目标检测方法和装置、电子设备及存储介质与流程

本申请涉及图像处理，特别是涉及一种目标检测方法和装置、电子设备及存储介质。

背景技术：

1、随着科技的进步和人类基于便利性生活的需要，目标检测被广泛应用于计算机视觉任务场景中，包括：家居安防、机器视觉、自动驾驶等领域。

2、目前各种基于神经网络的目标检测算法相继提出，但是因其参数量庞大、计算复杂导致效率较低，使其在应用场景中受限，而一些高性能的目标检测模型例如retinaface，yolov5face等，在降低模型参数量时又会损失较多的模型精度。有鉴于此，如何提高目标检测的准确度和效率，成为亟待解决的问题。

技术实现思路

1、本申请主要解决的技术问题是提供一种目标检测方法和装置、电子设备及存储介质，能够提高目标检测的准确度和效率。

2、为了解决上述技术问题，本申请第一方面提供了一种目标检测方法，包括：利用样本图像对基于repghost bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络；其中，repghost bottleneck基于残差连接的repghost module构成，repghostmodule基于ghost module融入结构重参数化构成；基于结构重参数化将第一目标检测网络中repghost module转换为等效ghost module，得到第二目标检测网络；基于第二目标检测网络对待测图像进行目标检测，得到待测图像的目标检测结果。

3、为了解决上述技术问题，本申请第二方面提供了一种目标检测装置，包括网络训练模块，用于利用样本图像对基于repghost bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络；其中，repghost bottleneck基于残差连接的repghost module构成，repghost module基于ghost module融入结构重参数化构成；结构转换模块，用于基于结构重参数化将第一目标检测网络中repghost module转换为等效ghost module，得到第二目标检测网络；目标检测模块，用于基于第二目标检测网络对待测图像进行目标检测，得到待测图像的目标检测结果。

4、为了解决上述技术问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的目标检测方法。

5、为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面的目标检测方法。

6、上述方案，基于repghost bottleneck搭建初始目标检测网络，并且repghostbottleneck是基于残差连接的repghost module构成的，repghost module是基于ghostmodule融入结构重参数化构成的，repghost bottleneck融入初始目标检测网络的结构中提高了图像特征提取能力，故能提高目标检测的精度，获取样本图像并对初始目标检测网络进行训练，得到第一目标检测网络，在基于结构重参数化将第一目标检测网络中的repghost module转化为等效ghost module，简化目标检测网络的结构，降低算法的参数量，得到运算速率更快的第二目标检测网络，并基于第二目标检测网络对待测图像进行目标检测，得到待测图像的目标检测结果，通过上述方法在第一目标检测网络进行样本训练，提高目标检测网络的精度，在结构更加简单的第二目标检测网络进行待测图像的目标检测，故能提高目标检测的准确度和效率。

技术特征：

1.一种目标检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述ghost module基于残差连接的第一尺寸的卷积和第二尺寸的深度可分离卷积构成，且所述第二尺寸不小于所述第一尺寸，基于ghost module融入结构重参数化得到所述repghost module的步骤，包括：

3.根据权利要求2所述的方法，其特征在于，基于结构重参数化将所述第一目标检测网络中所述repghost module转换为等效ghost module，包括：

4.根据权利要求3所述的方法，其特征在于，所述将所述第一通路中所述批归一化层，转换为所述第一尺寸的等效卷积，包括：

5.根据权利要求3所述的方法，其特征在于，所述将所述第二通路中所述批归一化层，转换为所述第二尺寸的第一等效深度可分离卷积，包括：

6.根据权利要求1所述的方法，其特征在于，所述初始目标检测网络至少包括骨干网络和检测网络构成，所述骨干网络用于提取所述样本图像的样本特征图，所述检测网络用于基于所述样本特征图，预测得到所述样本图像的目标检测结果，且所述骨干网络基于预设数量的基本单元顺序连接得到，所述基本单元基于repghost bottleneck构成。

7.根据权利要求6所述的方法，其特征在于，所述初始目标检测网络还包括位于所述骨干网络与所述检测网络之间的融合网络，所述融合网络基于路径聚合网络和特征金字塔网络构成，所述特征金字塔网络包括分别与多种尺度对应的上采样子网络，所述路径聚合网络包括分别与所述多种尺度对应的下采样子网络，相同尺度的上采样子网络和下采样子网络之间跳跃连接，所述检测网络包括分别与所述多种尺度对应的检测子网络，相同尺度的下采样子网络与检测子网络之间相互连接，且所述上采样子网络基于repghostbottleneck构成，所述下采样子网络基于repghost bottleneck构成。

8.根据权利要求6所述的方法，其特征在于，所述检测网络用于基于所述样本特征图，预测得到所述样本图像的目标检测结果包括：基于卷积对所述样本特征图进行特征提取，并将所述样本特征图的通道数限定为预设通道数，得到所述目标检测结果；其中，所述目标检测结果至少包括预测类别、预测位置以及预测关键点，所述预设通道数基于预设目标类别、预测类别、预测位置以及预测关键点得到。

9.根据权利要求1所述的方法，其特征在于，所述样本图像标注有样本对象的样本类别、样本位置和样本关键点，所述利用样本图像对基于repghost bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络，包括：

10.一种目标检测装置，其特征在于，包括：

11.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至9任一项所述的目标检测方法。

12.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至9任一项所述的目标检测方法。

技术总结
本申请公开了一种目标检测方法和装置、电子设备及存储介质。该方法包括利用样本图像对基于RepGhost Bottleneck搭建的初始目标检测网络进行训练，得到第一目标检测网络；其中，RepGhost Bottleneck基于残差连接的RepGhost Module构成，RepGhost Module基于Ghost Module融入结构重参数化构成；基于结构重参数化将第一目标检测网络中RepGhost Module转换为等效Ghost Module，得到第二目标检测网络；基于第二目标检测网络对待测图像进行目标检测，得到待测图像的目标检测结果。上述方案，能够提高目标检测的准确度和效率。

技术研发人员：张诚成,马子昂
受保护的技术使用者：杭州华橙软件技术有限公司
技术研发日：
技术公布日：2024/1/14