CN114627354A - 目标检测方法、装置、存储介质与电子设备 - Google Patents

Abstract

本公开提供了一种目标检测方法、目标检测装置、计算机可读存储介质与电子设备，涉及计算机视觉技术领域。该目标检测方法包括：将图像输入图像标题生成模型中，生成词级注意力图；对所述图像进行块融合处理，得到不同尺度下的多个特征图；将所述特征图与所述词级注意力图进行融合，以从图像中检测出目标对象。本公开提高了目标检测的准确性。

Description

目标检测方法、装置、存储介质与电子设备

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种目标检测方法、目标检测装置、计算机可读存储介质与电子设备。

背景技术

图像的目标检测是指从图像中提取视觉器官感兴趣的目标对象。其在图像处理和计算机视觉领域得到了广泛应用，例如，图像检索、图像分割、图像分类和目标识别等。

现有的显著性目标检测中，往往只有单人标记，具有极大的主观性。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种目标检测方法、目标检测装置、计算机可读存储介质与电子设备，进而至少在一定程度上改善由单人标记带来的主观性极大的问题。

根据本公开的第一方面，提供一种目标检测方法，包括：将图像输入图像标题生成模型中，生成词级注意力图；对所述图像进行块融合处理，得到不同尺度下的多个特征图；将所述特征图与所述词级注意力图进行融合，以从图像中检测出目标对象。

根据本公开的第二方面，提供一种目标检测装置，所述装置包括：注意力图生成模块，用于将图像输入图像标题生成模型中，生成词级注意力图；特征图生成模块，用于对所述图像进行块融合处理，得到不同尺度下的多个特征图；目标对象确定模块，用于将所述特征图与所述词级注意力图进行融合，以从图像中检测出目标对象。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的目标检测方法及其可能的实施方式。

根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面的目标检测方法及其可能的实施方式。

本公开的技术方案具有以下有益效果：

一方面，通过将图像输入图像标题生成模型中，可以基于图像标题来得到词级注意力图，由于图像标题通常由多个人的描述组成，有助于减少单人标记的偏差。另一方面，通过对图像进行块融合处理，得到不同尺度下的特征图，将特征图与词级注意力图进行融合，有助于更好地发现对象与对象之间、对象与环境之间的显著性关系，有利于准确检测出目标对象。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，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的附图。

图1示出本示例性实施方式中一种目标检测方法及装置的示例性应用环境的系统架构的示意图；

图2示出本示例性实施方式中一种电子设备的计算机系统的结构示意图；

图3示出本示例性实施方式中目标检测方法的流程图；

图4示出本示例性实施方式中一种目标检测结构示意图；

图5示出本示例性实施方式的一种目标检测装置的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，下面所有的术语“第一”、“第二”仅是为了区分的目的，不应作为本公开内容的限制。

图1示出了可以应用本公开实施例的一种目标检测方法及装置的示例性应用环境的系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102中的一个或多个，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。终端设备101、102可以是具有显示屏的各种电子设备，终端设备101、102的显示屏上可以呈现由服务器104所获得的空间装饰效果图。

终端设备101、102包括但不限于便携式计算机、智能手机、平板电脑、AR(Augmented Reality，增强现实)眼镜、AR头盔等能够实现AR处理及AR显示功能的设备。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器104可以是多个服务器组成的服务器集群等。

下面描述的目标检测方法的各个步骤可以应用于服务器104，也可以应用于终端设备101、102。

图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。本公开示例性实施方式中终端设备101、102和服务器104中至少服务器104可以被配置为图2的形式。需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM203中，还存储有系统操作所需的各种程序和数据。CPU201、ROM202以及RAM203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。

以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。

特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的方法和装置中限定的各种功能。在一些实施例中，计算机系统200还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

本公开实施例提供了一种目标检测方法，以下将对本公开实施例的技术方案进行详细阐述：

本示例性实施方式中所提供的目标检测方法，主要针对的是一种SOD(SalientObject Detection，显著性目标检测)。

下面结合图3对本公开示例性实施方式的目标检测方法进行具体说明。如图3所示，该目标检测方法可以包括：

步骤S310，将图像输入图像标题生成模型中，生成词级注意力图；

步骤S320，对图像进行块融合处理，得到不同尺度下的多个特征图；

步骤S330，将特征图与词级注意力图进行融合，以从图像中检测出目标对象。

该目标检测方法实现了以下技术效果：一方面，通过将图像输入图像标题生成模型中，可以基于图像标题来得到词级注意力图，由于图像标题通常由多个人的描述组成，有助于减少单人标记的偏差。另一方面，通过对图像进行块融合处理，得到不同尺度下的特征图，将特征图与词级注意力图进行融合，有助于更好地发现对象与对象之间、对象与环境之间的显著性关系，有利于准确检测出目标对象。

下面分别对每个步骤的实现过程进行具体说明：

在步骤S310中，将图像输入图像标题生成模型中，生成词级注意力图。

本示例性实施方式提供的目标检测方法，主要是通过两个分支来完成显著性目标检测，其中一个分支是语义蒸馏指导分支(Semantically Distilled Guidance，SDG)，另一个分支是基于特征金字塔Transformer的显著性目标检测分支(Pyramid VisionTransformer based Salient Object Detection，PVT-SOD)，其中的SDG就是本公开实施例中的图像标题生成模型，是一种语义蒸馏模型。

通过训练SDG，并将图像输入SDG之后，会从图像中获取图像标题，并生成图像标题中的各个词所对应的词级注意力图。参照图4所示的目标检测结构示意图可以看出，图像的标题为“A baseball player swinging at a ball during a game”。从该图像标题可以看出该标题有10个单词，这10个单词的每一个单词都对应有一张词级注意力图。并且，单词不同，所对应的词级注意力图也是不一样的，以便于进行目标的定位和检测。

在实际应用中，SDG可以是一个编码到解码(encoder-to-decoder)的网络结构，其中，encoder是基于ReaNet50构建的，decoder是基于Transformer构建的。

SDG以encoder编码的图像为输入，输出对应的图像标题和每个词所对应的词级注意力图，用于对PVT-SOD进行语义指导。其中，词级注意力图可以标记为M_j，j＝1,…,T。T为词的数量。

在步骤S320中，对图像进行块融合处理，得到不同尺度下的多个特征图。

针对PVT-SOD分支，目的是从输入的图像中提取出不同尺度下的多个特征图，包括低分辨率的粗略语义特征图和高分辨率的精细化语义特征图等。例如，输入分辨率为H×W×3的图像，将图像划分成若干个N×N×3的块patch，然后通过块融合patch merging的处理方法将每一个patch转化为1×1×C的向量，依次执行patch merging，最终逐步将特征图的分辨率从H/4×W/4×C降低到H/32×W/32×C，如图4所示的H/4×W/4×C、H/8×W/8×C、H/16×W/16×C和H/32×W/32×C总共4个不同分辨率的特征图，其中由patch merging合成的每一级特征图F_i都会被输入到Transformer中进行特征学习。

本公开示例性实施方式中，在将每一级特征图F_i输入到Transformer中进行特征学习之前，还需要进行步骤S330，将特征图与词级注意力图进行融合，以从图像中检测出目标对象。

具体的，可以是将多个特征图分别与词级注意力图进行融合，获得多个融合特征图；再将多个融合特征图进行融合，以获得目标对象，如图4中所示。

本公开示例性实施方式中，将多个特征图F_i分别与所述词级注意力图M_j进行融合，获得多个融合特征图

的过程，可以包括：将多个词级注意力图M_j进行特征求和，获得总注意力图；将所述总注意力图与特征图F_i进行逐元素点积，获得所述融合特征图

其中，将所述总注意力图与所述特征图F_i进行逐元素点积，获得所述融合特征图

可以包括：将所述总注意力图与所述特征图F_i进行逐元素点积之后，进行线性投影，获得投影特征；将所述投影特征与所述特征图F_i求和，获得所述融合特征图

如公式(1)所示。

公式(1)中，对于任意的i，先对T个词级注意力图M_j进行特征求和，得到总注意力图后，再对该总注意力图进行归一化，将归一化后的总注意力图与特征图F_i进行逐元素点积，再对点积后的结果进行线性投影ξ，获得投影特征后，与特征图F_i求和，实现残差连接，获得融合特征图

其中，线性投影层ξ可以促进特征之间的融合。

本公开示例性实施方式中，在获得融合特征图

之后，可以将多个所述融合特征图

进行融合，获得所述目标对象。具体可以包括：通过多层感知机层MLP层，将多个所述融合特征图

对齐到相同的特征维度；再通过全连接层FC层，拼接对齐的多个所述融合特征图

输出所述目标对象。其中，在FC层处理之前，可以将融合特征图

的分辨率调整到原始图像分辨率的1/4。

相比于CNN(Convolutional Neural Networks,卷积神经网络)，PVT-SOD可以产生一个适合于保持显著对象结构完整性的全局感受野，有个更好的全局感受野，模型可以更好地识别被遮挡、不规则或者超出图形边界的对象。在SOD分支上通过应用金字塔结构可以在多尺度上将视觉特征与其对应的图形标题特征进行有机融合，还可以减少大型特征图的计算，减少计算量。

本公开实施例提供的目标检测方法，一方面，通过利用图像标题中的词级注意力图，补偿了SOD像素级标签的单人统计偏差，弥补了SOD标注的主观性。另一方面，通过将词级注意力图注入到PVT-SOD中，实现一种语义指导，以便于更好地发现对象与对象之间、对象与环境之间的显著性关系，可以更准确地检测到显著性目标。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

本公开的示例性实施方式还提供一种目标检测装置。如图5所示，该目标检测装置500可以包括：

注意力图生成模块510，可以用于将图像输入图像标题生成模型中，生成词级注意力图；

特征图生成模块520，可以用于对所述图像进行块融合处理，得到不同尺度下的多个特征图；

目标对象确定模块530，可以用于将所述特征图与所述词级注意力图进行融合，以从图像中检测出目标对象。

在本公开的一种示例性实施方式中，注意力图生成模块510被配置为用于从所述图像中获取图像标题，通过所述图像标题生成模型确定所述图像标题中的所述词级注意力图。

在本公开的一种示例性实施方式中，特征图生成模块520被配置为用于将所述图像划分为多个块；将所述块转化为向量，以获得不同分辨率的多个所述特征图。

在本公开的一种示例性实施方式中，目标对象确定模块530被配置为用于将多个所述特征图分别与所述词级注意力图进行融合，获得多个融合特征图；将多个所述融合特征图进行融合，获得所述目标对象。

在本公开的一种示例性实施方式中，目标对象确定模块530被配置为用于将多个所述词级注意力图进行特征求和，获得总注意力图；将所述总注意力图与所述特征图进行逐元素点积，获得所述融合特征图。

在本公开的一种示例性实施方式中，目标对象确定模块530被配置为用于将所述总注意力图与所述特征图进行逐元素点积之后，进行线性投影，获得投影特征；将所述投影特征与所述特征图求和，获得所述融合特征图。

在本公开的一种示例性实施方式中，目标对象确定模块530被配置为用于通过多层感知机层，将多个所述融合特征图对齐到相同的特征维度；通过全连接层，拼接对齐的多个所述融合特征图，输出所述目标对象。

上述装置中各部分的具体细节在方法部分实施方式中已经详细说明，因而不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。

Claims (10)

1.一种目标检测方法，其特征在于，包括：

将图像输入图像标题生成模型中，生成词级注意力图；

对所述图像进行块融合处理，得到不同尺度下的多个特征图；

将所述特征图与所述词级注意力图进行融合，以从图像中检测出目标对象。

2.根据权利要求1所述的目标检测方法，其特征在于，所述将图像输入图像标题生成模型中，生成词级注意力图，包括：

从所述图像中获取图像标题，通过所述图像标题生成模型确定所述图像标题中的所述词级注意力图。

3.根据权利要求1所述的目标检测方法，其特征在于，所述对所述图像进行块融合处理，得到不同尺度下的多个特征图，包括：

将所述图像划分为多个块；

将所述块转化为向量，以获得不同分辨率的多个所述特征图。

4.根据权利要求1所述的目标检测方法，其特征在于，所述将所述特征图与所述词级注意力图进行融合，以从图像中检测出目标对象，包括：

将多个所述特征图分别与所述词级注意力图进行融合，获得多个融合特征图；

将多个所述融合特征图进行融合，获得所述目标对象。

5.根据权利要求4所述的目标检测方法，其特征在于，所述将多个所述特征图分别与所述词级注意力图进行融合，获得多个融合特征图，包括：

将多个所述词级注意力图进行特征求和，获得总注意力图；

将所述总注意力图与所述特征图进行逐元素点积，获得所述融合特征图。

6.根据权利要求5所述的目标检测方法，其特征在于，所述将所述总注意力图与所述特征图进行逐元素点积，获得所述融合特征图，包括：

将所述总注意力图与所述特征图进行逐元素点积之后，进行线性投影，获得投影特征；

将所述投影特征与所述特征图求和，获得所述融合特征图。

7.根据权利要求4至6中任一项所述的目标检测方法，其特征在于，所述将多个所述融合特征图进行融合，获得所述目标对象，包括：

通过多层感知机层，将多个所述融合特征图对齐到相同的特征维度；

通过全连接层，拼接对齐的多个所述融合特征图，输出所述目标对象。

8.一种目标检测装置，其特征在于，所述装置包括：

注意力图生成模块，用于将图像输入图像标题生成模型中，生成词级注意力图；

特征图生成模块，用于对所述图像进行块融合处理，得到不同尺度下的多个特征图；

目标对象确定模块，用于将所述特征图与所述词级注意力图进行融合，以从图像中检测出目标对象。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的目标检测方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的目标检测方法。

Images