CN112598070B - 目标检测方法、装置、电子设备及存储介质 - Google Patents
目标检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112598070B CN112598070B CN202011574454.1A CN202011574454A CN112598070B CN 112598070 B CN112598070 B CN 112598070B CN 202011574454 A CN202011574454 A CN 202011574454A CN 112598070 B CN112598070 B CN 112598070B
- Authority
- CN
- China
- Prior art keywords
- target object
- image
- thermodynamic diagram
- network model
- detected
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种目标检测方法、装置、电子设备及存储介质,目标检测方法包括:获取待检测图像及目标对象图像;输入所述待检测图像至预设的骨干网络模型,得到对应的特征图,并输入所述目标对象图像至所述预设的骨干网络模型,得到对应的特征向量;逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图;根据所述热力图,聚类得到目标对象的轮廓;根据所述目标对象的轮廓,检测得到所述待检测图像中目标对象的检测框。本申请目标检测方法、装置、电子设备及存储介质,可以大大地减少用于目标检测的训练样本,节省大量的人力物力,便于目标检测的进行,并且,可用于对未见过的类别进行识别、检测。
Description
技术领域
本申请涉及目标检测技术领域,具体而言,涉及一种目标检测方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的不断发展,越来越多的图像相关任务使用卷积神经网络进行处理。目前,卷积神经网络需要大量的训练数据进行训练,而训练数据一般为经过人工标注的图像,例如,在进行目标检测任务时,一般需要由人工在图像上标注出目标物体的二维坐标及其在二维图像上的大小,而图像标注任务通常需要耗费大量的人力物力,并且,对于一些特定专业领域的图片(例如,医疗影像等等)还需要专业人员进行标注,此为目标检测带来了较大的不便,并且,现有的此种目标检测方式也无法对训练中未见过的类别进行识别、检测。
发明内容
本申请实施例的目的在于提供一种目标检测方法、装置、电子设备及存储介质,可以大大地减少用于目标检测的训练样本,节省大量的人力物力,便于目标检测的进行,并且,可用于对未见过的类别进行识别、检测。
第一方面,本申请实施例提供了一种目标检测方法,包括:
获取待检测图像及目标对象图像;
输入所述待检测图像至预设的骨干网络模型,得到对应的特征图,并输入所述目标对象图像至所述预设的骨干网络模型,得到对应的特征向量;
逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图;
根据所述热力图,聚类得到目标对象的轮廓;
根据所述目标对象的轮廓,检测得到所述待检测图像中目标对象的检测框。
在上述实现过程中,本申请实施例的目标检测方法,通过输入获取的待检测图像及目标对象图像至预设的骨干网络模型,得到对应的特征图及特征向量;再逐点比较特征图与特征向量的相似性得到对应的热力图,并根据热力图聚类得到目标对象的轮廓;进而再根据目标对象的轮廓,检测得到待检测图像中目标对象的检测框,此种方式无需大量的训练样本,可以大大地减少用于目标检测的训练样本,节省大量的人力物力,便于目标检测的进行,并且,目标检测的准确率也较高;同时,也可用于对未见过的类别进行识别、检测。
进一步地,所述逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图,包括:
基于特征之间的欧式距离或余弦距离,逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图。
在上述实现过程中,该方法通过特征之间的欧式距离或余弦距离,逐点比较特征图与特征向量的相似性,可以较好地得到对应的热力图,进而可以较好地得到目标对象的轮廓,以较为便于检测得到待检测图像中目标对象的检测框。
进一步地,所述根据所述目标对象的轮廓,检测得到所述待检测图像中目标对象的检测框,包括:
根据所述目标对象的轮廓,计算得到目标对象的坐标及目标对象的大小;
根据所述目标对象的坐标及所述目标对象的大小,检测得到所述待检测图像中目标对象的检测框。
在上述实现过程中,该方法通过目标对象的轮廓计算得到目标对象的坐标及目标对象的大小,检测得到待检测图像中目标对象的检测框的方式,可以较为准确地检测得到待检测图像中目标对象的检测框。
进一步地,在所述逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图之后,所述方法还包括:
获取目标对象的实际热力图;
根据所述热力图及所述目标对象的实际热力图,计算得到对应的交叉熵,并以所述交叉熵作为所述预设的骨干网络模型的损失函数;
基于所述损失函数,更新所述预设的骨干网络模型的参数。
在上述实现过程中,该方法还通过热力图及目标对象的实际热力图计算得到对应的交叉熵,以交叉熵作为预设的骨干网络模型的损失函数,并更新了预设的骨干网络模型的参数,可以使得本申请实施例的目标检测方法在后续对同一目标对象的目标检测的效果更佳。
进一步地,所述基于所述损失函数,更新所述预设的骨干网络模型的参数,包括:
通过反向传播,计算得到所述损失函数的梯度;
以所述损失函数的梯度,更新所述预设的骨干网络模型的参数。
在上述实现过程中,该方法通过反向传播计算得到损失函数的梯度,并以损失函数的梯度更新预设的骨干网络模型的参数,可以较好地对预设的骨干网络模型的参数进行更新。
第二方面,本申请实施例提供了一种目标检测装置,包括:
获取模块,用于获取待检测图像及目标对象图像;
特征提取模块,用于输入所述待检测图像至预设的骨干网络模型,得到对应的特征图,并输入所述目标对象图像至所述预设的骨干网络模型,得到对应的特征向量;
处理模块,用于逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图;
聚类模块,用于根据所述热力图,聚类得到目标对象的轮廓;
检测模块,用于根据所述目标对象的轮廓,检测得到所述待检测图像中目标对象的检测框。
在上述实现过程中,本申请实施例的目标检测装置,通过输入获取的待检测图像及目标对象图像至预设的骨干网络模型,得到对应的特征图及特征向量;再逐点比较特征图与特征向量的相似性得到对应的热力图,并根据热力图聚类得到目标对象的轮廓;进而再根据目标对象的轮廓,检测得到待检测图像中目标对象的检测框,此种方式无需大量的训练样本,可以大大地减少用于目标检测的训练样本,节省大量的人力物力,便于目标检测的进行,并且,目标检测的准确率也较高;同时,也可用于对未见过的类别进行识别、检测。
进一步地,所述检测模块,具体用于:
根据所述目标对象的轮廓,计算得到目标对象的坐标及目标对象的大小;
根据所述目标对象的坐标及所述目标对象的大小,检测得到所述待检测图像中目标对象的检测框。
在上述实现过程中,该装置通过目标对象的轮廓计算得到目标对象的坐标及目标对象的大小,检测得到待检测图像中目标对象的检测框的方式,可以较为准确地检测得到待检测图像中目标对象的检测框。
进一步地,所述获取模块,还用于获取目标对象的实际热力图;
所述目标检测装置还包括:
计算模块,用于根据所述热力图及所述目标对象的实际热力图,计算得到对应的交叉熵,并以所述交叉熵作为所述预设的骨干网络模型的损失函数;
参数更新模块,用于基于所述损失函数,更新所述预设的骨干网络模型的参数。
在上述实现过程中,该装置还通过热力图及目标对象的实际热力图计算得到对应的交叉熵,以交叉熵作为预设的骨干网络模型的损失函数,并更新了预设的骨干网络模型的参数,可以使得本申请实施例的目标检测方法在后续对同一目标对象的目标检测的效果更佳。
第三方面,本申请实施例提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的目标检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的目标检测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例一提供的目标检测方法的第一流程示意图;
图2为本申请实施例一提供的步骤S150的流程示意图;
图3为本申请实施例一提供的目标检测方法的第二流程示意图;
图4为本申请实施例二提供的目标检测装置的第一结构框图;
图5为本申请实施例二提供的目标检测装置的第二结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在进行目标检测任务时,一般需要由人工在图像上标注出目标物体的二维坐标及其在二维图像上的大小,而图像标注任务通常需要耗费大量的人力物力,并且,对于一些特定专业领域的图片(例如,医疗影像等等)还需要专业人员进行标注,此为目标检测带来了较大的不便,并且,现有的此种目标检测方式也无法对训练中未见过的类别进行识别、检测。
针对上述现有技术中的问题,本申请提供了一种目标检测方法、装置、电子设备及存储介质,可以大大地减少用于目标检测的训练样本,节省大量的人力物力,便于目标检测的进行,并且,可用于对未见过的类别进行识别、检测。
实施例一
参见图1,图1为本申请实施例提供的目标检测方法的第一流程示意图。本申请实施例中下述的目标检测方法可应用于服务器。
本申请实施例的目标检测方法,包括如下步骤:
步骤S110,获取待检测图像及目标对象图像。
在本实施例中,待检测图像即需要进行目标检测的图像,待检测图像含有目标对象,待检测图像可以是单张。
目标对象图像即目标对象的图像,目标对象图像可以是单张。
步骤S120,输入待检测图像至预设的骨干网络模型,得到对应的特征图,并输入目标对象图像至所述预设的骨干网络模型,得到对应的特征向量。
在本实施例中,预设的骨干网络模型为预先训练好的骨干网络模型,预设的骨干网络模型可以使用resnet、vgg等网络结构。
步骤S130,逐点比较特征图与特征向量的相似性,得到对应的热力图。
步骤S140,根据热力图,聚类得到目标对象的轮廓。
在本实施例中,在根据热力图,聚类得到目标对象的轮廓时,可通过K-means聚类算法聚类得到目标对象的轮廓。
步骤S150,根据目标对象的轮廓,检测得到待检测图像中目标对象的检测框。
在本实施例中,通过热力图聚类得到目标对象的轮廓,再检测得到待检测图像中目标对象的检测框的方式,可以较为准确地检测得到待检测图像中目标对象的检测框。
本申请实施例的目标检测方法,通过输入获取的待检测图像及目标对象图像至预设的骨干网络模型,得到对应的特征图及特征向量;再逐点比较特征图与特征向量的相似性得到对应的热力图,并根据热力图聚类得到目标对象的轮廓;进而再根据目标对象的轮廓,检测得到待检测图像中目标对象的检测框,此种方式无需大量的训练样本,仅需待检测图像及目标对象图像,因而可以大大地减少用于目标检测的训练样本,节省大量的人力物力,便于目标检测的进行,并且,目标检测的准确率也较高;同时,也可用于对未见过的类别进行识别、检测。
作为一种可选的实施方式,本申请实施例的目标检测方法,在逐点比较特征图与特征向量的相似性,得到对应的热力图时,可:
基于特征之间的欧式距离或余弦距离,逐点比较特征图与特征向量的相似性,得到对应的热力图。
在上述过程中,该方法通过特征之间的欧式距离或余弦距离,逐点比较特征图与特征向量的相似性,可以较好地得到对应的热力图,进而可以较好地得到目标对象的轮廓,以较为便于检测得到待检测图像中目标对象的检测框。
为了可以较为准确地检测得到待检测图像中目标对象的检测框,本申请实施例提供一种可能的实施方式,参见图2,图2为本申请实施例提供的步骤S150的流程示意图,本申请实施例的目标检测方法,步骤S150,根据目标对象的轮廓,检测得到待检测图像中目标对象的检测框,可包括如下步骤:
步骤S151,根据目标对象的轮廓,计算得到目标对象的坐标及目标对象的大小;
步骤S152,根据目标对象的坐标及目标对象的大小,检测得到待检测图像中目标对象的检测框。
在上述过程中,该方法通过目标对象的轮廓计算得到目标对象的坐标及目标对象的大小,检测得到待检测图像中目标对象的检测框的方式,可以较为准确地检测得到待检测图像中目标对象的检测框。
为了可以使得本申请实施例的目标检测方法在后续对同一目标对象的目标检测的效果更佳,本申请实施例提供一种可能的实施方式,参见图3,图3为本申请实施例提供的目标检测方法的第二流程示意图,本申请实施例的目标检测方法,还可包括如下步骤:
步骤S160,获取目标对象的实际热力图;
步骤S170,根据上述热力图及目标对象的实际热力图,计算得到对应的交叉熵,并以交叉熵作为预设的骨干网络模型的损失函数;
步骤S180,基于损失函数,更新预设的骨干网络模型的参数。
可以理解地,步骤S160至步骤S180可在步骤S130之后执行,也可在步骤S150之后执行。
在上述过程中,该方法还通过热力图及目标对象的实际热力图计算得到对应的交叉熵,以交叉熵作为预设的骨干网络模型的损失函数,并更新了预设的骨干网络模型的参数,可以使得本申请实施例的目标检测方法在后续对同一目标对象的目标检测的效果更佳。
可选地,在基于损失函数,更新预设的骨干网络模型的参数时,可:
通过反向传播,计算得到损失函数的梯度;
以损失函数的梯度,更新预设的骨干网络模型的参数。
在上述过程中,该方法通过反向传播计算得到损失函数的梯度,并以损失函数的梯度更新预设的骨干网络模型的参数,可以较好地对预设的骨干网络模型的参数进行更新。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种目标检测装置。
参见图4,图4为本申请实施例提供的目标检测装置的第一结构框图。
本申请实施例的目标检测装置,包括:
获取模块210,用于获取待检测图像及目标对象图像;
特征提取模块220,用于输入待检测图像至预设的骨干网络模型,得到对应的特征图,并输入目标对象图像至所述预设的骨干网络模型,得到对应的特征向量;
处理模块230,用于逐点比较特征图与特征向量的相似性,得到对应的热力图;
聚类模块240,用于根据热力图,聚类得到目标对象的轮廓;
检测模块250,用于根据目标对象的轮廓,检测得到待检测图像中目标对象的检测框。
本申请实施例的目标检测装置,通过输入获取的待检测图像及目标对象图像至预设的骨干网络模型,得到对应的特征图及特征向量;再逐点比较特征图与特征向量的相似性得到对应的热力图,并根据热力图聚类得到目标对象的轮廓;进而再根据目标对象的轮廓,检测得到待检测图像中目标对象的检测框,此种方式无需大量的训练样本,可以大大地减少用于目标检测的训练样本,节省大量的人力物力,便于目标检测的进行,并且,目标检测的准确率也较高;同时,也可用于对未见过的类别进行识别、检测。
作为一种可选的实施方式,处理模块230,可具体用于:
基于特征之间的欧式距离或余弦距离,逐点比较特征图与特征向量的相似性,得到对应的热力图。
作为一种可选的实施方式,检测模块250,可具体用于:
根据目标对象的轮廓,计算得到目标对象的坐标及目标对象的大小;
根据目标对象的坐标及目标对象的大小,检测得到待检测图像中目标对象的检测框。
参见图5,图5为本申请实施例提供的目标检测装置的第二结构框图。
作为一种可选的实施方式,获取模块210,还可用于获取目标对象的实际热力图;
本申请实施例的目标检测装置,还可包括:
计算模块260,用于根据上述热力图及目标对象的实际热力图,计算得到对应的交叉熵,并以交叉熵作为预设的骨干网络模型的损失函数;
参数更新模块270,用于基于损失函数,更新预设的骨干网络模型的参数。
可选地,参数更新模块270在基于损失函数,更新预设的骨干网络模型的参数时,可:
通过反向传播,计算得到损失函数的梯度;
以损失函数的梯度,更新预设的骨干网络模型的参数。
上述的目标检测装置可实施上述实施例一的目标检测方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的目标检测方法。
可选地,上述电子设备可以是服务器。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的目标检测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
Claims (7)
1.一种目标检测方法,其特征在于,包括:
获取待检测图像及目标对象图像;
输入所述待检测图像至预设的骨干网络模型,得到对应的特征图,并输入所述目标对象图像至所述预设的骨干网络模型,得到对应的特征向量;
逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图;
根据所述热力图,聚类得到目标对象的轮廓;
根据所述目标对象的轮廓,检测得到所述待检测图像中目标对象的检测框;
所述逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图,包括:
基于特征之间的欧式距离或余弦距离,逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图;
所述根据所述目标对象的轮廓,检测得到所述待检测图像中目标对象的检测框,包括:
根据所述目标对象的轮廓,计算得到目标对象的坐标及目标对象的大小;
根据所述目标对象的坐标及所述目标对象的大小,检测得到所述待检测图像中目标对象的检测框。
2.根据权利要求1所述的目标检测方法,其特征在于,在所述逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图之后,所述方法还包括:
获取目标对象的实际热力图;
根据所述热力图及所述目标对象的实际热力图,计算得到对应的交叉熵,并以所述交叉熵作为所述预设的骨干网络模型的损失函数;
基于所述损失函数,更新所述预设的骨干网络模型的参数。
3.根据权利要求2所述的目标检测方法,其特征在于,所述基于所述损失函数,更新所述预设的骨干网络模型的参数,包括:
通过反向传播,计算得到所述损失函数的梯度;
以所述损失函数的梯度,更新所述预设的骨干网络模型的参数。
4.一种目标检测装置,其特征在于,包括:
获取模块,用于获取待检测图像及目标对象图像;
特征提取模块,用于输入所述待检测图像至预设的骨干网络模型,得到对应的特征图,并输入所述目标对象图像至所述预设的骨干网络模型,得到对应的特征向量;
处理模块,用于逐点比较所述特征图与所述特征向量的相似性,得到对应的热力图;
聚类模块,用于根据所述热力图,聚类得到目标对象的轮廓;
检测模块,用于根据所述目标对象的轮廓,检测得到所述待检测图像中目标对象的检测框;
所述检测模块,具体用于:
根据所述目标对象的轮廓,计算得到目标对象的坐标及目标对象的大小;
根据所述目标对象的坐标及所述目标对象的大小,检测得到所述待检测图像中目标对象的检测框;
所述检测模块,还具体用于:
根据目标对象的轮廓,计算得到目标对象的坐标及目标对象的大小;
根据目标对象的坐标及目标对象的大小,检测得到待检测图像中目标对象的检测框。
5.根据权利要求4所述的目标检测装置,其特征在于,所述获取模块,还用于获取目标对象的实际热力图;
所述目标检测装置还包括:
计算模块,用于根据所述热力图及所述目标对象的实际热力图,计算得到对应的交叉熵,并以所述交叉熵作为所述预设的骨干网络模型的损失函数;
参数更新模块,用于基于所述损失函数,更新所述预设的骨干网络模型的参数。
6.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至3中任一项所述的目标检测方法。
7.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011574454.1A CN112598070B (zh) | 2020-12-25 | 2020-12-25 | 目标检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011574454.1A CN112598070B (zh) | 2020-12-25 | 2020-12-25 | 目标检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598070A CN112598070A (zh) | 2021-04-02 |
CN112598070B true CN112598070B (zh) | 2023-07-28 |
Family
ID=75203416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011574454.1A Active CN112598070B (zh) | 2020-12-25 | 2020-12-25 | 目标检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598070B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861600B (zh) * | 2022-12-20 | 2023-09-05 | 西北民族大学 | 一种spect图像的roi区域识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108628926A (zh) * | 2017-03-20 | 2018-10-09 | 奥多比公司 | 用于致密图像的题目关联和加标记 |
CN111539456A (zh) * | 2020-04-02 | 2020-08-14 | 浙江华睿科技有限公司 | 一种目标识别方法及设备 |
CN111652034A (zh) * | 2019-12-27 | 2020-09-11 | 珠海大横琴科技发展有限公司 | 一种基于sift算法的船只检索方法及装置 |
CN111723776A (zh) * | 2020-07-03 | 2020-09-29 | 厦门美图之家科技有限公司 | 人体外轮廓点检测方法、装置、电子设备和可读存储介质 |
CN111898642A (zh) * | 2020-06-30 | 2020-11-06 | 北京市商汤科技开发有限公司 | 关键点检测方法、装置、电子设备及存储介质 |
CN111931764A (zh) * | 2020-06-30 | 2020-11-13 | 华为技术有限公司 | 一种目标检测方法、目标检测框架及相关设备 |
-
2020
- 2020-12-25 CN CN202011574454.1A patent/CN112598070B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108628926A (zh) * | 2017-03-20 | 2018-10-09 | 奥多比公司 | 用于致密图像的题目关联和加标记 |
CN111652034A (zh) * | 2019-12-27 | 2020-09-11 | 珠海大横琴科技发展有限公司 | 一种基于sift算法的船只检索方法及装置 |
CN111539456A (zh) * | 2020-04-02 | 2020-08-14 | 浙江华睿科技有限公司 | 一种目标识别方法及设备 |
CN111898642A (zh) * | 2020-06-30 | 2020-11-06 | 北京市商汤科技开发有限公司 | 关键点检测方法、装置、电子设备及存储介质 |
CN111931764A (zh) * | 2020-06-30 | 2020-11-13 | 华为技术有限公司 | 一种目标检测方法、目标检测框架及相关设备 |
CN111723776A (zh) * | 2020-07-03 | 2020-09-29 | 厦门美图之家科技有限公司 | 人体外轮廓点检测方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112598070A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460338B (zh) | 人体姿态估计方法和装置、电子设备、存储介质、程序 | |
CN108090470B (zh) | 一种人脸对齐方法及装置 | |
JP5766620B2 (ja) | 物体領域検出装置、方法、及びプログラム | |
CN114494260B (zh) | 对象缺陷检测方法、装置、计算机设备和存储介质 | |
CN108985190B (zh) | 目标识别方法和装置、电子设备、存储介质 | |
CN107423306B (zh) | 一种图像检索方法及装置 | |
CN109426831B (zh) | 图片相似匹配及模型训练的方法、装置及计算机设备 | |
CN109376783B (zh) | 机器人自适应地形分类方法、系统与计算机可读存储介质 | |
CN113095333B (zh) | 无监督特征点检测方法及装置 | |
CN113223013B (zh) | 一种肺血管分段定位的方法、装置、设备及存储介质 | |
CN110648289A (zh) | 图像的加噪处理方法及装置 | |
CN112598070B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
Guo et al. | Image matching using structural similarity and geometric constraint approaches on remote sensing images | |
CN111862040B (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
US20160005142A1 (en) | Information Processing Method And Device | |
CN110942090A (zh) | 模型训练、图像处理方法、装置、电子设备及存储介质 | |
CN108876776B (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
CN113229807A (zh) | 人体康复评估装置、方法、电子设备及存储介质 | |
CN110413869B (zh) | 用于推送信息的方法和装置 | |
CN112348808A (zh) | 屏幕透图检测方法及装置 | |
CN109035306B (zh) | 动目标自动检测方法及装置 | |
JP2015041293A (ja) | 画像認識装置および画像認識方法 | |
CN111127432A (zh) | 一种医学图像检测方法、装置、设备及存储介质 | |
CN113706580B (zh) | 一种基于相关滤波跟踪器的目标跟踪方法、系统、设备及介质 | |
CN111767959B (zh) | 毛绒纤维分类方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |