CN109034183A - 一种目标检测方法、装置及设备 - Google Patents

一种目标检测方法、装置及设备 Download PDF

Info

Publication number
CN109034183A
CN109034183A CN201810581085.5A CN201810581085A CN109034183A CN 109034183 A CN109034183 A CN 109034183A CN 201810581085 A CN201810581085 A CN 201810581085A CN 109034183 A CN109034183 A CN 109034183A
Authority
CN
China
Prior art keywords
characteristic pattern
characteristic
fusion feature
target
pattern
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810581085.5A
Other languages
English (en)
Other versions
CN109034183B (zh
Inventor
姚勇强
董远
白洪亮
熊风烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SUZHOU FEISOU TECHNOLOGY Co.,Ltd.
Original Assignee
Beijing Faceall Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Faceall Co filed Critical Beijing Faceall Co
Priority to CN201810581085.5A priority Critical patent/CN109034183B/zh
Publication of CN109034183A publication Critical patent/CN109034183A/zh
Application granted granted Critical
Publication of CN109034183B publication Critical patent/CN109034183B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本申请公开了一种目标检测方法、装置及设备，根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。将多个特征图进行融合，可以增强目标的特征值，融合后的特征图适应性更强，针对小物体也有了更强的检测能力。

Description

一种目标检测方法、装置及设备
技术领域
本申请涉及计算机软件技术领域，尤其涉及一种目标检测方法、装置及设备。
背景技术
当前目标检测领域主要包含深度学习方法和传统学习方法，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。
深度学习的方法包括基于Region Proposal的深度学习目标检测算法的两步检测方法，以及以SSD(全称：Single Shot MultiBox Detector)为主的单步检测方法。其中两步方法包括：第一步为选取候选框的过程，也就是在图片中选取可能包含物体的框；第二步为对所选择的候选框进行分类和框位置的调整。这种方法速度比较慢。
基于SSD的单步检测方法是基于卷积神经网络(英文名：Convolutional NeuralNetwork，缩写：CNN)的深度学习算法，利用多个卷积层获取多个特征图，并直接对多个特征图进行分类。这种方法的速度非常快，但是这类方法对于小物体检测不是很好。
发明内容
本说明书实施例提供了一种目标检测方法、装置及设备，用以解决现有目标检测手段对对于小物体检测效果不理想的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供一种目标检测方法，包括：
根据卷积神经网络对图像样本进行处理，得到至少两个特征图；
将所述至少两个特征图进行融合，得到融合特征图；
基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。
本说明书实施例还提供一种目标检测装置，包括：
处理模块，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图；
融合模块，将所述至少两个特征图进行融合，得到融合特征图；
确定模块，基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。
本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行上述目标检测方法。
本说明书实施例还提供一种计算机可读存储介质，其特征在于，包括与电子设备结合使用的程序，程序可被处理器执行以完成上述目标检测方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。将多个特征图进行融合，可以增强目标的特征数据，融合后的特征图适应性更强，针对小物体也有了更强的检测能力。同时特征融合操作并没有引入其他复杂操作，因此性能提高的同时，也可以保证目标检测速率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
在附图中：
图1为本说明书实施例提出的一种基于目标检测方法的整体架构示意图；
图2为本说明书实施例提供的一种目标检测方法的流程示意图；
图3为图2所示目标检测方法中的特征图融合的原理图；
图4为本说明书实施例提出的一种目标检测装置的结构示意图。
具体实施方式
针对现有技术存在的问题进行分析发现，基于卷积神经网络的目标检测方法，对大物体的检测效果良好。但是，对于小物体来说，较小尺寸特征图中容易漏掉小物体，较大尺寸特征图中的小物体的特征向量不能充分用于分类，因此对于小物体检测比较差。
本说明书实施例提供一种目标检测方法、装置以及设备，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。利用本说明书实施例记载的方案，将多个特征图进行融合，可以降低小物体漏检的几率，还可以增强小物体的特征值，提升对小物体目标的检测精度和效果。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本说明书实施例提出的一种基于目标检测方法的整体架构示意图。该整体架构包括：图像样本；目标检测模型。其中，目标检测模型包括利用已知图像数据训练得到的卷积神经网络和特征图融合。图像样本被输入到目标检测模型，根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将其中至少两个特征图进行融合，得到融合特征图；这样，可以基于融合特征图确定目标检测结果，目标检测结果可以包括目标类别和目标位置中的至少一个。
在本说明书实施例中，本说明书使用的图像样本与用于训练卷积神经网络的已知图像数据具有相同大小及格式，主要来源于PASCAL VOC以及微软COCO数据集，由于这两个数据集的格式不一致，我们只需要进行预处理操作，就可以将图像样本格式统一转化成相同的格式。
图2为本说明书实施例提供的一种目标检测方法的流程示意图。从程序角度而言，该流程的执行主体可以是服务器上或者终端上的程序，比如，模型训练程序、图像目标检测程序、图像目标检测应用等。从设备角度而言，该流程可能的执行主体包括但不限于可作为服务器或者终端的以下至少一种设备：手机、平板电脑、智能可穿戴设备、车机、个人计算机、中型计算机、计算机集群等。
步骤201：根据卷积神经网络对图像样本进行处理，得到至少两个特征图。
在本说明书实施例中，图像样本可以是原图像或从原图像中提取得到。在实际应用场景中，图像样本可以是来自监控视频中的帧图像。
具体地，根据卷积神经网络对图像样本进行处理，可以包括：
将图像样本输入训练好的卷积神经网络，在卷积神经网络的多层卷积层对图像样本进行卷积计算，这样可以得到多层特征图。其中，所述特征图是对图像样本中的特征进行抽象而得到。
在本说明书实施例中，卷积神经网络构成了SSD网络结构，在基础网络结构后，添加了额外的卷积层，这些卷积层输出的特征图尺寸是逐层递减的。
因此，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图，可以包括：
根据卷积神经网络对图像样本进行处理，得到至少两个不同尺寸特征图；
步骤202：将所述至少两个特征图进行融合，得到融合特征图。
在这种情况下，融合可以增强融合特征图中的特征向量。
图3为本说明书实施例提出的一种目标检测方法中的特征图融合的原理图。将所述至少两个特征图进行融合，得到融合特征图，可以包括：
基于公式：将所述至少两个特征图进行融合，得到融合特征图；
其中是指融合后第i层特征图的感受野，Ri是指第i层特征图的感受野，Rj是指第j层特征图的感受野，cj是比例因子，是指在第j层特征图中被抽取的通道数，Cj是指第j层特征图通道总数。
具体的，一般来说，一个卷积神经网络中不同的特征图有着不同尺寸的感受野(receptive fields)。这里的感受野，指的是输出的特征图上的一个节点，其对应输入图像上尺寸的大小。特征图的尺寸越小表明其感受野越大，也就越容易检测大物体，原生的SSD网络结构每个特征图负责检测一个尺度的物体，但是对于小物体来说，特征图比较大，其特征用于分类不是很好，因此对于小物体检测比较差。
在本说明书实施例中，在根据卷积神经网络对图像样本进行处理，得到至少两个不同尺寸特征图时，所述的将所述至少两个特征图进行融合，得到融合特征图，可以包括：
将所述至少两个不同尺寸特征图进行融合，得到融合特征图。
这不仅可以增强小尺寸特征图中目标的特征向量，还可以避免对大尺寸目标的漏检。
在本说明书实施例中，将至少两个不同尺寸特征图进行融合，得到融合特征图，可以包括：
对特征图进行处理，得到同一目标尺寸的特征图；
将至少两个同一目标尺寸的特征图进行融合，得到融合特征图。
在这种情况下，在融合之前，将各特征图统一尺寸，包括统一尺度和长宽比。
结合图3所示示例，对特征图进行处理，得到同一目标尺寸的特征图，可以包括：
根据每一个特征图确定对应的目标特征图；
根据所述目标特征图的尺寸确定所述同一目标尺寸；
对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图；
将至少两个同一目标尺寸的特征图进行融合，得到融合特征图，包括：
将所述目标特征图与对应的所述至少一个其他特征图进行融合，得到融合特征图。
例如，当尺寸40*40所示特征图确定为对应的目标特征图时，将40*40作为同一目标尺寸，这样，将尺寸40*40对应的目标特征图与各尺寸20*20、10*10、5*5分别对应的其他特征图进行融合，得到融合特征图大小为40*40；当尺寸20*20所示特征图确定为对应的目标特征图时，将20*20为同一目标尺寸，这样，将尺寸20*20对应的目标特征图与各尺寸40*40、10*10、5*5分别对应的其他特征图进行融合，得到融合特征图尺寸为20*20。对剩余尺寸10*10、5*5所示特征图的融合方案可以参考之，在此不再一一详述。
在本说明书实施例中，对各特征图的尺寸还可以是其他尺寸，在此不作具体限定。
进一步地，根据至少一个特征图确定目标特征图，包括：
依次根据各不同尺寸特征图确定目标特征图；
对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图，包括：
依次对所述目标特征图之外的其他各特征图进行处理，得到所述同一目标尺寸的特征图。
结合图3所示应用示例，依次根据40*40、20*20、10*10、5*5对应的特征图确定目标特征图；在每个目标特征图的融合进程中，对目标特征图之外的其他所有特征图进行处理，统一尺寸至当前目标特征图的尺寸；之后再执行特征图融合。
在这种情况下，每个融合特征图包含的特征值更加丰富，提升防漏检的几率。
在本说明书实施例中，所述同一目标尺寸可以为其他值，在此不作具体限定。
步骤203：基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。
在这种情况下，基于融合特征图进行分类和回归，并在确定检测到目标时，根据融合特征图与图像样本之间的映射关系，确定目标在图像样本中的位置。
在本说明书实施例中，基于所述融合特征图确定目标检测结果，包括：
结合步骤202的内容，在对应不同的目标特征图分别得到不同融合特征图时，根据各融合特征图的分类结果确定所述目标检测结果。
在实际应用中，根据融合特征图中包含的对应类别目标的特征值的概率确定分类结果，并可以取达到预设概率值或最大概率值的分类结果确定检测到符合对应类别的目标。
在本说明书实施例中，将多个特征图进行融合，增强目标的特征数据，融合后的特征图适应性更强，针对小物体也有了更强的检测能力。同时特征融合操作并没有引入其他复杂操作，因此性能提高的同时，也可以保证目标检测速率。
图4为本说明书实施例提出的一种目标检测装置的结构示意图，如下所示。
目标检测装置可以包括：
处理模块401，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图；
融合模块402，将所述至少两个特征图进行融合，得到融合特征图；
确定模块403，基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。
可选地，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图，包括：
根据卷积神经网络，对图像样本进行处理，得到至少两个不同尺寸特征图；
将所述至少两个特征图进行融合，得到融合特征图，包括：
将所述至少两个不同尺寸特征图进行融合，得到融合特征图。
可选地，将所述至少两个不同尺寸特征图进行融合，得到融合特征图，包括：
对所述特征图进行处理，得到同一目标尺寸的特征图；
将至少两个同一目标尺寸的特征图进行融合，得到融合特征图。
可选地，对所述特征图进行处理，得到同一目标尺寸的特征图，包括：
根据至少一个特征图确定目标特征图；
根据所述目标特征图的尺寸确定所述同一目标尺寸；
对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图；
将至少两个同一目标尺寸的特征图进行融合，得到融合特征图，包括：
将所述目标特征图与对应的所述至少一个其他特征图进行融合，得到融合特征图。
可选地，根据至少一个特征图确定目标特征图，包括：
依次根据各不同尺寸特征图确定目标特征图；
对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图，包括：
依次对所述目标特征图之外的其他各特征图进行处理，得到所述同一目标尺寸的特征图。
可选地，基于所述融合特征图确定目标检测结果，包括：
在对应不同的目标特征图分别得到不同融合特征图时，根据各融合特征图的分类结果确定所述目标检测结果。
可选地，在根据卷积神经网络，对图像样本进行处理，得到至少两个特征图之前，在原图像中提取所述图像样本。
可选地，将所述至少两个特征图进行融合，得到融合特征图，包括：
基于公式：将所述至少两个特征图进行融合，得到融合特征图；
其中，是指融合后第i层特征图的感受野，Ri是指第i层特征图的感受野，Rj是指第j层特征图的感受野，cj是比例因子，是指在第j层特征图中被抽取的通道数，Cj是指第j层特征图通道总数。
利用本说明书实施例记载的目标检测装置，可以有效解决小物体目标检测结果差的问题。
基于同一发明构思，本说明书实施例还提出一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行图2所述的目标检测方法。
基于同一发明构思，本说明书实施例还提出一种计算机可读存储介质，其特征在于，包括与电子设备结合使用的程序，程序可被处理器执行以完成图2所述的目标检测方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable LogicDevice,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(HardwareDescription Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(JavaHardware DescriptionLanguage)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等，目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器
以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、
数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本说明书的实施例而已，并不用于限制本申请。对于本领域技术人说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (18)

1.一种目标检测方法。其特征在于，包括：
根据卷积神经网络对图像样本进行处理，得到至少两个特征图；
将所述至少两个特征图进行融合，得到融合特征图；
基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。
2.如权利要求1所述的目标检测方法，其特征在于，根据卷积神经网络对图像样本进行处理，得到至少两个特征图，包括：
根据卷积神经网络，对图像样本进行处理，得到至少两个不同尺寸特征图；
将所述至少两个特征图进行融合，得到融合特征图，包括：
将所述至少两个不同尺寸特征图进行融合，得到融合特征图。
3.如权利要求2所述的目标检测方法，其特征在于，将所述至少两个不同尺寸特征图进行融合，得到融合特征图，包括：
对所述特征图进行处理，得到同一目标尺寸的特征图；
将至少两个同一目标尺寸的特征图进行融合，得到融合特征图。
4.如权利要求3所述的目标检测方法，其特征在于，对所述特征图进行处理，得到同一目标尺寸的特征图，包括：
根据每一个特征图确定对应的目标特征图；
根据所述目标特征图的尺寸确定所述同一目标尺寸；
对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图；
将至少两个同一目标尺寸的特征图进行融合，得到融合特征图，包括：
将所述目标特征图与对应的所述至少一个其他特征图进行融合，得到融合特征图。
5.如权利要求4所述的目标检测方法，其特征在于，根据至少一个特征图确定目标特征图，包括：
依次根据各不同尺寸特征图确定目标特征图；
对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图，包括：
依次对所述目标特征图之外的其他各特征图进行处理，得到所述同一目标尺寸的特征图。
6.如权利要求4所述的目标检测方法，其特征在于，基于所述融合特征图确定目标检测结果，包括：
在对应不同的所述目标特征图分别得到不同融合特征图时，根据各融合特征图的分类结果确定所述目标检测结果。
7.如权利要求1所述的目标检测方法，其特征在于，在根据卷积神经网络，对图像样本进行处理，得到至少两个特征图之前，所述目标检测方法还包括：
在原图像中提取所述图像样本。
8.如权利要求1所述的目标检测方法，其特征在于，将所述至少两个特征图进行融合，得到融合特征图，包括：
基于公式：将所述至少两个特征图进行融合，得到融合特征图；
其中，是指融合后第i层特征图的感受野，Ri是指第i层特征图的感受野，Rj是指第j层特征图的感受野，cj是比例因子，是指在第j层特征图中被抽取的通道数，Cj是指第j层特征图通道总数。
9.一种目标检测装置，其特征在于，包括：
处理模块，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图；
融合模块，将所述至少两个特征图进行融合，得到融合特征图；
确定模块，基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。
10.如权利要求9所述的目标检测装置，其特征在于，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图，包括：
根据卷积神经网络，对图像样本进行处理，得到至少两个不同尺寸特征图；
将所述至少两个特征图进行融合，得到融合特征图，包括：
将所述至少两个不同尺寸特征图进行融合，得到融合特征图。
11.如权利要求10所述的目标检测装置，其特征在于，将所述至少两个不同尺寸特征图进行融合，得到融合特征图，包括：
对所述特征图进行处理，得到同一目标尺寸的特征图；
将至少两个同一目标尺寸的特征图进行融合，得到融合特征图。
12.如权利要求11所述的目标检测装置，其特征在于，对所述特征图进行处理，得到同一目标尺寸的特征图，包括：
根据至少一个特征图确定目标特征图；
根据所述目标特征图的尺寸确定所述同一目标尺寸；
对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图；
将至少两个同一目标尺寸的特征图进行融合，得到融合特征图，包括：
将所述目标特征图与对应的所述至少一个其他特征图进行融合，得到融合特征图。
13.如权利要求12所述的目标检测装置，其特征在于，根据至少一个特征图确定目标特征图，包括：
依次根据各不同尺寸特征图确定目标特征图；
对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图，包括：
依次对所述目标特征图之外的其他各特征图进行处理，得到所述同一目标尺寸的特征图。
14.如权利要求12所述的目标检测装置，其特征在于，基于所述融合特征图确定目标检测结果，包括：
在对应不同的目标特征图分别得到不同融合特征图时，根据各融合特征图的分类结果确定所述目标检测结果。
15.如权利要求9所述的目标检测装置，其特征在于，在根据卷积神经网络，对图像样本进行处理，得到至少两个特征图之前，在原图像中提取所述图像样本。
16.如权利要求9所述的目标检测装置，其特征在于，将所述至少两个特征图进行融合，得到融合特征图，包括：
基于公式：将所述至少两个特征图进行融合，得到融合特征图；
其中，是指融合后第i层特征图的感受野，Ri是指第i层特征图的感受野，Rj是指第j层特征图的感受野，cj是比例因子，是指在第j层特征图中被抽取的通道数，Cj是指第j层特征图通道总数。
17.一种电子设备，其特征在于，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行权利要求1-8任一项所述的目标检测方法。
18.一种计算机可读存储介质，其特征在于，包括与电子设备结合使用的程序，程序可被处理器执行以完成权利要求1-8任一项所述的目标检测方法。
CN201810581085.5A 2018-06-07 2018-06-07 一种目标检测方法、装置及设备 Active CN109034183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810581085.5A CN109034183B (zh) 2018-06-07 2018-06-07 一种目标检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810581085.5A CN109034183B (zh) 2018-06-07 2018-06-07 一种目标检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN109034183A true CN109034183A (zh) 2018-12-18
CN109034183B CN109034183B (zh) 2021-05-18

Family

ID=64612144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810581085.5A Active CN109034183B (zh) 2018-06-07 2018-06-07 一种目标检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN109034183B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829909A (zh) * 2019-01-31 2019-05-31 深兰科技（上海）有限公司 一种目标检测方法、装置及存储介质
CN110008951A (zh) * 2019-03-14 2019-07-12 深兰科技（上海）有限公司 一种目标检测方法及装置
CN110930385A (zh) * 2019-11-20 2020-03-27 北京推想科技有限公司 乳房肿块检测定位方法和装置
CN111178202A (zh) * 2019-12-20 2020-05-19 西安天和防务技术股份有限公司 目标检测方法、装置、计算机设备和存储介质
CN111414969A (zh) * 2020-03-26 2020-07-14 西安交通大学 一种雾天环境下的烟检测方法
CN112052935A (zh) * 2019-06-06 2020-12-08 奇景光电股份有限公司 卷积神经网络系统
CN112307976A (zh) * 2020-10-30 2021-02-02 北京百度网讯科技有限公司 目标检测方法、装置、电子设备以及存储介质
CN112989992A (zh) * 2021-03-09 2021-06-18 北京百度网讯科技有限公司 目标检测方法、装置、路侧设备和云控平台
TWI746987B (zh) * 2019-05-29 2021-11-21 奇景光電股份有限公司 卷積神經網路系統

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341517A (zh) * 2017-07-07 2017-11-10 哈尔滨工业大学 一种基于深度学习层级间特征融合的多尺度小物体检测方法
CN107563381A (zh) * 2017-09-12 2018-01-09 国家新闻出版广电总局广播科学研究院 基于全卷积网络的多特征融合的目标检测方法
CN107578436A (zh) * 2017-08-02 2018-01-12 南京邮电大学 一种基于全卷积神经网络fcn的单目图像深度估计方法
CN107622244A (zh) * 2017-09-25 2018-01-23 华中科技大学 一种基于深度图的室内场景精细化解析方法
US20180032846A1 (en) * 2016-08-01 2018-02-01 Nvidia Corporation Fusing multilayer and multimodal deep neural networks for video classification
CN107665491A (zh) * 2017-10-10 2018-02-06 清华大学 病理图像的识别方法及系统
CN107729819A (zh) * 2017-09-22 2018-02-23 华中科技大学 一种基于稀疏全卷积神经网络的人脸标注方法
CN107886117A (zh) * 2017-10-30 2018-04-06 国家新闻出版广电总局广播科学研究院 基于多特征提取和多任务融合的目标检测算法
CN108053410A (zh) * 2017-12-11 2018-05-18 厦门美图之家科技有限公司 运动目标分割方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180032846A1 (en) * 2016-08-01 2018-02-01 Nvidia Corporation Fusing multilayer and multimodal deep neural networks for video classification
CN107341517A (zh) * 2017-07-07 2017-11-10 哈尔滨工业大学 一种基于深度学习层级间特征融合的多尺度小物体检测方法
CN107578436A (zh) * 2017-08-02 2018-01-12 南京邮电大学 一种基于全卷积神经网络fcn的单目图像深度估计方法
CN107563381A (zh) * 2017-09-12 2018-01-09 国家新闻出版广电总局广播科学研究院 基于全卷积网络的多特征融合的目标检测方法
CN107729819A (zh) * 2017-09-22 2018-02-23 华中科技大学 一种基于稀疏全卷积神经网络的人脸标注方法
CN107622244A (zh) * 2017-09-25 2018-01-23 华中科技大学 一种基于深度图的室内场景精细化解析方法
CN107665491A (zh) * 2017-10-10 2018-02-06 清华大学 病理图像的识别方法及系统
CN107886117A (zh) * 2017-10-30 2018-04-06 国家新闻出版广电总局广播科学研究院 基于多特征提取和多任务融合的目标检测算法
CN108053410A (zh) * 2017-12-11 2018-05-18 厦门美图之家科技有限公司 运动目标分割方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENG YANG FU等: ""DSSD : Deconvolutional Single Shot Detector"", 《HTTPS://ARXIV.ORG/PDF/1701.06659.PDF》 *
SANGHYUN WOO等: ""Stairnet: Top-down semantic aggregation for accurate one shot detection"", 《HTTPS://ARXIV.ORG/ABS/1709.05788.PDF》 *
WENJIE LUO等: ""Understanding the Effective Receptive Field in Deep Convolutional Neural Networks"", 《HTTPS://ARXIV.ORG/ABS/1701.04128.PDF》 *
辛鹏等: ""全卷积网络多层特征融合的飞机快速检测"", 《光学学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829909A (zh) * 2019-01-31 2019-05-31 深兰科技（上海）有限公司 一种目标检测方法、装置及存储介质
CN109829909B (zh) * 2019-01-31 2021-06-29 深兰科技（上海）有限公司 一种目标检测方法、装置及存储介质
CN110008951B (zh) * 2019-03-14 2020-12-15 深兰科技（上海）有限公司 一种目标检测方法及装置
CN110008951A (zh) * 2019-03-14 2019-07-12 深兰科技（上海）有限公司 一种目标检测方法及装置
TWI746987B (zh) * 2019-05-29 2021-11-21 奇景光電股份有限公司 卷積神經網路系統
CN112052935A (zh) * 2019-06-06 2020-12-08 奇景光电股份有限公司 卷积神经网络系统
CN110930385A (zh) * 2019-11-20 2020-03-27 北京推想科技有限公司 乳房肿块检测定位方法和装置
CN111178202A (zh) * 2019-12-20 2020-05-19 西安天和防务技术股份有限公司 目标检测方法、装置、计算机设备和存储介质
CN111178202B (zh) * 2019-12-20 2024-03-22 西安天和防务技术股份有限公司 目标检测方法、装置、计算机设备和存储介质
CN111414969A (zh) * 2020-03-26 2020-07-14 西安交通大学 一种雾天环境下的烟检测方法
CN112307976A (zh) * 2020-10-30 2021-02-02 北京百度网讯科技有限公司 目标检测方法、装置、电子设备以及存储介质
CN112989992A (zh) * 2021-03-09 2021-06-18 北京百度网讯科技有限公司 目标检测方法、装置、路侧设备和云控平台
CN112989992B (zh) * 2021-03-09 2023-12-15 阿波罗智联(北京)科技有限公司 目标检测方法、装置、路侧设备和云控平台

Also Published As

Publication number Publication date
CN109034183B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN109034183A (zh) 一种目标检测方法、装置及设备
TWI701588B (zh) 詞向量處理方法、裝置以及設備
CN113095124B (zh) 一种人脸活体检测方法、装置以及电子设备
CN108345580A (zh) 一种词向量处理方法及装置
CN110348462A (zh) 一种图像特征确定、视觉问答方法、装置、设备及介质
CN109389038A (zh) 一种信息的检测方法、装置及设备
CN108460389A (zh) 一种识别图像中对象的类型预测方法、装置及电子设备
CN107274442A (zh) 一种图像识别方法和装置
TWI689831B (zh) 詞向量產生方法、裝置以及設備
CN110019903A (zh) 图像处理引擎组件的生成方法、搜索方法及终端、系统
CN110084299B (zh) 基于多头融合注意力的目标检测方法和装置
CN108665277A (zh) 一种信息处理方法及装置
CN107516105A (zh) 图像处理方法及装置
CN108921190A (zh) 一种图像分类方法、装置及电子设备
CN110119860A (zh) 一种垃圾账号检测方法、装置以及设备
CN109615171A (zh) 特征阈值确定方法及装置、问题对象确定方法及装置
CN110414572A (zh) 一种图像识别的方法及装置
CN116757278B (zh) 一种预测模型的训练方法、装置、存储介质及电子设备
CN110119381A (zh) 一种索引更新方法、装置、设备及介质
CN108804563A (zh) 一种数据标注方法、装置以及设备
CN117409466A (zh) 一种基于多标签控制的三维动态表情生成方法及装置
CN110443007A (zh) 一种多媒体数据的溯源检测方法、装置及设备
CN116805393A (zh) 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统
CN115131570B (zh) 图像特征提取模型的训练方法、图像检索方法及相关设备
CN110457430A (zh) 一种文本的溯源检测方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20210426

Address after: 215123 unit 2-b702, creative industry park, No. 328, Xinghu street, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant after: SUZHOU FEISOU TECHNOLOGY Co.,Ltd.

Address before: 100876 Beijing, Haidian District, 10 West Road, Beijing, 12 Beijing, North Post Science and technology exchange center, room 1216

Applicant before: BEIJING FEISOU TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant