目标检测方法、电子设备以及存储介质与流程

本发明涉及图像处理领域，特别是涉及目标检测方法、电子设备以及存储介质。

背景技术：

1、随着社会的不断发展，技术的不断提升，人们对目标检测技术的要求的精度要求却来越高。

2、目前绝大部分高精度的目标检测算法的网络模型过深，参数量过大，对计算设备的算力需要较高，导致在嵌入式平台上部署的难度较高，也会造成实时检测帧率较低。而过于轻量化的模型可能会出现误检、多噪点等问题，会导致检测准确率低，同时存在检测框偏移较大，不易于其他算法相结合的问题。

3、目前的目标检测算法无法兼顾高精度检测以及模型轻量化。

技术实现思路

1、本发明提供了一种目标检测方法、电子设备以及存储介质，以解决无法兼顾高精度检测以及模型轻量化的问题。

2、为解决上述技术问题，本发明提供一种目标检测方法，包括：获取到目标对象的待检测图像；通过目标检测模型的特征处理网络对待检测图像进行特征处理，以得到待检测图像的图像特征；通过目标检测模型的主检测头对图像特征进行检测，得到目标对象的检测框；其中，目标检测模型是通过训练中的目标检测模型的主检测头以及辅助检测头分别对训练图像的训练图像特征进行检测，并分别基于主检测头的检测结果以及辅助检测头的检测结果对训练中的目标检测模型进行训练得到的。

3、其中，特征处理网络包括相互级联的主干网络以及特征融合网络；通过目标检测模型的特征处理网络对待检测图像进行特征处理，以得到待检测图像的图像特征的步骤包括：通过目标检测模型的主干网络对待检测图像进行特征提取，得到待检测图像的初始特征；通过目标检测模型的特征融合网络对初始特征进行特征融合，得到待检测图像的图像特征。

4、其中，主干网络包括：相互级联的先处理模块、第一子网络、第二子网络以及第三子网络；通过目标检测模型的主干网络对待检测图像进行特征提取，得到待检测图像的初始特征的步骤包括：通过先处理模块对待检测图像进行下采样以及最大池化处理，得到待检测图像的预处理特征；通过第一子网络对预处理特征进行特征提取，得到第一特征；通过第二子网络对第一特征进行特征提取，得到第二特征；通过第三子网络对第二特征进行特征提取，得到第三特征；将第一特征、第二特征以及第三特征确定为初始特征。

5、其中，第一子网络、第二子网络以及第三子网络的网络结构相同，网络结构包括相互级联的第一卷积层、全连接层、第四卷积层以及最大池化层，网络结构还包括第二卷积层以及第三卷积层，其中，第二卷积层与第一卷积层并列，并与全连接层连接，第三卷积层分别与第二卷积层以及全连接层连接。

6、其中，通过目标检测模型的特征融合网络对初始特征进行特征融合，得到待检测图像的图像特征的步骤包括：基于第一特征、第二特征以及第三特征进行多次通道级联，得到多个级联后的特征；通过目标检测模型的特征融合网络，分别对多个级联后的特征第一特征、第二特征以及第三特征进行特征融合，得到特征融合后的第一特征、特征融合后的第二特征以及特征融合后的第三特征；将特征融合后的第一特征、特征融合后的第二特征以及特征融合后的第三特征确定为待检测图像的图像特征。

7、其中，获取到目标对象的待检测图像，之前包括：获取到目标对象的训练图像；通过训练中的目标检测模型的特征处理网络对训练图像进行特征处理，以得到训练图像的训练图像特征；通过训练中的目标检测模型的主检测头以及辅助检测头分别对训练图像的训练图像特征进行检测，并分别基于主检测头的检测结果以及辅助检测头的检测结果对训练中的目标检测模型进行训练，直至得到目标检测模型。

8、其中，通过训练中的目标检测模型的主检测头以及辅助检测头分别对训练图像的训练图像特征进行检测的步骤包括：基于训练图像确定训练图像特征的多个不同尺寸的锚框；通过计算各锚框的分类定位任务对齐度，确定主检测头的第一正样本锚框以及辅助检测头的第二正样本锚框；通过训练中的目标检测模型的主检测头对第一正样本锚框进行检测，以及通过训练中的目标检测模型的辅助检测头对第二正样本锚框进行检测。

9、其中，主检测头为耦合头，辅助检测头为解耦头；通过训练中的目标检测模型的主检测头对第一正样本锚框进行检测，以及通过训练中的目标检测模型的辅助检测头对第二正样本锚框进行检测的步骤包括：通过耦合头对第一正样本锚框进行检测，得到主检测头的检测框；通过解耦头基于归一化指数函数，确定第二正样本锚框在对应的标准框的预设区域内的概率，对概率进行线性积分回归，得到辅助检测头的检测框。

10、其中，分别基于主检测头的检测结果以及辅助检测头的检测结果对训练中的目标检测模型进行训练，直至得到目标检测模型的步骤包括：基于主检测头的检测框与训练图像的标准框之间的差异确定主检测头的第一损失；基于辅助检测头的检测框与训练图像的标准框之间的差异确定主检测头的第二损失；将第一损失与第二损失进行加权求和，得到训练中的目标检测模型的训练损失；基于训练损失对训练中的目标检测模型进行训练，直至得到目标检测模型。

11、为解决上述技术问题，本发明还提供了一种电子设备，电子设备包括：相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述任一项的目标检测方法。

12、为解决上述技术问题，本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有程序数据，程序数据能够处理器被执行以实现如上述任一项的目标检测方法。

13、本发明的有益效果是：区别于现有技术的情况，本发明通过在训练时，同时通过主检测头以及辅助检测头进行检测，并基于检测结果对目标检测模型进行训练，从而提高目标检测模型的训练效果，提高目标检测模型的检测精度，而在目标检测模型的推理过程中，只使用主检测头进行检测，从而使目标检测模型轻量化，进而提高目标检测模型的检测效率，进而兼顾目标检测模型的高精度检测以及模型轻量化。

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所述的目标检测方法，其特征在于，所述特征处理网络包括相互级联的主干网络以及特征融合网络；

3.根据权利要求2所述的目标检测方法，其特征在于，所述主干网络包括：相互级联的先处理模块、第一子网络、第二子网络以及第三子网络；

4.根据权利要求3所述的目标检测方法，其特征在于，所述第一子网络、所述第二子网络以及所述第三子网络的网络结构相同，所述网络结构包括相互级联的第一卷积层、全连接层、第四卷积层以及最大池化层，所述网络结构还包括第二卷积层以及第三卷积层，其中，所述第二卷积层与所述第一卷积层并列，并与所述全连接层连接，所述第三卷积层分别与所述第二卷积层以及所述全连接层连接。

5.根据权利要求3所述的目标检测方法，其特征在于，所述通过所述目标检测模型的特征融合网络对所述初始特征进行特征融合，得到所述待检测图像的图像特征的步骤包括：

6.根据权利要求1-5任一项所述的目标检测方法，其特征在于，所述获取到目标对象的待检测图像，之前包括：

7.根据权利要求6所述的目标检测方法，其特征在于，所述通过训练中的目标检测模型的主检测头以及辅助检测头分别对训练图像的训练图像特征进行检测的步骤包括：

8.根据权利要求7所述的目标检测方法，其特征在于，所述主检测头为耦合头，所述辅助检测头为解耦头；

9.根据权利要求8所述的目标检测方法，其特征在于，所述分别基于所述主检测头的检测结果以及所述辅助检测头的检测结果对所述训练中的目标检测模型进行训练，直至得到所述目标检测模型的步骤包括：

10.一种电子设备，其特征在于，所述电子设备包括：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，以实现如权利要求1至9任一项所述的目标检测方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序数据，所述程序数据能够被处理器执行以实现如权利要求1至9任一项所述的目标检测方法。

技术总结
本发明公开了一种目标检测方法、电子设备以及存储介质，其中，目标检测方法包括：获取到目标对象的待检测图像；通过目标检测模型的特征处理网络对待检测图像进行特征处理，以得到待检测图像的图像特征；通过目标检测模型的主检测头对图像特征进行检测，得到目标对象的检测框；其中，目标检测模型是通过训练中的目标检测模型的主检测头以及辅助检测头分别对训练图像的训练图像特征进行检测，并分别基于主检测头的检测结果以及辅助检测头的检测结果对训练中的目标检测模型进行训练得到的。通过上述方式，本发明能够兼顾目标检测模型的高精度检测以及模型轻量化。

技术研发人员：张树钺,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：2024/1/15