述构建模块还用于为所述post-deyo的编码器的每个所述自注意力模块添加对应的残差模块。
23、可选地，作为一个实施例，所述构建模块还用于为所述post-deyo的编码器的所有所述自注意力模块添加一个连接模块，其中，所述连接模块用于对不同所述自注意力模块输出的特征进行加权融合处理。
24、根据本申请的第三方面，公开了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如第一方面中的目标检测方法。
25、根据本申请的第四方面，公开了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现如第一方面中的目标检测方法。
26、根据本申请的第五方面，公开了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如第一方面中的目标检测方法。
27、本申请实施例中，获取待检测的第一图像；将第一图像输入检测模型，通过检测模型对第一图像进行目标检测，得到第一图像对应的检测结果，检测结果包括：第一图像中的目标对象的位置信息和类别信息；其中，检测模型的构建过程包括：将deyo网络中pre-deyo的骨干网络替换为pplcnet，在pplcnet中添加残差模块，得到修正后的deyo网络，基于训练集对修正后的deyo网络进行训练得到检测模型，训练集中包括：多个样本图像和各个样本图像的标注信息，标注信息包括：样本对象的位置信息和类别信息，样本对象的尺寸小于第一数值或者面积小于第二数值。
28、可见，本申请实施例中，一方面，考虑到deyo网络结合了yolov5和detr的优点，能够准确地定位和分类图像中的目标，但是其网络结构比较复杂，推理速度较慢，使得收敛速度较慢，通常需要较长的训练时间才能达到可接受的性能水平，对设备的计算资源的占用量较大，导致训练时的时间成本和设备资源成本较高，另一本文档来自技高网...
【技术保护点】
1.一种目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述检测模型的构建过程还包括：将所述PPLCnet的激活函数替换为H-Swish函数。
3.根据权利要求1所述的方法，其特征在于，所述检测模型的构建过程还包括：将所述PPLCnet中的3*3跨步卷积核替换为3*3非跨步卷积核。
4.根据权利要求3所述的方法，其特征在于，所述检测模型的构建过程还包括：在所述PPLCnet中的每个所述3*3非跨步卷积核之后增加小目标检测卷积SPD-Conv模块。
5.根据权利要求1所述的方法，其特征在于，所述检测模型的构建过程还包括：删除所述DEYO网络中PRE-DEYO的颈部网络的最小尺度特征检测层。
6.根据权利要求1所述的方法，其特征在于，所述检测模型的构建过程还包括：在所述DEYO网络中POST-DEYO的编码器中添加自注意力模块，其中，所述自注意力模块用于将特征图中的内容信息和位置信息进行融合。
7.根据权利要求6所述的方法，其特征在于，所述检测模型的构建过程还包括：为所述POS
8.根据权利要求6所述的方法，其特征在于，所述检测模型的构建过程还包括：为所述POST-DEYO的编码器的所有所述自注意力模块添加一个连接模块，其中，所述连接模块用于对不同所述自注意力模块输出的特征进行加权融合处理。
9.一种目标检测装置，其特征在于，所述装置包括：
10.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-8任一项所述的目标检测方法。
11.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-8任一项所述的目标检测方法。
...【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：
2.根据权利要求1所述的方法，其特征在于，所述检测模型的构建过程还包括：将所述pplcnet的激活函数替换为h-swish函数。
3.根据权利要求1所述的方法，其特征在于，所述检测模型的构建过程还包括：将所述pplcnet中的3*3跨步卷积核替换为3*3非跨步卷积核。
4.根据权利要求3所述的方法，其特征在于，所述检测模型的构建过程还包括：在所述pplcnet中的每个所述3*3非跨步卷积核之后增加小目标检测卷积spd-conv模块。
5.根据权利要求1所述的方法，其特征在于，所述检测模型的构建过程还包括：删除所述deyo网络中pre-deyo的颈部网络的最小尺度特征检测层。
6.根据权利要求1所述的方法，其特征在于，所述检测模型的构建过程还包括：在所述deyo网络中post-deyo的编码器中添加自注意力模块，其中，所...
【专利技术属性】
技术研发人员：程相慧，路金，
申请(专利权)人：中国电信股份有限公司，
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。