图像目标检测方法、装置、设备及存储介质与流程

本申请机器视觉，提供一种图像目标检测方法、装置、设备及存储介质。

背景技术：

1、计算机视觉(computer vision，cv)目标检测技术，通常采用基于卷积神经网络(convolutional neural networks，cnn)的多尺度特征融合优化模型来实现，随着目标检测需求的多样化、检测场景的多样化，目标检测的复杂程度也随之加深。

2、目前，目标检测技术按照阶段划分可以划分为二阶段(two-stage)目标检测技术以及一阶段(one-stage)目标检测技术，二阶段目标检测技术需要先通过相关算法获得一些候选框作为样本，再通过cnn分类候选框样本，由于此过程相当于有两个步骤，因此称之为二阶段目标检测，相对应的，一阶段目标检测技术则是在目标检测中直接回归物体的类别概率和位置坐标值，从而完成预测的过程。由于二阶段目标检测技术进行目标检测的过程需要经过两次处理，而一阶段目标检测技术的目标检测的过程只需要一次回归，因此一阶段目标检测技术相较于二阶段目标检测技术而言，其速度是较快的，但是虽然一阶段目标检测技术的检测效率较高，最终检测的准确率却不尽人意，无法满足实际场景中的准确率要求。

技术实现思路

1、本申请实施例提供一种图像目标检测方法、装置、设备及存储介质，用于提升搜索结果呈现的精准性，提升内容查找效率。

2、一方面，提供一种图像目标检测方法，该方法包括：

3、对待检测的目标图像进行基础特征提取，获得对应于多个特征尺度各自对应的基础图像特征；

4、针对获得的多个基础图像特征，分别执行如下操作：

5、针对一个基础图像特征，基于所述基础图像特征，对自身经深度特征提取获得的深度图像特征进行跨特征尺度的特征强化处理，获得相应的第一强化图像特征；

6、基于所述第一强化图像特征，对自身经注意力机制处理获得的注意力图像特征进行加权特征强化处理，获得相应的第二强化图像特征；

7、基于获得的多个第二强化图像特征进行目标预测，获得所述目标图像的目标检测结果，所述目标检测结果表征：被检测目标在所述目标图像中的数量及位置。

8、一方面，提供一种图像目标检测装置，该装置包括：

9、基础特征提取单元，用于对待检测的目标图像进行基础特征提取，获得对应于多个特征尺度各自对应的基础图像特征；

10、特征强化单元，用于通过如下子单元，针对获得的多个基础图像特征，分别执行如下操作：

11、第一强化子单元，用于针对一个基础图像特征，基于所述基础图像特征，对自身经深度特征提取获得的深度图像特征进行跨特征尺度的特征强化处理，获得相应的第一强化图像特征；

12、第二强化子单元，用于基于所述第一强化图像特征，对自身经注意力机制处理获得的注意力图像特征进行加权特征强化处理，获得相应的第二强化图像特征；

13、预测单元，用于基于获得的多个第二强化图像特征进行目标预测，获得所述目标图像的目标检测结果，所述目标检测结果表征：被检测目标在所述目标图像中的数量及位置。

14、一方面，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计算机程序时实现上述任一种方法的步骤。

15、一方面，提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一种方法的步骤。

16、一方面，提供一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述任一种方法的步骤。

17、本申请实施例中，在针对目标图像进行基础特征提取之后，通过针对每个基础图像特征，基于基础图像特征自身，来对经深度特征提取获得的深度图像特征进行跨特征尺度的特征强化处理，并对获得的第一强化图像特征，再次基于第一强化图像特征自身，来对自身经注意力机制处理获得的注意力图像特征进行加权特征强化处理，最终基于获得的第二强化图像特征实现目标预测。其中，本申请实施例的图像目标检测过程是基于one-stage目标检测技术进行的，且在整个过程中，基于跨特征尺度的特征强化处理使得特征信息既存在粗粒度，又存在细粒度，因此特征信息更为丰富，而加权特征强化处理过程通过注意力机制强化特征信息，并将强化的特征信息与原始特征信息进行加权融合，提升特征信息的表达能力，因而通过二次特征强化之后，则可以使得最终得到的特征信息包含的内容更为丰富，且表达能力更高，从而基于强化的特征信息得到的目标检测结果的准确性更高，得以符合实际场景中的准确率要求。

技术特征：

1.一种图像目标检测方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，针对一个基础图像特征，基于所述基础图像特征，对自身经深度特征提取获得的深度图像特征进行跨特征尺度的特征强化处理，获得相应的第一强化图像特征，包括：

3.如权利要求2所述的方法，其特征在于，所述旁支神经网络包括基于通道维度变换的第一卷积单元；

4.如权利要求2所述的方法，其特征在于，所述深度特征提取网络包括基于特征尺度变换的第二卷积单元、批归一化单元和激活单元；

5.如权利要求4所述的方法，其特征在于，基于所述旁支图像特征对所述深度图像特征进行跨特征尺度的特征强化处理，获得所述第一强化图像特征，包括：

6.如权利要求1～5任一所述的方法，其特征在于，基于所述第一强化图像特征，对自身经注意力机制处理获得的注意力图像特征进行加权特征强化处理，获得相应的第二强化图像特征，包括：

7.如权利要求6所述的方法，其特征在于，所述图像目标检测方法通过已训练的图像目标检测模型执行，所述图像目标检测模型包括所述预设权重矩阵，则所述方法还包括：

8.如权利要求1～5任一所述的方法，其特征在于，所述基于获得的多个第二强化图像特征进行目标预测，获得所述目标图像的目标检测结果，包括：

9.一种图像目标检测装置，其特征在于，所述装置包括：

10.如权利要求9所述的装置，其特征在于，所述第一强化子单元，具体用于：

11.如权利要求9或者10所述的装置，其特征在于，第二强化子单元，具体用于：

12.一种计算机设备，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，其特征在于，

13.一种计算机存储介质，其上存储有计算机程序，其特征在于，

14.一种计算机程序产品，包括计算机程序，其特征在于，

技术总结
本申请公开了一种图像目标检测方法、装置、设备及存储介质，涉及机器视觉技术领域，用于提升搜索结果呈现的精准性，提升内容查找效率。该方法涉及的图像目标检测过程是基于One‑stage目标检测技术进行的，且在整个过程中，基于跨特征尺度的特征强化处理使得特征信息既存在粗粒度，又存在细粒度，因此特征信息更为丰富，而加权特征强化处理过程通过注意力机制强化特征信息，并将强化的特征信息与原始特征信息进行加权融合，提升特征信息的表达能力，因而通过二次特征强化之后，则可以使得最终得到的特征信息包含的内容更为丰富，且表达能力更高，从而基于强化的特征信息得到的目标检测结果的准确性更高，得以符合实际场景中的准确率要求。

技术研发人员：董高照,赵挽澜,吕争让
受保护的技术使用者：中国建设银行股份有限公司
技术研发日：
技术公布日：2024/1/15