CN116152607A - 目标检测方法、训练目标检测模型的方法及装置 - Google Patents

Abstract

本公开提供了一种目标检测方法、训练目标检测模型方法及装置，涉及人工智能技术领域，尤其涉及增强现实、虚拟现实、计算机视觉、深度学习等技术领域，可应用于智慧城市等场景。实现方案为：获取包括目标对象的图像数据，以及与目标对象的目标类别对应的目标类别特征，其中，目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；基于目标类别特征，对目标对象的目标类别进行预测，以得到预测类别以及与预测类别对应的预测类别特征；基于预测类别特征与目标类别特征之间的相似度，确定预测类别与目标类别的一致性；以及根据预测类别与目标类别的一致性，将预测类别作为对目标对象进行目标检测的结果。

Description

目标检测方法、训练目标检测模型的方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及增强现实、虚拟现实、计算机视觉和深度学习等技术领域，可应用于智慧城市等场景，具体涉及一种目标检测方法及训练目标检测模型的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

在计算机视觉技术中，目标检测有着广泛的使用场景。诸如图像分割、物体追踪、关键点检测等通常都依赖于目标检测。目标检测一般通过经训练的目标检测模型来实现。在目标检测模型的训练中，需要对训练用的图像数据进行标注。标注过程一般通过人工实现，例如人工地将待检测目标以检测框的方式标注出来。然而，实际应用中可能因为人力成本高等因素导致缺乏这种经标注的训练数据，因此对模型的训练造成了一定限制。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种目标检测的方法及训练目标检测模型的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种目标检测方法，包括：获取包括目标对象的图像数据，以及与目标对象的目标类别对应的目标类别特征，其中，目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；基于目标类别特征，对目标对象的目标类别进行预测，以得到预测类别以及与预测类别对应的预测类别特征；基于预测类别特征与目标类别特征之间的相似度，确定预测类别与目标类别的一致性；以及根据预测类别与目标类别的一致性，将预测类别作为对目标对象进行目标检测的结果。

根据本公开的另一方面，提供了一种训练目标检测模型的方法，包括：获取包括样本目标对象的样本图像数据，以及与样本目标对象的样本目标类别对应的样本目标类别特征，其中，样本目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；基于样本目标类别特征，对样本目标对象的样本目标类别进行预测，以得到样本预测类别以及与样本预测类别对应的样本预测类别特征；基于样本预测类别特征与样本目标类别特征之间的相似度，确定样本预测类别与样本目标类别的一致性；以及根据样本预测类别与样本目标类别的一致性，获得训练完成的目标检测模型。

根据本公开的另一方面，提供了一种目标检测装置，包括：获取模块，被配置为获取包括目标对象的图像数据，以及与目标对象的目标类别对应的目标类别特征，其中，目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；第一预测模块，被配置为基于目标类别特征，对目标对象的目标类别进行预测，以得到预测类别以及与预测类别对应的预测类别特征；第一确定模块，被配置为基于预测类别特征与目标类别特征之间的相似度，确定预测类别与目标类别的一致性；以及第一处理模块，被配置为根据预测类别与目标类别的一致性，将预测类别作为对目标对象进行目标检测的结果。

根据本公开的另一方面，提供了一种训练目标检测模型的装置，包括：样本获取模块，被配置为获取包括样本目标对象的样本图像数据，以及与样本目标对象的样本目标类别对应的样本目标类别特征，其中，样本目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；样本预测模块，被配置为基于样本目标类别特征，对样本目标对象的样本目标类别进行预测，以得到样本预测类别以及与样本预测类别对应的样本预测类别特征；样本确定模块，被配置为基于样本预测类别特征与样本目标类别特征之间的相似度，确定样本预测类别与样本目标类别的一致性；以及样本处理模块，被配置为根据样本预测类别与样本目标类别的一致性，获得训练完成的目标检测模型。

根据本公开的另一方面，提供了一种电子设备，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有能够被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开如上所提供的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开如上所提供的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开如上所提供的方法。

根据本公开的一个或多个实施例，可以在不需要对图像数据中的目标对象进行标注的情况下，引导目标检测模型针对该目标对象进行目标检测，减少对新增目标类别的标注环节，并提升目标检测方法的普适性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开实施例的一种目标检测方法的流程图；

图3示出了根据本公开实施例的另一种目标检测方法的流程图；

图4示出了根据本公开实施例的目标检测模型的结构示意图；

图5示出了根据本公开实施例的训练目标检测模型的方法的流程图；

图6为示出了根据本公开实施例的目标检测模型解码器的示意图；

图7示出了根据本公开一个实施例的目标检测装置的结构框图；

图8示出了根据本公开另一个实施例的目标检测装置的结构框图；

图9示出了根据本公开一个实施例的训练目标检测模型的装置的结构框图；

图10示出了根据本公开另一个实施例的训练目标检测模型的装置的结构框图；

图11示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在目标检测的相关技术中，为了保证目标检测模型的效果，往往需要对数据集中所有感兴趣类别的目标进行全标注。而在新增类别时，新数据中往往存在已有类别的目标，若对所有感兴趣目标都进行标注，标注成本很高，如果仅标注新类别，在训练过程中会给检测模型带来歧义。且原有数据集中可能也存在新类别，也需要进行补标，标注成本巨大。

通常会利用训练好的目标检测模型，对新数据进行预测，给已有类别的目标进行预标注，由此减少标注成本，预标注能减少一定的标注成本，但是仍然需要对预标注进行审核和修改，成本仍然很高。

针对上述技术问题，本公开提供了一种目标检测方法以及一种训练目标检测模型的方法。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行一种目标检测方法以及一种训练目标检测模型的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来进行目标检测以及训练目标检测模型。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。以下详细描述根据本公开实施例的目标检测方法。

图2示出了根据本公开实施例的一种目标检测方法200的流程图。如图2所示，方法200包括步骤S201、S202、S203和S204。

在步骤S201，获取包括目标对象的图像数据，以及与目标对象的目标类别对应的目标类别特征，其中，目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器。

在示例中，目标检测模型可以是DETR(Bidirectional Encoder Representationsfrom Transformer，基于transformer结构的双向编码器表征)模型，DETR模型包含基于Transformer结构的编码器和解码器，即Transformer编码器和Transformer解码器。目标类别特征可以被馈送至用于进行目标检测的DETR模型的Transformer解码器。

在示例中，目标对象的目标类别对应的目标类别特征可以是特征向量的形式。

在示例中，可以基于用于自然语言处理的神经网络或诸如CLIP(ContrastiveLanguage-Image Pretraining)的跨模态神经网络来提取目标对象的目标类别对应的目标类别特征。

在步骤S202，基于目标类别特征，对目标对象的目标类别进行预测，以得到预测类别以及与预测类别对应的预测类别特征。

在示例中，基于被馈送至用于进行目标检测的目标检测模型的解码器中的目标对象的目标类别对应的目标类别特征，对包括目标对象的图像数据中的目标对象的目标类别进行预测，可以得到预测类别以及与预测类别对应的预测类别特征。

在示例中，与预测类别对应的预测类别特征可以是特征向量的形式。

在步骤S203，基于预测类别特征与目标类别特征之间的相似度，确定预测类别与目标类别的一致性。

在示例中，将预测类别特征与目标类别特征之间进行相似度计算，当预测类别特征与目标类别特征之间的相似度大于或等于预设阈值时，确定预测类别与目标类别一致；当预测类别特征与目标类别特征之间的相似度小于预设阈值时，确定预测类别与目标类别不一致。

在步骤S204，根据预测类别与目标类别的一致性，将预测类别作为对目标对象进行目标检测的结果。

在示例中，当预测类别与目标类别一致时，预测类别就是目标类别，预测类别就可以作为对目标对象进行目标检测的结果。

根据本公开实施例的目标检测方法，通过将与目标对象的目标类别对应的目标类别特征馈送至用于进行目标检测的目标检测模型的解码器，可以在不需要对图像数据中的该目标对象进行标注的情况下，引导目标检测模型针对该目标对象进行目标检测。由此，针对任何新增的目标类别，可以减少对新增目标类别的标注环节，且可以更加方便的扩展目标检测的目标类别，从而在目标检测中减少标注成本并提升目标检测方法的普适性。

以下进一步描述根据本公开实施例的目标检测方法的各个方面。

根据一些实施例，目标类别特征在解码器中可以与目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

示例性的，DETR目标检测模型可以以固定数量的N个固有目标查询特征(一般也称为object query)为输入，每个查询特征通过网络自适应地从图像数据中采样像素点，并通过自注意力的方式进行查询特征之间的信息交互。最终，每个查询特征被用于单独预测一个检测框的位置和类别。在目标检测中，可以通过编码器-解码器的方式预测出固定数量的检测目标。

示例性的，目标类别特征与固有目标查询特征均可以是特征向量的形式，与目标对象的目标类别对应的目标类别特征在解码器中与目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

根据本公开的实施例，通过将目标类别特征与目标检测所使用的固有目标查询特征在解码器中拼接在一起作为新的目标查询特征而被使用，可以使新的目标查询特征中包含目标类别特征，从而使解码器在解码时可以更加有针对性，进而得到目标类别对应的预测类别。

根据一些实施例，在步骤S201中获取与目标对象的目标类别对应的目标类别特征可以包括：从图像数据中获取对应于目标对象的子图像数据；以及基于子图像数据，提取目标类别特征。

示例性的，在图像数据中包括多个对象时，当需要提取多个对象之中的目标对象的目标类别特征时，可以先从图像数据中获取对应于目标对象的子图像数据，并且可以基于子图像数据，提取目标对象对应的目标类别特征。例如，图像数据中包括“人”和“狗”两个对象，当“狗”作为目标对象时，可以从图像数据中获取对应于“狗”的子图像数据，并从对应于“狗”的子图像数据中提取“狗”的目标类别特征。

根据本公开的实施例，通过从图像数据中获取对应于目标对象的子图像数据，并基于子图像数据提取目标对象的目标类别特征，可以使目标类别特征的提取更加简单且准确。

图3示出了根据本公开实施例的另一种目标检测方法300的流程图，如图3所示，方法300可以包括步骤S301、S302、S303、S304、S305、S306和S307。步骤S301、S302、S303和S304可以与如图2所示的步骤S201、S202、S203和S204相对应，因而在此不再赘述其细节。

根据一些实施例，图像数据还可以包括其他对象，其他对象具有已知类别以及与已知类别对应的已知类别特征。

在步骤S305，对其他对象的已知类别进行预测，以得到预测的已知类别以及与预测的已知类别对应的预测的已知类别特征；

示例性的，图像数据中包括目标对象和其他对象，可以基于用于自然语言处理的神经网络或诸如CLIP的跨模态神经网络来提取其他对象的已知类别对应的已知类别特征。

示例性的，目标检测模型在进行目标检测时，会对其他对象的已知类别进行预测，以得到预测的已知类别以及与预测的已知类别对应的预测的已知类别特征。

在步骤S306，基于预测的已知类别特征与已知类别特征之间的相似度，确定预测的已知类别与已知类别的一致性。

示例性的，将预测类别特征与已知目标的目标类别特征之间进行相似度计算，当预测类别特征与已知类别特征之间的相似度大于或等于预设阈值时，确定预测类别与已知类别一致；当预测类别特征与已知类别特征之间的相似度小于预设阈值时，确定预测类别与已知类别不一致。

在步骤S307，根据预测的已知类别与已知类别的一致性，将预测的已知类别作为对已知对象进行目标检测的结果。

示例性的，当预测类别与已知类别一致时，预测类别就是已知类别，预测类别就可以作为对其他对象进行目标检测的结果。

根据本公开的实施例，通过对其他对象的已知类别进行预测，以得到预测的已知类别以及与预测的已知类别对应的预测的已知类别特征；基于预测的已知类别特征与已知类别特征之间的相似度，确定预测的已知类别与已知类别的一致性；以及根据预测的已知类别与已知类别的一致性，将预测的已知类别作为对其他对象进行目标检测的结果，可以使目标检测方法同时检测出目标类别和已知类别，从而使目标检测模型对部分标注理解更加准确。

图4示出了根据本公开实施例的目标检测模型的结构示意图。

如图4所示，目标检测模型包括卷积神经网络(Convolutional Neural Networks,CNN)404，位置嵌入405，基于Transformer结构的编码器和解码器，即Transformer编码器406和Transformer解码器407，输入解码器的固有目标查询特征409，以及由前馈神经网络(feedforward neural network，FNN)组成的预测层,预测层包括分支一410，分支二411和分支三412。

在下文中，将结合图4和图5描述训练目标检测模型的方法。

图5示出了根据本公开实施例的训练目标检测模型的方法500的流程图。

如图5所示，训练目标检测模型的方法500包括步骤S501、S502、S503和S504。

在步骤S501，获取包括样本目标对象的样本图像数据，以及与样本目标对象的样本目标类别对应的样本目标类别特征，其中，样本目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器。

示例性的，如图4所示，样本图像数据401可以是包含“人”和“狗”的图像数据，样本目标对象402可以是“狗”。可以通过CLIP 403来提取“狗”的目标类别对应的样本目标类别特征。“狗”的样本目标类别特征被馈送至Transformer解码器407。

在步骤S502，基于样本目标类别特征，对样本目标对象的样本目标类别进行预测，以得到样本预测类别以及与样本预测类别对应的样本预测类别特征。

示例性的，目标检测模型基于“狗”的样本目标类别特征，对“狗”进行预测，得到样本预测类别以及样本预测类别对应的样本预测类别特征。

在步骤S503，基于样本预测类别特征与样本目标类别特征之间的相似度，确定样本预测类别与样本目标类别的一致性。

如图4所示，在检测头部分，由3个FFN组成3个分支：分支一410负责对目标框进行回归，用L1损失与GIoU(Generalized Intersection over Union，广义的交并比)损失进行训练，得到目标检测对象的目标框；分支二411负责预测该输出框的类别与样本目标类别的一致性，用交叉熵损失进行训练，当该输出框的类别与样本目标类别一致时可以进行标记，例如用“1”进行标记；分支三412负责确定基于样本预测类别特征与样本目标类别特征之间的相似度，通过相似度计算得到样本预测类别，用交叉熵损失进行训练。

示例性的，将样本预测类别特征与“狗”的样本目标类别特征之间进行相似度计算，当样本预测类别特征与“狗”的样本目标类别特征之间的相似度大于等于阈值时，确定样本预测类别特征与“狗”的样本目标类别特征一致，当样本预测类别特征与“狗”的样本目标类别特征之间的相似度小于阈值时，确定样本预测类别特征与“狗”的样本目标类别特征不一致。

在步骤S504，根据样本预测类别与样本目标类别一致，获得训练完成的目标检测模型。

在示例中，当样本预测类别特征与“狗”的样本目标类别特征一致时，获得可以检测“狗”的目标检测模型。

根据本公开的实施例的训练目标检测模型的方法，通过将与样本目标对象的样本目标类别特征馈送至用于进行目标检测的目标检测模型的解码器，可以在不需要对样本图像数据中的该样本目标对象进行标注的情况下，引导目标检测模型针对该样本目标对象进行目标检测。由此，针对任何新增的样本目标类别，可以减少对新增样本目标类别的标注环节，且可以更加方便的扩展目标检测模型可以检测的目标类别，从而在目标检测中减少标注成本并提升目标检测模型的普适性。

图6为示出了根据本公开实施例的目标检测模型解码器的示意图。

如图6所示，解码器可以包括：自注意力模块(Multi-Head Self-Attention)606、交叉注意力模块(Multi-Head Cross-Attention)604、归一化层603以及归一化层605。归一化层603和归一化层605可以使用常见的多种实现方式。解码器的输入可以为固定数量的固有目标查询特征(object query)607，自注意力模块606对该固有目标查询特征607进行非密集的注意力处理，交叉注意力模块604对自注意力模块606处理后的固有目标查询特征607和来自于编码器601的特征进行注意力处理。

根据一些实施例，样本目标类别特征在解码器中与目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

示例性的，图6中的固有目标查询特征607可以为维度为N*d的向量。图6中样本目标类别特征602可以为维度为K*d的向量，其中K为样本目标对象的样本目标类别的数量。将样本目标类别特征602(K*d)与目标检测所使用的固有目标查询特征607(N*d)拼接在一起作为新的目标查询特征为(K+N)*d的向量。将新的目标查询特征为(K+N)*d作为值向量(V)和键向量(K)，固有目标查询特征N*d仍然为查询向量(Q)。

根据本公开实施例，通过样本目标类别特征在解码器中与目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用，可以使解码器在解码时更加有针对性，进而得到样本目标类别对应的预测类别。

根据一些实施例，如图5所示，步骤S501可以包括：从样本图像数据中获取对应于样本目标对象的子样本图像数据；以及基于子样本图像数据，提取与样本目标对象的样本目标类别对应的样本目标类别特征。

示例性的，当目标对象为“狗”时，如图6所示，从样本图像数据中可以获取对应于“狗”的子样本图像数据，然后通过CLIP模型提取与样本目标对象的样本目标类别对应的样本目标类别特征。

示例性的，对应于目标对象的子样本图像数据可以有多个。

根据本公开实施例，通过从样本图像数据中获取对应于样本目标对象的子样本图像数据，并基于子样本图像数据提取与样本目标对象的样本目标类别对应的样本目标类别特征，可以使样本目标类别特征的获取简单且准确。

根据本公开的另一方面，还提供了一种目标检测装置。

图7示出了根据本公开一个实施例的目标检测装置700的结构框图。

如图7所示，目标检测装置700包括获取模块710、第一预测模块720、第一确定模块730和第一处理模块740。

获取模块710被配置为获取包括目标对象的图像数据，以及与目标对象的目标类别对应的目标类别特征，其中，目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器。

第一预测模块720被配置为基于目标类别特征，对目标对象的目标类别进行预测，以得到预测类别以及与预测类别对应的预测类别特征。

第一确定模块730被配置为基于预测类别特征与目标类别特征之间的相似度，确定预测类别与目标类别的一致性。

第一处理模块740被配置为根据预测类别与目标类别的一致性，将预测类别作为对目标对象进行目标检测的结果。

由此，通过将与目标对象的目标类别对应的目标类别特征馈送至用于进行目标检测的目标检测模型的解码器，可以在不需要对图像数据中的该目标对象进行标注的情况下，引导目标检测模型针对该目标对象进行目标检测。由此，针对任何新增的目标类别，可以减少对新增目标类别的标注环节，且可以更加方便的扩展目标检测的目标类别，从而在目标检测中减少标注成本并提升目标检测方法的普适性。

根据一些实施例，目标类别特征在解码器中与目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

由此，通过将目标类别特征与目标检测所使用的固有目标查询特征在解码器中拼接在一起作为新的目标查询特征而被使用，可以使新的目标查询特征中包含目标类别特征，从而使解码器在解码时可以更加有针对性，进而得到目标类别对应的预测类别。

图8示出了根据本公开另一个实施例的目标检测装置800的结构框图。如图8所示，目标检测装置800包括获取模块810、第一预测模块820、第一确定模块830和第一处理模块840。获取模块810、第一预测模块820、第一确定模块830和第一处理模块840可以与图7所示的获取模块710、第一预测模块720、第一确定模块730和第一处理模块740相对应，因而在此不再赘述细节。

根据一些实施例，获取模块810可以包括：子图像获取模块811被配置为从图像数据中获取对应于目标对象的子图像数据；以及提取模块812被配置为基于子图像数据，提取目标类别特征。

由此，通过从图像数据中获取对应于目标对象的子图像数据，并基于子图像数据，提取目标对象的目标类别特征，可以使目标类别特征的提取更加简单且准确。

根据一些实施例，图像数据还可以包括其他对象，其他对象具有已知类别以及与已知类别对应的已知类别特征，其中，目标检测装置800还可以包括：

第二预测模块850被配置为对其他对象的已知类别进行预测，以得到预测的已知类别以及与预测的已知类别对应的预测的已知类别特征；第二确定模块860被配置为基于预测的已知类别特征与已知类别特征之间的相似度，确定预测的已知类别与已知类别的一致性；以及第二处理模块870被配置为根据预测的已知类别与已知类别的一致性，将预测的已知类别作为对其他对象进行目标检测的结果。

由此，通过对其他对象的已知类别进行预测，以得到预测的已知类别以及与预测的已知类别对应的预测的已知类别特征；基于预测的已知类别特征与已知类别特征之间的相似度，确定预测的已知类别与已知类别的一致性；以及根据预测的已知类别与已知类别的一致性，将预测的已知类别作为对其他对象进行目标检测的结果，可以使目标检测方法同时检测出目标类别和其他类别，从而使目标检测模型对部分标注理解更加准确。

根据本公开的另一方面，还提供了一种训练目标检测模型的装置。

图9示出了根据本公开一个实施例的训练目标检测模型的装置900的结构框图。

如图9所示，训练目标检测模型的装置900可以包括样本获取模块910、样本预测模块920、样本确定模块930和样本处理模块940。

样本获取模块910被配置为获取包括样本目标对象的样本图像数据，以及与样本目标对象的样本目标类别对应的样本目标类别特征，其中，样本目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器。

样本预测模块920被配置为基于样本目标类别特征，对样本目标对象的样本目标类别进行预测，以得到样本预测类别以及与样本预测类别对应的样本预测类别特征。

样本确定模块930被配置为基于样本预测类别特征与样本目标类别特征之间的相似度，确定样本预测类别与样本目标类别的一致性。

样本处理模块940被配置为根据样本预测类别与样本目标类别的一致性，获得训练完成的目标检测模型。

由此，通过将样本目标对象的样本目标类别特征馈送至用于进行目标检测的目标检测模型的解码器，可以在不需要对样本图像数据中的该样本目标对象进行标注的情况下，引导目标检测模型针对该样本目标对象进行目标检测。由此，针对任何新增的样本目标类别，可以减少对新增样本目标类别的标注环节，且可以更加方便的扩展目标检测模型可以检测的目标类别，从而在目标检测中减少标注成本并提升目标检测模型的普适性。

根据一些实施例，样本目标类别特征可以在解码器中与目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

由此，通过样本目标类别特征在解码器中与目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用，可以使解码器在解码时更加有针对性，进而得到目标类别对应的预测类别。

图10示出了根据本公开另一个实施例的训练目标检测模型的装置1000的结构框图。如图10所示，训练目标检测模型的装置1000可以包括样本获取模块1010、样本预测模块1020、样本确定模块1030和样本处理模块1040。样本获取模块1010、样本预测模块1020、样本确定模块1030和样本处理模块1040可以与图9所示的样本获取模块910、样本预测模块920、样本确定模块930和样本处理模块940相对应，因而在此不再赘述细节。

根据一些实施例，样本获取模块1010可以包括：样本子图像获取子模块1011被配置为从样本图像数据中获取对应于样本目标对象的子样本图像数据；以及样本提取模块1012被配置为基于子样本图像数据，提取与样本目标对象的样本目标类别对应的样本目标类别特征。

由此，通过从样本图像数据中获取对应于样本目标对象的子样本图像数据，并基于子样本图像数据，提取与样本目标对象的样本目标类别对应的样本目标类别特征，可以使样本目标类别特征的获取简单且准确。

根据本公开的另一方面，还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例中的方法。

根据本公开的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中计算机指令用于使计算机执行上述实施例中的方法。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中计算机程序在被处理器执行时实现上述实施例中的方法。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图11，现将描述可以作为本公开的服务器或客户端的电子设备1100的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106、输出单元1107、存储单元1108以及通信单元1109。输入单元1106可以是能向电子设备1100输入信息的任何类型的设备，输入单元1106可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1107可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1108可以包括但不限于磁盘、光盘。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如目标检测方法及训练目标检测模型的方法。例如，在一些实施例中，目标检测方法及训练目标检测模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的目标检测方法及训练目标检测模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标检测方法及训练目标检测模型的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种目标检测方法，包括：

获取包括目标对象的图像数据，以及与所述目标对象的目标类别对应的目标类别特征，其中，所述目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；

基于所述目标类别特征，对所述目标对象的所述目标类别进行预测，以得到预测类别以及与所述预测类别对应的预测类别特征；

基于所述预测类别特征与所述目标类别特征之间的相似度，确定所述预测类别与所述目标类别的一致性；以及

根据所述预测类别与所述目标类别的一致性，将所述预测类别作为对所述目标对象进行目标检测的结果。

2.根据权利要求1所述的方法，其中，所述目标类别特征在所述解码器中与所述目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

3.根据权利要求1或2所述的方法，其中，所述获取与所述目标对象的目标类别对应的目标类别特征包括：

从所述图像数据中获取对应于所述目标对象的子图像数据；以及

基于所述子图像数据，提取所述目标类别特征。

4.根据权利要求1至3中任一项所述的方法，其中，所述图像数据还包括其他对象，所述其他对象具有已知类别以及与所述已知类别对应的已知类别特征，其中，所述方法还包括：

对所述其他对象的所述已知类别进行预测，以得到预测的已知类别以及与所述预测的已知类别对应的预测的已知类别特征；

基于所述预测的已知类别特征与所述已知类别特征之间的相似度，确定所述预测的已知类别与所述已知类别的一致性；以及

根据所述预测的已知类别与所述已知类别一致性，将所述预测的已知类别作为对所述其他对象进行所述目标检测的结果。

5.一种训练目标检测模型的方法，包括：

获取包括样本目标对象的样本图像数据，以及与所述样本目标对象的样本目标类别对应的样本目标类别特征，其中，所述样本目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；

基于所述样本目标类别特征，对所述样本目标对象的所述样本目标类别进行预测，以得到样本预测类别以及与所述样本预测类别对应的样本预测类别特征；

基于所述样本预测类别特征与所述样本目标类别特征之间的相似度，确定所述样本预测类别与所述样本目标类别的一致性；以及

根据所述样本预测类别与所述样本目标类别的一致性，获得训练完成的所述目标检测模型。

6.根据权利要求5所述的方法，其中，所述样本目标类别特征在所述解码器中与所述目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

7.根据权利要求5或6所述的方法，其中，所述获取与所述样本目标对象的样本目标类别对应的样本目标类别特征包括：

从所述样本图像数据中获取对应于所述样本目标对象的子样本图像数据；以及

基于所述子样本图像数据，提取与所述样本目标对象的样本目标类别对应的样本目标类别特征。

8.一种目标检测装置，包括：

获取模块，被配置为获取包括目标对象的图像数据，以及与所述目标对象的目标类别对应的目标类别特征，其中，所述目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；

第一预测模块，被配置为基于所述目标类别特征，对所述目标对象的所述目标类别进行预测，以得到预测类别以及与所述预测类别对应的预测类别特征；

第一确定模块，被配置为基于所述预测类别特征与所述目标类别特征之间的相似度，确定所述预测类别与所述目标类别的一致性；以及

第一处理模块，被配置为根据所述预测类别与所述目标类别的一致性，将所述预测类别作为对所述目标对象进行目标检测的结果。

9.根据权利要求8所述的装置，其中，所述目标类别特征在所述解码器中与所述目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

10.根据权利要求8或9所述的装置，其中，所述获取模块包括：

子图像获取模块，被配置为从所述图像数据中获取对应于所述目标对象的子图像数据；以及

提取模块，被配置为基于所述子图像数据，提取所述目标类别特征。

11.根据权利要求8至10中任一项所述的装置，其中，所述图像数据还包括其他对象，所述其他对象具有已知类别以及与所述已知类别对应的已知类别特征，其中，所述装置还包括：

第二预测模块，被配置为对所述其他对象的所述已知类别进行预测，以得到预测的已知类别以及与所述预测的已知类别对应的预测的已知类别特征；

第二确定模块，被配置为基于所述预测的已知类别特征与所述已知类别特征之间的相似度，确定所述预测的已知类别与所述已知类别的一致性；以及

第二处理模块，被配置为根据所述预测的已知类别与所述已知类别一致性，将所述预测的已知类别作为对所述其他对象进行所述目标检测的结果。

12.一种训练目标检测模型的装置，包括：

样本获取模块，被配置为获取包括样本目标对象的样本图像数据，以及与所述样本目标对象的样本目标类别对应的样本目标类别特征，其中，所述样本目标类别特征被馈送至用于进行目标检测的目标检测模型的解码器；

样本预测模块，被配置为基于所述样本目标类别特征，对所述样本目标对象的所述样本目标类别进行预测，以得到样本预测类别以及与所述样本预测类别对应的样本预测类别特征；

样本确定模块，被配置为基于所述样本预测类别特征与所述样本目标类别特征之间的相似度，确定所述样本预测类别与所述样本目标类别的一致性；以及

样本处理模块，被配置为根据所述样本预测类别与所述样本目标类别的一致性，获得训练完成的所述目标检测模型。

13.根据权利要求12所述的装置，其中，所述样本目标类别特征在所述解码器中与所述目标检测所使用的固有目标查询特征拼接在一起作为新的目标查询特征而被使用。

14.根据权利要求12或13所述的装置，其中，所述样本获取模块包括：

样本子图像获取子模块，被配置为从所述样本图像数据中获取对应于所述样本目标对象的子样本图像数据；以及

样本提取模块，被配置为基于所述子样本图像数据，提取与所述样本目标对象的样本目标类别对应的样本目标类别特征。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。

Images