WO2021208667A1 - 图像处理方法及装置、电子设备和存储介质 - Google Patents

图像处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
WO2021208667A1
WO2021208667A1 PCT/CN2021/081782 CN2021081782W WO2021208667A1 WO 2021208667 A1 WO2021208667 A1 WO 2021208667A1 CN 2021081782 W CN2021081782 W CN 2021081782W WO 2021208667 A1 WO2021208667 A1 WO 2021208667A1
Authority
WO
WIPO (PCT)
Prior art keywords
level
feature map
scale
fusion
feature
Prior art date
Application number
PCT/CN2021/081782
Other languages
English (en)
French (fr)
Inventor
王新江
张士龙
冯俐铜
张伟
Original Assignee
深圳市商汤科技有限公司
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 深圳市商汤科技有限公司 filed Critical 深圳市商汤科技有限公司
Priority to JP2021566025A priority Critical patent/JP2022532322A/ja
Priority to KR1020227000768A priority patent/KR20220011207A/ko
Publication of WO2021208667A1 publication Critical patent/WO2021208667A1/zh

Links

Images

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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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

Definitions

  • the present disclosure relates to the field of computer technology, and in particular to an image processing method and device, electronic equipment, and storage medium.
  • the present disclosure proposes a technical solution for image processing.
  • an image processing method which includes: performing M-level feature extraction on an image to be processed to obtain an M-level first feature map of the to-be-processed image, each of the M-level first feature maps The scale of the first feature map of the level is different, and M is an integer greater than 1.
  • the scale adjustment and fusion are performed on the feature map groups corresponding to the first feature maps of each level to obtain the second feature map of the M level, and each feature map group includes The first feature map and a first feature map adjacent to the first feature map; target detection is performed on the M-level second feature map to obtain a target detection result of the image to be processed.
  • the feature map group corresponding to the first feature map of the i-th level includes the first feature map of the i-1th level, the first feature map of the i-th level, and the first feature map of the i+1th level.
  • I is an integer and 1 ⁇ i ⁇ M
  • the scale adjustment and fusion are performed on the feature map groups corresponding to the first feature maps of each level to obtain the second feature map of M level, including: Scale down the first feature map of the first level to obtain the first third feature map of the i-th level; perform scale-invariant transformation on the first feature map of the i-th level to obtain the second third feature map of the i-th level; Enlarge the scale of the first feature map of the i+1 level to obtain the third feature map of the third level i; The third feature map and the third i-th level third feature map are merged to obtain the i-th level second feature map, wherein the first i-th level third feature map and the second i-th level The scales of the third feature map and the third i-th level third feature map are the same.
  • the i-1th level first feature map with a larger scale can be reduced to the same scale as the i-th level first feature map; the scale is smaller
  • the first feature map of level i+1 is enlarged to the same scale as the first feature map of level i, so as to unify the scale of each feature map in the feature map group.
  • the feature map group corresponding to the first feature map of the first level includes the first feature map of the first level and the first feature map of the second level.
  • the feature map groups corresponding to the image are scaled and fused respectively to obtain the M-level second feature map, including: performing scale-invariant transformation on the first-level first feature map to obtain the first first-level third feature Figure; scale up the first feature map of the second level to obtain a second feature map of the first level; the first third feature map of the first level and the second level 1
  • the third feature maps are fused to obtain a first-level second feature map, wherein the scales of the first first-level third feature map and the second first-level third feature map are the same.
  • the first-level first feature map there is no previous-level feature map, and only the first-level first feature map itself and the adjacent second-level first feature map can be processed to obtain the first first feature map.
  • the scale of the level 1 third feature map is the same as the scale of the second level 1 third feature map.
  • the first and second level 1 third feature maps can be added to obtain the first level second feature map. In this way, the fusion of adjacent feature maps of the first level can be achieved.
  • the feature map group corresponding to the first feature map of the M level includes the first feature map of the M-1 level and the first feature map of the M level.
  • the feature map group corresponding to a feature map is scaled and fused respectively to obtain the M-level second feature map, including: reducing the scale of the M-1 level first feature map to obtain the first M-level third feature map Feature map; scale-invariant transformation is performed on the M-th level first feature map to obtain the second M-th level third feature map; the first M-th level third feature map and the second Fusion of the M-th level third feature maps to obtain the M-th level second feature map, wherein the scale of the first M-th level third feature map is the same as the scale of the second M-th level third feature map .
  • each M-th level third feature map is the same as the scale of the second M-th level third feature map.
  • the first and second M-th level third feature maps can be added to obtain the M-th level second feature map. In this way, the fusion of adjacent feature maps of the M-th level can be achieved.
  • the step of reducing the scale of the i-1th level first feature map to obtain the first i-th level third feature map includes: performing a first convolutional layer on the Convolution is performed on the first feature map of level i-1 to obtain the first feature map of level i, the size of the convolution kernel of the first convolutional layer is N ⁇ N, and the step size is n, N , N is an integer greater than 1, the scale of the first feature map of the i-1 level is n times the scale of the first feature map of the i level; Scale-invariant transformation to obtain the second i-th level third feature map, including: convolving the i-th level first feature map through a second convolution layer to obtain the second i-th level Three feature maps, the size of the convolution kernel of the second convolutional layer is N ⁇ N, and the step size is 1.
  • the third-level feature map includes: convolving and up-sampling the i+1-th level first feature map through a third convolution layer and an up-sampling layer to obtain the third i-th level third feature map ,
  • the size of the convolution kernel of the third convolution layer is N ⁇ N, and the step size is 1.
  • the performing scale-invariant transformation on the first-level first feature map to obtain the first first-level third feature map includes: The first-level first feature map is convolved to obtain the first first-level third feature map.
  • the size of the convolution kernel of the second convolutional layer is N ⁇ N, the step size is 1, and N is An integer greater than 1;
  • the scaling up of the second-level first feature map to obtain a second first-level third feature map includes: performing a third convolutional layer and an up-sampling layer on the second Convolution and upsampling are performed on the first-level feature map to obtain the second first-level third feature map.
  • the size of the convolution kernel of the third convolutional layer is N ⁇ N, and the step size is 1.
  • the step of reducing the scale of the M-1 level first feature map to obtain the first M level third feature map includes: performing a first convolutional layer on the The M-1 level first feature map is convolved to obtain the first M level third feature map.
  • the size of the convolution kernel of the first convolution layer is N ⁇ N, and the step size is n, N , N is an integer greater than 1, the scale of the i-1th level first feature map is n times the scale of the i-th level first feature map; Scale-invariant transformation to obtain the second M-th level third feature map, including: convolving the M-th level first feature map through a second convolution layer to obtain the second M-th level Three feature maps, the size of the convolution kernel of the second convolution layer is N ⁇ N, and the step size is 1.
  • the second convolutional layer and the third convolutional layer include deformable convolutional layers or hollow convolutional layers.
  • an additional convolutional layer can be set to learn the offset, and then the input feature map and the offset are used together as a deformable convolution The input of the layer, the operation sampling point is shifted, and then convolution is performed.
  • the expansion rate of the hole convolution can be preset to adjust the receptive field of the convolution adaptively and further improve the effect of feature map fusion.
  • the method is implemented by an image processing network
  • the image processing network includes a P-level fusion network block connected in series, configured to perform P sub-scale adjustment and fusion on the M-level first feature map
  • Each level of fusion network block includes multiple first convolutional layers, multiple second convolutional layers, and multiple third convolutional layers, P is a positive integer;
  • the pair of feature maps corresponding to the first feature maps of each level The group performs scale adjustment and fusion respectively to obtain an M-level second feature map, which includes: inputting the M-level first feature map into the first-level fusion network block, and outputting the first-integrated M-level fourth feature map;
  • the M-level fourth feature map of the j-1th fusion is input to the j-th fusion network block, and the M-level fourth feature map of the jth fusion is output.
  • j is an integer and 1 ⁇ j ⁇ P;
  • the sub-fused M-level fourth feature map is input into the P-level fusion network block, and the M-level second
  • the fusion effect can be further improved by processing the image through the P-level fusion network block connected in series.
  • each level of the fusion network block further includes a normalization layer, and the M level fourth feature map of the j-1th fusion is input into the jth level of the fusion network block, and the jth level is output
  • the fused M-level fourth feature map includes: the first convolutional layer, the second convolutional layer, and the third convolutional layer of the j-th fused network block, and the J-1th merged M
  • the feature map groups corresponding to the fourth feature map are scaled and fused respectively to obtain the M-level intermediate feature map of the jth fusion; the normalization layer is used to perform the jth fusion of the M-level intermediate feature
  • the map is subjected to joint batch normalization processing to obtain the M-level fourth feature map of the j-th fusion.
  • the method is implemented by an image processing network, the image processing network further includes a regression network and a classification network, and the target detection is performed on the M-level second feature map to obtain the waiting
  • Processing the target detection result of the image includes: inputting the M-level second feature map into the regression network, determining the image frame corresponding to the target in the image to be processed; inputting the M-level second feature map into the classification
  • the network determines the category of the target in the image to be processed, and the target detection result includes the image frame corresponding to the target and the category of the target.
  • the regression network and the classification network are used to implement the regression task and the classification task in the target detection, respectively.
  • an image processing device including: a feature extraction module configured to perform M-level feature extraction on an image to be processed to obtain an M-level first feature map of the image to be processed, and the M-level The scales of the first feature maps at all levels in the first feature map are different, and M is an integer greater than 1.
  • the scale adjustment and fusion module is configured to perform scale adjustment and fusion on the feature map groups corresponding to the first feature maps at all levels, respectively, Obtain an M-level second feature map, and each feature map group includes the first feature map and a first feature map adjacent to the first feature map; the target detection module is configured to detect the M-level second feature map The figure performs target detection to obtain the target detection result of the image to be processed.
  • an electronic device including: a processor; a memory for storing executable instructions of the processor; wherein the processor is configured to call the instructions stored in the memory to execute the foregoing method.
  • a computer-readable storage medium having computer program instructions stored thereon, and the computer program instructions implement the above-mentioned method when executed by a processor.
  • a computer program product includes one or more instructions, and the one or more instructions are suitable for implementing the above-mentioned image processing method when executed by a processor.
  • M-level feature extraction can be performed on the image to be processed to obtain the M-level first feature map; each first feature map and its adjacent feature maps are fused to obtain the M-level second feature map;
  • the target detection of the second feature map obtains the target detection result, so that the relevant information of the features between the adjacent layers of the M-level first feature map can be merged, and the effect of target detection can be effectively improved.
  • Fig. 1a shows a flowchart of an image processing method according to an embodiment of the present disclosure.
  • Figure 1b is a schematic diagram of four different methods for generating multi-dimensional feature combinations.
  • Figure 1c is a schematic diagram of the working principle of the deformable convolutional layer.
  • FIGS. 2a and 2b show schematic diagrams of batch normalization according to the related art.
  • Figure 2c shows a schematic diagram of joint batch normalization according to an embodiment of the present disclosure.
  • Fig. 3a shows a schematic diagram of a detector according to the related art.
  • Fig. 3b shows a schematic diagram of an image processing network according to an embodiment of the present disclosure.
  • Fig. 4 shows a block diagram of an image processing apparatus according to an embodiment of the present disclosure.
  • Fig. 5 shows a block diagram of an electronic device according to an embodiment of the present disclosure.
  • Fig. 6 shows a block diagram of an electronic device according to an embodiment of the present disclosure.
  • Fig. 1a shows a flowchart of an image processing method according to an embodiment of the present disclosure. As shown in Fig. 1a, the method includes:
  • step S11 perform M-level feature extraction on the image to be processed to obtain an M-level first feature map of the to-be-processed image.
  • the scales of the first feature maps of each level in the M-level first feature map are different, and M is greater than An integer of 1;
  • step S12 the feature map groups corresponding to the first feature maps at all levels are respectively adjusted and fused to obtain an M-level second feature map, wherein each of the feature map groups includes the first feature map and A first feature map adjacent to the first feature map;
  • step S13 target detection is performed on the M-level second feature map to obtain a target detection result of the image to be processed.
  • the image processing method may be executed by electronic devices such as a terminal device or a server, and the terminal device may be a user equipment (UE), a mobile device, a user terminal, a terminal, a cellular phone, or a cordless
  • UE user equipment
  • PDAs personal digital assistants
  • the method can be implemented by a processor invoking computer-readable instructions stored in a memory.
  • the method can be executed by a server.
  • the image to be processed may be an image including a target (for example, an object, an animal, a pedestrian, etc.), and the image to be processed may be acquired by an image acquisition device (for example, a camera), or may be acquired by other methods.
  • a target for example, an object, an animal, a pedestrian, etc.
  • an image acquisition device for example, a camera
  • multi-level feature extraction may be performed on the image to be processed through a feature pyramid network, and feature maps are extracted from different levels of the network to obtain an M-level first feature map of the image to be processed ( It can also be called a feature pyramid), M is an integer greater than 1. Among them, the scales of the first feature maps of each level in the M-level first feature map are different.
  • the feature pyramid network may include at least M layers of convolutional layers, pooling layers, etc. The present disclosure does not limit the network structure of the feature pyramid network. By using single-scale images for detection, memory and calculation costs can be reduced.
  • Figure 1b is a schematic diagram of four different methods for generating multi-dimensional feature combinations, including Figure (a) Characterized Image Pyramid, Figure (b) Single-scale Features, Figure (c) Pyramid Feature Hierarchy Structure, and (d) Features Pyramid network, as shown in Figure 1b, the image pyramid characterized in Figure 1b (a) uses an image pyramid to construct a feature pyramid. Calculating features independently on each scale image, the speed of output prediction is slow.
  • Figure 1b (b) single-scale feature the detection system chooses to use only a single-scale feature to speed up the detection speed and output predictions.
  • Figure 1b (c) pyramid feature hierarchical structure reuse the pyramid feature hierarchical structure to output predictions.
  • the feature pyramid network proposed in (d) in Figure 1b is as fast as Figures (b) and (c), but more accurate.
  • the top-down process of the feature pyramid network enlarges the small feature map at the top level to the same size as the adjacent feature map through upsampling.
  • the advantage of this is that it not only uses the strong semantic features of the top layer, but also uses the high-resolution information of the bottom layer.
  • step S12 can be used to realize the fusion between the first feature maps of each level and the adjacent first feature maps.
  • the feature map groups corresponding to the first feature maps of each level can be adjusted and merged respectively to obtain the second feature map of M level, and each feature map group includes all the feature maps.
  • the first feature map and the first feature map adjacent to the first feature map For example, for any first feature map, the scales of adjacent 2q feature maps (that is, q feature maps are taken before and after each) can be adjusted to the same scale as the first feature map, and then the adjusted 2q The two feature maps are added to the first feature map to obtain a second feature map corresponding to the first feature map, q ⁇ 1, and the present disclosure does not limit the value of q.
  • the scale of the feature map group (including the first feature map and the adjacent 2q feature maps) of the first feature map can also be unified to a specific scale, for example, the The feature maps are all expanded to a multiple of the scale of the first feature map, or all are reduced to a fraction of the scale of the first feature map. Then, the adjusted feature maps are added together to obtain a second feature map corresponding to the first feature map.
  • the present disclosure does not limit the scale range and method for adjusting the scale of the feature map group.
  • the correlation of the dimensionality of the feature map and the correlation of the spatial dimension can be captured, and the accuracy of the feature map obtained by fusion can be improved.
  • target detection may be performed on the M-level second feature map in step S13 to obtain the target detection result of the image to be processed. For example, perform regression and classification processing on the M-level second feature map respectively. After regression processing, the image area (that is, the detection frame) where the target in the image to be processed is located can be determined; after classification processing, the category of the target in the image to be processed can be determined.
  • the target detection result of the image to be processed may include the image area (that is, the detection frame) where the target is located in the image to be processed, the type of the target, and the like.
  • the embodiments of the present disclosure it is possible to perform M-level feature extraction on the image to be processed to obtain an M-level first feature map; fuse each first feature map with its neighboring feature maps to obtain an M-level second feature map;
  • the target detection of the second feature map obtains the target detection result, so that the relevant information of the features between the adjacent layers of the M-level first feature map can be merged, and the effect of target detection can be effectively improved.
  • the scale of each level of the first feature map in the M-level first feature map obtained in step S11 may be decreasing, for example, the scale of the first level of the first feature map is 512 ⁇ 512 , The scale of the first feature map of the second level is 256 ⁇ 256, and the scale of the first feature map of the third level is 128 ⁇ 128, etc.
  • the present disclosure does not limit the value of the scale of the M-level first feature map.
  • step S12 includes:
  • the scales of the first i-th level third feature map, the second i-th level third feature map, and the third i-th level third feature map are the same.
  • the i-1th level first feature map with a larger scale can be reduced to the same scale as the i-th level first feature map;
  • the smaller i+1-th level first feature map is enlarged to the same scale as the i-th level first feature map, so as to unify the scales of the feature maps in the feature map group.
  • the first feature map of level i-1 is scaled down to obtain the first level i third feature map; the scale-invariant transformation is performed on the first feature map of level i , Get the second i-th level third feature map; enlarge the scale of the i+1-th level first feature map to obtain the third i-th level third feature map.
  • the scales of the first, second, and third i-th level third feature maps are the same.
  • scale reduction can be achieved by means of convolution, down-sampling, etc.
  • scale-up can be achieved by means of deconvolution, up-sampling, convolution with a step length of less than 1, etc.
  • Product or other processing methods realize scale-invariant transformation, which is not limited in the present disclosure.
  • the first, second, and third i-th level third feature maps can be added directly or added according to a preset weight to obtain the i-th level second feature map by fusion ,
  • the scale of the i-th level second feature map is the same as the scale of the i-th level first feature map. In this way, the fusion of adjacent feature maps can be realized, and the feature extraction effect can be improved.
  • the step of reducing the scale of the i-1th level first feature map to obtain the first i-th level third feature map includes: performing a first convolutional layer on the Convolution is performed on the first feature map of level i-1 to obtain the first feature map of level i, the size of the convolution kernel of the first convolutional layer is N ⁇ N, and the step size is n, N , N is an integer greater than 1, and the scale of the i-1th level first feature map is n times the scale of the i-th level first feature map;
  • the performing scale-invariant transformation on the i-th level first feature map to obtain the second i-th level third feature map includes: performing the i-th level first feature map through a second convolutional layer Convolution to obtain the second i-th level third feature map, the size of the convolution kernel of the second convolution layer is N ⁇ N, and the step size is 1;
  • the scaling up of the first feature map of the i+1 level to obtain the third feature map of the third level i includes: the step of The first feature map is convolved and up-sampled to obtain the third i-th level third feature map.
  • the size of the convolution kernel of the third convolution layer is N ⁇ N, and the step size is 1.
  • the processing of each feature map in the feature map group corresponding to the first feature map of the i-th level can be realized.
  • the first feature map of the i-1th level may be convolved by the first convolution layer to obtain the first i-th level third feature map.
  • the size of the convolution kernel of the first convolutional layer is N ⁇ N
  • the step size is n
  • N and n are integers greater than 1
  • the scale of the i-1th level first feature map is the i-th level
  • the scale of a feature map is n times, that is, the scale is reduced by convolution.
  • the scale of the first feature map of level i-1 is 256 ⁇ 256
  • the scale of the first i-th level third feature map obtained is 128 ⁇ 128.
  • the value of N is 3, for example, and the present disclosure does not limit the values of N and n.
  • the first feature map of the i-th level may be convolved through the second convolution layer to obtain the third feature map of the second i-th level, and the convolution kernel of the second convolution layer
  • the size is N ⁇ N
  • the step size is 1, that is, the scale-invariant transformation is realized through convolution.
  • the scale of the i-th level first feature map is 128 ⁇ 128, and after convolution, the scale of the second i-th level third feature map is 128 ⁇ 128. It should be understood that those skilled in the art can use other methods to achieve scale-invariant transformation, which is not limited in the present disclosure.
  • the third convolutional layer and the up-sampling layer can perform convolution and n-time upsampling on the first feature map of the i+1 level to obtain the third feature map of the third level i
  • the size of the convolution kernel of the third convolution layer is N ⁇ N, and the step size is 1, that is, the scale enlargement is achieved through convolution and upsampling.
  • the scale of the first feature map of level i+1 is 64 ⁇ 64
  • the scale of the third i-th level and third feature map obtained is 128 ⁇ 128. It should be understood that those skilled in the art may use other methods to achieve scale enlargement, such as deconvolution or convolution with a step size of 1/n, which is not limited in the present disclosure.
  • the first, second, and third i-th level third feature maps can be directly added to obtain the i-th level second feature map.
  • the whole process is as follows:
  • Y ⁇ i represents the second feature map of level i; x ⁇ (i+1), x ⁇ i, and x ⁇ (i-1) represent the first feature map of level i+1, The first feature map of level i and the first feature map of level i-1; w ⁇ 1, w ⁇ 0, w ⁇ (-1) represent the third convolutional layer, the second convolutional layer and the first convolution, respectively The weight of the layer; * means convolution operation; s means step size; Upsample means upsampling operation.
  • the process of formula (1) can be called pyramid convolution or scale space convolution.
  • pyramid convolution processing the second feature map of the adjacent layer information fusion can be obtained, which can effectively improve the effect of subsequent target detection.
  • the feature map group corresponding to the first-level first feature map includes the first-level first feature map and The first feature map of level 2.
  • step S12 includes:
  • the first level 1 third feature map and the second level 1 third feature map are merged to obtain the first level second feature map
  • the scale of the first level 1 third feature map is the same as the scale of the second level 1 third feature map.
  • the first level 1 feature map there is no previous level feature map, and only the first level 1 feature map itself and the adjacent level 2 first feature map can be processed.
  • the scale-invariant transformation may be performed on the first-level first feature map to obtain the first first-level third feature map; the second-level first feature map may be scaled up to obtain The second i-th level third feature map.
  • the scale of the first and the second level 1 third feature map is the same.
  • the first and second level 1 third feature maps may be added to obtain the first level second feature map. In this way, the fusion of adjacent feature maps of the first level can be achieved.
  • the performing scale-invariant transformation on the first-level first feature map to obtain the first first-level third feature map includes: The first-level first feature map is convolved to obtain the first first-level third feature map.
  • the size of the convolution kernel of the second convolutional layer is N ⁇ N, the step size is 1, and N is An integer greater than 1;
  • the scaling up of the second-level first feature map to obtain a second first-level third feature map includes: performing the second-level first feature map through a third convolution layer and an up-sampling layer Perform convolution and upsampling to obtain a second level 1 third feature map.
  • the size of the convolution kernel of the third convolution layer is N ⁇ N, and the step size is 1.
  • the processing of each feature map in the feature map group corresponding to the first feature map of the first level can be realized.
  • the first level 1 feature map can be convolved through the second convolution layer to obtain the first level 1 third feature map, that is, the scale-invariant transformation can be achieved through convolution; the third convolution layer can be used And the up-sampling layer performs convolution and n-time upsampling on the second-level first feature map to obtain the second first-level third feature map, that is, the scale enlargement is achieved through convolution and up-sampling.
  • the processing method is similar to the previous description, and the description will not be repeated here.
  • the feature map group corresponding to the M-th level first feature map includes the M-1 level first feature map and The first feature map of the M-th level.
  • step S12 includes:
  • the scale of the first M-th level third feature map is the same as the scale of the second M-th level third feature map.
  • the M-th level first feature map there is no subsequent level feature map, and only the M-th level first feature map itself and the adjacent M-1 level first feature map can be processed.
  • the M-1 level first feature map can be scaled down to obtain the first M level third feature map; the M level first feature map can be scale-invariant Transform, get the second M-th level third feature map. Among them, the scale of the first and the second M-th level third feature map is the same.
  • the first and second M-th level third feature maps may be added to obtain the M-th level second feature map. In this way, the fusion of adjacent feature maps of the M-th level can be achieved.
  • the step of reducing the scale of the M-1 level first feature map to obtain the first M level third feature map includes: performing a first convolutional layer on the The M-1 level first feature map is convolved to obtain the first M level third feature map.
  • the size of the convolution kernel of the first convolution layer is N ⁇ N, and the step size is n, N , N is an integer greater than 1, and the scale of the i-1th level first feature map is n times the scale of the i-th level first feature map;
  • the performing scale-invariant transformation on the M-th level first feature map to obtain a second M-th level third feature map includes: performing a second convolutional layer on the M-th level first feature map Convolution to obtain the second M-th level third feature map, the size of the convolution kernel of the second convolution layer is N ⁇ N, and the step size is 1.
  • the processing of each feature map in the feature map group corresponding to the first feature map of the M-th level can be realized.
  • the M-1 level first feature map can be convolved through the first convolution layer to obtain the first M level third feature map, that is, the scale is reduced through convolution; the second convolution layer is used to convolve the first feature map.
  • the M-level first feature map is convolved to obtain the second M-th third feature map, that is, the scale-invariant transformation is realized through convolution.
  • the processing method is similar to the previous description, and the description will not be repeated here. In this way, the scale of each feature map in the feature map group can be unified for subsequent fusion.
  • the second convolutional layer and the third convolutional layer include deformable convolutional layers or hollow convolutional layers.
  • FIG. 1c is a schematic diagram of the working principle of the deformable convolutional layer, including an input feature map 11, a deformable convolution layer 12, a convolution 13, an offset 14 and an output feature map 15.
  • an additional convolution 13 to learn the offset 14 and share the input feature map 11.
  • the input feature map 11 and the offset 14 are jointly used as the input of the deformable convolution layer 12, the operation sampling point is offset, and then convolution is performed to obtain the output feature map 15.
  • the ordinary convolution in the pyramid convolution can be replaced with a deformable convolution or a hollow convolution, but it shares the weight with the bottom convolution. It can dynamically adjust the receptive field at different positions of the feature map to achieve alignment with the ordinary convolution of the underlying feature map.
  • the adjusted pyramid convolution can be called a scale-balanced pyramid convolution.
  • the first convolutional layer corresponding to the first feature map of the i-1th level is ordinary convolution; the first convolutional layer corresponding to the first feature map of the i-th level
  • the second convolutional layer and the third convolutional layer corresponding to the i+1-th level first feature map are deformable convolutions or hole convolutions.
  • an additional convolutional layer can be provided to learn the offset, and then the input feature map and the offset The shift is used as the input of the deformable convolutional layer, the operation sampling point is shifted, and then convolution is performed.
  • the expansion rate of the hole convolution can be preset to adjust the receptive field of the convolution adaptively.
  • the present disclosure does not limit the setting of the expansion rate.
  • the receptive field of convolution can be adjusted adaptively, and the effect of feature map fusion can be further improved.
  • the image processing method according to the embodiments of the present disclosure may be implemented by an image processing network, and the image processing network may include a feature pyramid network for performing multi-level feature extraction on the image to be processed.
  • the image processing network may include a series-connected P-level fusion network block for performing P-fold scale adjustment and fusion on the M-level first feature map, and each level of fusion network block includes multiple For the first convolutional layer, multiple second convolutional layers, and multiple third convolutional layers, P is a positive integer.
  • the process of scale adjustment and fusion can be performed multiple times, and the process can be implemented by a P-level fusion network block.
  • Each level of fusion network block (may be referred to as PConv for short) includes multiple first convolutions.
  • the layer, multiple second convolutional layers, and multiple third convolutional layers are respectively used to process each feature map group composed of adjacent feature maps.
  • the value of P is, for example, 4.
  • the present disclosure does not limit the value of P.
  • each level of fusion network block can process multiple feature map groups, and each feature map group corresponds to a set of convolutional layers, which are used to convolve each feature map in the feature map group. product.
  • each feature map group that includes a first feature map of level i-1, a first feature map of level i, and a first feature map of level i+1
  • the set of convolutional layers corresponding to the feature map group includes the first feature map.
  • the convolutional layer, the second convolutional layer, the third convolutional layer and the upsampling layer are used for the first feature map of level i-1, the first feature map of level i and the first feature of level i+1, respectively
  • the graph is convolved.
  • step S12 may include:
  • the M-level fourth feature map merged at the P-1th time is input into the P-level fusion network block, and the M-level second feature map is output.
  • the M-level first feature map can be input into the first-level fusion network block, the first scale adjustment and fusion can be performed, and the M-level fourth feature map of the first fusion can be output;
  • the fourth feature map of the M level is input to the next level of fusion network block.
  • the M-level fourth feature map of the j-1th fusion can be input into the j-th fusion network block, and the j-th scale adjustment and fusion can be performed, and the M-level fourth feature map of the j-th fusion can be output, where j is an integer and 1 ⁇ j ⁇ P.
  • the M-level fourth feature map of the P-1 fusion can be input into the P-level fusion network block, the P-th scale adjustment and fusion can be performed, and the M-level second feature map can be output.
  • each level of fusion network block further includes a normalization layer for normalizing the feature map after the fusion.
  • the M level fourth feature map of the j-1 fusion is input into the j level fusion network block, and the M level 4 feature map of the j fusion is output, which may include:
  • the feature map groups corresponding to the M-level fourth feature maps of the j-1th fusion are respectively Perform scale adjustment and fusion to obtain the M-level intermediate feature map of the jth fusion;
  • the first convolutional layer, the second convolutional layer, and the third convolutional layer of the j-th level fusion network block can be used to compare the j-1th fusion of the M-level
  • the feature map group corresponding to the fourth feature map is scaled and fused respectively to obtain the M-level intermediate feature map of the j-th fusion.
  • formula (2) is the normalized network response formula
  • formula (3) is the formula for calculating the mean value of batch data
  • formula (4) is the formula for calculating the variance of batch data
  • formula (5) is the normalized formula
  • (6) is the formula of scale transformation and offset.
  • the j-th level fusion network block can process multiple feature map groups corresponding to the M-level fourth feature maps of the j-1th fusion, and each feature map group corresponds to a set of volumes.
  • Multilayer is used to convolve each feature map in the feature map group. For example, for a feature map group that includes a first feature map of level i-1, a first feature map of level i, and a first feature map of level i+1, the set of convolutional layers corresponding to the feature map group includes the first feature map.
  • the convolutional layer, the second convolutional layer, the third convolutional layer and the upsampling layer are used for the first feature map of level i-1, the first feature map of level i and the first feature of level i+1, respectively
  • the graph is convolved.
  • the statistics (such as mean and variance) of the M-level intermediate feature maps of the jth fusion are counted by the normalization layer, and the j-th fused M-level intermediate feature maps are jointly batched.
  • the normalized result is determined as the fourth feature map of M level of the j-th fusion.
  • Figures 2a and 2b show schematic diagrams of batch normalization according to related technologies
  • Figure 2c shows a schematic diagram of joint batch normalization according to an embodiment of the present disclosure.
  • the convolutional layer 21 after the convolutional layer 21 is processed, multiple feature maps are output ( Figure 2a, Figure 2b, and Figure 2c take two feature maps as examples for illustration); the batch normalization layer (abbreviated as BN) 22 can be used to separately perform multiple feature maps.
  • Each feature map is batch normalized; after batch normalization, activation can be performed through the activation layer (for example, the ReLU layer) 23.
  • ⁇ and ⁇ respectively represent the magnification and offset coefficient, which can be obtained through learning;
  • ⁇ and ⁇ respectively represent the mean and standard deviation, which can be obtained through statistics.
  • two batch normalization layers 22 can share the magnification factor ⁇ and the offset coefficient ⁇ , and the mean value ⁇ and standard deviation ⁇ of each feature map can be counted separately; as shown in FIG. 2b, The two batch normalization layers 22 can learn the magnification factor ⁇ and the offset coefficient ⁇ respectively, and respectively count the mean value ⁇ and the standard deviation ⁇ of each feature map.
  • the two batch normalization layers 22 can share the magnification factor ⁇ and the offset coefficient ⁇ , and jointly count the mean value ⁇ of all feature maps. And the standard deviation ⁇ .
  • the training process can be effectively stabilized and the performance can be further improved.
  • the joint batch normalization can achieve good results.
  • the image processing network may further include a regression network and a classification network, which are respectively used to implement the regression task and the classification task in target detection.
  • the regression network and the classification network may include a convolutional layer, an activation layer, a fully connected layer, etc., and the present disclosure does not limit the network structure of the regression network and the classification network.
  • step S13 may include:
  • the M-level second feature map is input into the classification network to determine the target category in the image to be processed, and the target detection result includes the image frame corresponding to the target and the target category.
  • the regression task and the classification task in the target detection can be realized according to the M-level second feature map.
  • the M-level second feature map can be input into the regression network for processing, and the image frame corresponding to the target in the image to be processed can be regressed; the M-level second feature map can be input into the classification network for processing to determine the target category in the image to be processed .
  • the target detection result of the image to be processed may include the image frame corresponding to the target and the category of the target.
  • Detectors in related technologies usually design regression heads and classification heads respectively for regression tasks and classification tasks.
  • the P-level fusion network block (using pyramid convolution) is used as the combined head of the regression task and the classification task, and only according to the slight difference in the receptive field between the two tasks, the regression network and The unshared convolution is added to the classification network, which can greatly reduce the amount of calculation without loss of performance.
  • Fig. 3a shows a schematic diagram of a detector according to the related art
  • Fig. 3b shows a schematic diagram of an image processing network according to an embodiment of the present disclosure.
  • the detector in the related technology designs a regression head 31 and a classification head 32 for regression tasks and classification tasks, respectively, and processes the feature maps through multi-level network blocks (such as convolution blocks).
  • the network block at the last level realizes the regression task and the classification task respectively.
  • the regression task obtains the 4 vertex coordinates of the detection frame of the K targets in the image;
  • the classification task obtains the categories of the K targets in the image (suppose there are a total of C categories) .
  • each level of network block may include a convolutional layer, an activation layer, a fully connected layer, etc., which is not limited in the present disclosure.
  • the P-level fusion network block (which can be called P convolutional block) is used as the combined head 33 of the regression task and the classification task, and the M-level first feature map is After the combined header 33 is processed, an M-level second feature map is obtained. Input the M-level second feature map into the network blocks of the additional header 34 of the regression network and the classification network, respectively, and realize the regression in the last-level network blocks (including the convolutional layer, the activation layer, the fully connected layer, etc.) Tasks and classification tasks.
  • the additional header 34 of the regression network and the classification network may each include at least one convolutional layer. Different convolution parameters can be set for the convolution layers of the two additional heads 34 according to the faint difference of the receptive fields of the regression task and the classification task, which is not limited in the present disclosure.
  • the regression task obtains the coordinates of the 4 vertices of the detection frame of the K targets in the image; the classification task obtains the categories of the K targets in the image (suppose there are a total of C categories).
  • the present disclosure does not limit the network block of the additional header 34 and the network structure of the last-level network block.
  • the image processing network according to the embodiment of the present disclosure can greatly reduce the amount of calculation without loss of performance.
  • the image processing network before applying the image processing network according to the embodiments of the present disclosure, may be trained. That is, the sample images in the training set are input into the image processing network, and the sample target detection results of the sample images are obtained through the feature pyramid network, P-level fusion network block, regression network and classification network; according to the sample target detection results of multiple sample images and The difference in the annotation results is determined to determine the network loss; the parameters of the image processing network are adjusted according to the network loss; when the training conditions (such as network convergence) are met, the trained image processing network is obtained.
  • the present disclosure does not limit the training process.
  • a three-dimensional convolution form-pyramid convolution is proposed, that is, focusing on the correlation between the feature map dimension and the spatial dimension at the same time.
  • the image processing method of the embodiment of the present disclosure it is possible to fuse relevant information of features between adjacent layers in the feature gold tower through convolution of the gold tower with a large spatial scale, and better capture the correlation between the feature map dimension and the spatial dimension.
  • the feature pyramid only focuses on fusing the semantic information between different layers when extracting features of different scales, ignoring the problem of the correlation of features between adjacent layers.
  • the joint batch normalization and the natural combination of scale space convolution, the overall statistics of all scale feature maps are collected, which effectively stabilizes the training process and further improves performance, so that batch normalization is performed in batches. It can also be used when it is small. It solves the problem that batch normalization has not been well applied in the field of object detection due to its inability to obtain accurate statistics for data batch hours in practical applications.
  • the ordinary convolution in order to reduce the difference between the ordinary feature pyramid and the Gaussian pyramid, according to the image processing method of the embodiment of the present disclosure, can be replaced by deformable convolution, and the gold tower convolution can be improved. It is scale-balanced convolution, thereby reducing the difference between ordinary feature pyramid and Gaussian pyramid, making the network more reasonable and efficient when processing different scales of extraction.
  • the amount of calculation can be greatly reduced without loss of performance, and the inference speed can be accelerated. Solve the problem of unreasonable design of current feature pyramid and shared head module parameters.
  • the image processing method according to the embodiments of the present disclosure can achieve a very small speed loss on a data set with a large scale change, so that the single-stage detector obtains a huge performance improvement, and The detector was also verified to be effective in the second stage.
  • the image processing method according to the embodiment of the present disclosure can be applied to scenes such as object detection, pedestrian detection, etc., to realize the detection task of scenes with large changes in the scale of the object (for example, the object is in the close-range position and the long-range position of the camera), and can improve the detection at the same time.
  • the performance and detection speed can be applied to scenes such as object detection, pedestrian detection, etc.
  • the present disclosure also provides image processing devices, electronic equipment, computer-readable storage media, and programs, all of which can be used to implement any image processing method provided in the present disclosure.
  • image processing devices electronic equipment, computer-readable storage media, and programs, all of which can be used to implement any image processing method provided in the present disclosure.
  • Fig. 4 shows a block diagram of an image processing device according to an embodiment of the present disclosure. As shown in Fig. 4, the device includes:
  • the feature extraction module 41 is configured to perform M-level feature extraction on the image to be processed to obtain an M-level first feature map of the to-be-processed image. Is an integer greater than 1;
  • the scale adjustment and fusion module 42 is configured to perform scale adjustment and fusion on the feature map groups corresponding to the first feature maps at all levels to obtain the M-level second feature map, wherein each of the feature map groups includes the first feature map.
  • the target detection module 43 is configured to perform target detection on the M-level second feature map to obtain a target detection result of the image to be processed.
  • the feature map group corresponding to the first feature map of the i-th level includes the first feature map of the i-1th level, the first feature map of the i-th level, and the first feature map of the i+1th level.
  • the scale adjustment and fusion module includes: a first scale reduction sub-module configured to scale down the i-1th level first feature map to obtain the first first feature map i-level third feature map; a first transformation sub-module configured to perform scale-invariant transformation on the i-th level first feature map to obtain a second i-th level third feature map; first scale enlargement sub-module , Configured to enlarge the scale of the i+1-th level first feature map to obtain a third i-th level third feature map; the first fusion submodule is configured to perform scale-up on the first i-th level The feature map, the second i-th level third feature map and the third i-th level third feature map are merged to obtain the i-th level second feature map, wherein the first i-th level third feature map is The scales of the feature map, the second i-th level third feature map, and the third i-th level third feature map are the same.
  • the feature map group corresponding to the first level 1 feature map includes the first level 1 feature map and the first level 2 feature map
  • the scale adjustment and fusion module includes:
  • the second transformation submodule is configured to perform scale-invariant transformation on the first level 1 feature map to obtain the first level 1 third feature map;
  • the second scale enlargement submodule is configured to perform scale-invariant transformation on the first level 1 feature map;
  • the second fusion sub-module is configured to compare the first level 1 third feature map and the second third feature map
  • the level 1 third feature map is fused to obtain the first level second feature map, wherein the scale of the first level 1 third feature map is the same as the scale of the second level 1 third feature map.
  • the feature map group corresponding to the M-th level first feature map includes the M-1 level first feature map and the M-th level first feature map
  • the scale adjustment and fusion module It includes: a second scale reduction sub-module configured to reduce the scale of the M-1 level first feature map to obtain the first M-th level third feature map; and a third transformation sub-module configured to The M-th level first feature map is scale-invariantly transformed to obtain the second M-th level third feature map; the third fusion sub-module is configured to perform the scale-invariant transformation on the first M-th level third feature map and the The second M-th level third feature map is fused to obtain the M-th level second feature map, wherein the first M-th level third feature map is the same as the second M-th level third feature map
  • the scale is the same.
  • the first scale reduction submodule is configured to: convolve the i-1th level first feature map through a first convolution layer to obtain the first i-th
  • the third feature map of the first level the size of the convolution kernel of the first convolutional layer is N ⁇ N, the step size is n, N and n are integers greater than 1, and the scale of the first feature map of the i-1th level Is n times the scale of the i-th level first feature map
  • the first transformation sub-module is configured to: convolve the i-th level first feature map through a second convolution layer to obtain the first feature map Two i-th level third feature maps, the size of the convolution kernel of the second convolution layer is N ⁇ N, and the step size is 1.
  • the configuration of the first-scale amplification sub-module is: through the third volume
  • the build-up layer and the up-sampling layer perform convolution and up-sampling on the i+1-th level first feature map to obtain the third i-th level third feature map, and the convolution kernel of the third convolutional layer
  • the size is N ⁇ N
  • the step size is 1.
  • the second transformation sub-module is configured to: convolve the first-level first feature map through a second convolution layer to obtain the first first-level third
  • the size of the convolution kernel of the second convolution layer is N ⁇ N
  • the step size is 1, and N is an integer greater than 1.
  • the second scale amplification submodule is configured to: pass through the third convolution layer and The up-sampling layer performs convolution and up-sampling on the second-level first feature map to obtain a second first-level third feature map.
  • the convolution kernel size of the third convolutional layer is N ⁇ N. The length is 1.
  • the second scale reduction submodule is configured to: convolve the M-1th level first feature map through a first convolution layer to obtain the first Mth
  • the third feature map of the first level the size of the convolution kernel of the first convolutional layer is N ⁇ N, the step size is n, N and n are integers greater than 1, and the scale of the first feature map of the i-1th level Is n times the scale of the i-th level first feature map
  • the third transformation sub-module is configured to: convolve the M-th level first feature map through a second convolution layer to obtain the first feature map
  • Two M-th level third feature maps the size of the convolution kernel of the second convolution layer is N ⁇ N, and the step size is 1.
  • the second convolutional layer and the third convolutional layer include deformable convolutional layers or hollow convolutional layers.
  • the device is implemented by an image processing network, the image processing network includes a P-level fusion network block connected in series, configured to perform P-level scaling and fusion on the M-level first feature map , Each level of fusion network block includes multiple first convolutional layers, multiple second convolutional layers, and multiple third convolutional layers, and P is a positive integer;
  • the scale adjustment and fusion module includes: a first fusion sub-module , Configured to input the M-level first feature map into the first-level fusion network block, and output the M-level fourth feature map for the first fusion; the second fusion sub-module is configured to merge the j-1th fusion
  • the M-level fourth feature map is input into the j-th fusion network block, and the M-level fourth feature map of the j-th fusion is output.
  • each level of fusion network block further includes a normalization layer, and the second fusion sub-module is configured to pass through the first convolutional layer and the second volume of the j-th level fusion network block.
  • the accumulation layer and the third convolutional layer respectively perform scale adjustment and fusion on the feature map group corresponding to the M-level fourth feature map of the j-1th fusion to obtain the J-th fused M-level intermediate feature map ; Perform joint batch normalization processing on the j-th fused M-level intermediate feature map through the normalization layer to obtain the j-th fused M-level fourth feature map.
  • the device is implemented by an image processing network
  • the image processing network further includes a regression network and a classification network
  • the target detection module includes: a regression sub-module configured to configure the M-th Two feature maps are input to the regression network to determine the image frame corresponding to the target in the image to be processed; the classification sub-module is configured to input the M-level second feature map to the classification network to determine the image to be processed
  • the target category in the target and the target detection result includes the image frame corresponding to the target and the target category.
  • the functions or modules contained in the device provided in the embodiments of the present disclosure can be configured to execute the methods described in the above method embodiments.
  • the functions or modules contained in the device provided in the embodiments of the present disclosure can be configured to execute the methods described in the above method embodiments.
  • the embodiments of the present disclosure also provide a computer-readable storage medium on which computer program instructions are stored, and the computer program instructions implement the above-mentioned method when executed by a processor.
  • the computer-readable storage medium may be a volatile computer-readable storage medium or a non-volatile computer-readable storage medium.
  • An embodiment of the present disclosure also proposes an electronic device, including: a processor; a memory for storing executable instructions of the processor; wherein the processor is configured to call the instructions stored in the memory to execute the above method.
  • the embodiments of the present disclosure also provide a computer program product, which includes computer-readable code. When the computer-readable code runs on the device, the processor in the device executes the image processing method for implementing the image processing method provided by any of the above embodiments. instruction.
  • the embodiments of the present disclosure also provide another computer program product for storing computer-readable instructions, which when executed, cause the computer to perform the operations of the image processing method provided by any of the foregoing embodiments.
  • the electronic device can be provided as a terminal, server or other form of device.
  • FIG. 5 shows a block diagram of an electronic device 800 according to an embodiment of the present disclosure.
  • the electronic device 800 may be a mobile phone, a computer, a digital broadcasting terminal, a messaging device, a game console, a tablet device, a medical device, a fitness device, a personal digital assistant, and other terminals.
  • the electronic device 800 may include one or more of the following components: a processing component 802, a memory 804, a power supply component 806, a multimedia component 808, an audio component 810, an input/output (I/O) interface 812, and a sensor component 814 , And communication component 816.
  • the processing component 802 generally controls the overall operations of the electronic device 800, such as operations associated with display, telephone calls, data communications, camera operations, and recording operations.
  • the processing component 802 may include one or more processors 820 to execute instructions to complete all or part of the steps of the foregoing method.
  • the processing component 802 may include one or more modules to facilitate the interaction between the processing component 802 and other components.
  • the processing component 802 may include a multimedia module to facilitate the interaction between the multimedia component 808 and the processing component 802.
  • the memory 804 is configured to store various types of data to support operations in the electronic device 800. Examples of these data include instructions for any application or method to operate on the electronic device 800, contact data, phone book data, messages, pictures, videos, etc.
  • the memory 804 can be implemented by any type of volatile or non-volatile storage device or a combination thereof, such as static random access memory (SRAM), electrically erasable programmable read-only memory (EEPROM), erasable and Programmable Read Only Memory (EPROM), Programmable Read Only Memory (PROM), Read Only Memory (ROM), Magnetic Memory, Flash Memory, Magnetic Disk or Optical Disk.
  • SRAM static random access memory
  • EEPROM electrically erasable programmable read-only memory
  • EPROM erasable and Programmable Read Only Memory
  • PROM Programmable Read Only Memory
  • ROM Read Only Memory
  • Magnetic Memory Flash Memory
  • Magnetic Disk Magnetic Disk or Optical Disk.
  • the power supply component 806 provides power for various components of the electronic device 800.
  • the power supply component 806 may include a power management system, one or more power supplies, and other components associated with the generation, management, and distribution of power for the electronic device 800.
  • the multimedia component 808 includes a screen that provides an output interface between the
  • the screen may include a liquid crystal display (LCD) and a touch panel (TP).
  • the screen may be implemented as a touch screen to receive input signals from the user.
  • the touch panel includes one or more touch sensors to sense touch, sliding, and gestures on the touch panel.
  • the touch sensor may not only sense the boundary of a touch or slide action, but also detect the duration and pressure related to the touch or slide operation.
  • the multimedia component 808 includes a front camera and/or a rear camera. When the electronic device 800 is in an operation mode, such as a shooting mode or a video mode, the front camera and/or the rear camera can receive external multimedia data.
  • the audio component 810 is configured to output and/or input audio signals.
  • the audio component 810 includes a microphone (MIC), and when the electronic device 800 is in an operation mode, such as a call mode, a recording mode, and a voice recognition mode, the microphone is configured to receive an external audio signal.
  • the received audio signal may be further stored in the memory 804 or transmitted via the communication component 816.
  • the audio component 810 further includes a speaker for outputting audio signals.
  • the I/O interface 812 provides an interface between the processing component 802 and a peripheral interface module.
  • the above-mentioned peripheral interface module may be a keyboard, a click wheel, a button, and the like.
  • the sensor component 814 includes one or more sensors for providing the electronic device 800 with various aspects of state evaluation.
  • the sensor component 814 can detect the on/off status of the electronic device 800 and the relative positioning of the components.
  • the component is the display and the keypad of the electronic device 800.
  • the sensor component 814 can also detect the electronic device 800 or the electronic device 800.
  • the position of the component changes, the presence or absence of contact between the user and the electronic device 800, the orientation or acceleration/deceleration of the electronic device 800, and the temperature change of the electronic device 800.
  • the sensor component 814 may include a proximity sensor configured to detect the presence of nearby objects when there is no physical contact.
  • the sensor component 814 may also include a light sensor, such as a CMOS or CCD image sensor, for use in imaging applications.
  • the sensor component 814 may also include an acceleration sensor, a gyroscope sensor, a magnetic sensor, a pressure sensor, or a temperature sensor.
  • the communication component 816 is configured to facilitate wired or wireless communication between the electronic device 800 and other devices.
  • the electronic device 800 can access a wireless network based on a communication standard, such as WiFi, 2G, or 3G, or a combination thereof.
  • the communication component 816 receives a broadcast signal or broadcast related information from an external broadcast management system via a broadcast channel.
  • the communication component 816 further includes a near field communication (NFC) module to facilitate short-range communication.
  • NFC near field communication
  • the NFC module can be implemented based on radio frequency identification (RFID) technology, infrared data association (IrDA) technology, ultra-wideband (UWB) technology, Bluetooth (BT) technology and other technologies.
  • the electronic device 800 may be implemented by one or more application-specific integrated circuits (ASIC), digital signal processors (DSP), digital signal processing devices (DSPD), programmable logic devices (PLD), field-available A programmable gate array (FPGA), controller, microcontroller, microprocessor, or other electronic components are implemented to implement the above methods.
  • ASIC application-specific integrated circuits
  • DSP digital signal processors
  • DSPD digital signal processing devices
  • PLD programmable logic devices
  • FPGA field-available A programmable gate array
  • controller microcontroller, microprocessor, or other electronic components are implemented to implement the above methods.
  • a non-volatile computer-readable storage medium
  • FIG. 6 shows a block diagram of an electronic device 1900 according to an embodiment of the present disclosure.
  • the electronic device 1900 may be provided as a server. 6
  • the electronic device 1900 includes a processing component 1922, which further includes one or more processors, and a memory resource represented by the memory 1932, for storing instructions executable by the processing component 1922, such as application programs.
  • the application program stored in the memory 1932 may include one or more modules each corresponding to a set of instructions.
  • the processing component 1922 is configured to execute instructions to perform the above-described methods.
  • the electronic device 1900 may also include a power supply component 1926 configured to perform power management of the electronic device 1900, a wired or wireless network interface 1950 configured to connect the electronic device 1900 to the network, and an input output (I/O) interface 1958 .
  • the electronic device 1900 can operate based on an operating system stored in the memory 1932, such as Windows ServerTM, Mac OS XTM, UnixTM, LinuxTM, FreeBSDTM or the like.
  • a non-volatile computer-readable storage medium is also provided, such as the memory 1932 including computer program instructions, which can be executed by the processing component 1922 of the electronic device 1900 to complete the foregoing method.
  • the present disclosure may be a system, method and/or computer program product.
  • the computer program product may include a computer-readable storage medium loaded with computer-readable program instructions for enabling a processor to implement various aspects of the present disclosure.
  • the computer-readable storage medium may be a tangible device that can hold and store instructions used by the instruction execution device.
  • the computer-readable storage medium may be, for example, but not limited to, an electrical storage device, a magnetic storage device, an optical storage device, an electromagnetic storage device, a semiconductor storage device, or any suitable combination of the foregoing.
  • Examples of computer-readable storage media include: portable computer disks, hard disks, random access memory (RAM), read-only memory (ROM), erasable programmable read-only memory (EPROM or flash memory) , Static random access memory (SRAM), portable compact disk read-only memory (CD-ROM), digital versatile disk (DVD), memory stick, floppy disk, mechanical encoding device, such as punch card or The convex structure in the groove, and any suitable combination of the above.
  • the computer-readable storage medium used here is not interpreted as the instantaneous signal itself, such as radio waves or other freely propagating electromagnetic waves, electromagnetic waves propagating through waveguides or other transmission media (for example, light pulses through fiber optic cables), or through wires Transmission of electrical signals.
  • the computer-readable program instructions described herein can be downloaded from a computer-readable storage medium to various computing/processing devices, or downloaded to an external computer or external storage device via a network, such as the Internet, a local area network, a wide area network, and/or a wireless network.
  • the network may include copper transmission cables, optical fiber transmission, wireless transmission, routers, firewalls, switches, gateway computers, and/or edge servers.
  • the network adapter card or network interface in each computing/processing device receives computer-readable program instructions from the network, and forwards the computer-readable program instructions for storage in the computer-readable storage medium in each computing/processing device .
  • the computer program instructions used to perform the operations of the present disclosure may be assembly instructions, instruction set architecture (ISA) instructions, machine instructions, machine-related instructions, microcode, firmware instructions, state setting data, or in one or more programming languages.
  • Source code or object code written in any combination, the programming language includes object-oriented programming languages such as Smalltalk, C++, etc., and conventional procedural programming languages such as "C" language or similar programming languages.
  • Computer-readable program instructions can be executed entirely on the user's computer, partly on the user's computer, executed as a stand-alone software package, partly on the user's computer and partly executed on a remote computer, or entirely on the remote computer or server implement.
  • the remote computer can be connected to the user's computer through any kind of network-including a local area network (LAN) or a wide area network (WAN), or it can be connected to an external computer (for example, using an Internet service provider to connect to the user's computer) connect).
  • LAN local area network
  • WAN wide area network
  • an electronic circuit such as a programmable logic circuit, a field programmable gate array (FPGA), or a programmable logic array (PLA), can be customized by using the status information of the computer-readable program instructions.
  • the computer-readable program instructions are executed to realize various aspects of the present disclosure.
  • These computer-readable program instructions can be provided to the processor of a general-purpose computer, a special-purpose computer, or other programmable data processing device, thereby producing a machine that makes these instructions when executed by the processor of the computer or other programmable data processing device , A device that implements the functions/actions specified in one or more blocks in the flowcharts and/or block diagrams is produced. It is also possible to store these computer-readable program instructions in a computer-readable storage medium. These instructions make computers, programmable data processing apparatuses, and/or other devices work in a specific manner. Thus, the computer-readable medium storing the instructions includes An article of manufacture, which includes instructions for implementing various aspects of the functions/actions specified in one or more blocks in the flowcharts and/or block diagrams.
  • each block in the flowchart or block diagram may represent a module, program segment, or part of an instruction, and the module, program segment, or part of an instruction contains one or more components for realizing the specified logical function.
  • Executable instructions may also occur in a different order from the order marked in the drawings. For example, two consecutive blocks can actually be executed substantially in parallel, or they can sometimes be executed in the reverse order, depending on the functions involved.
  • each block in the block diagram and/or flowchart, and the combination of the blocks in the block diagram and/or flowchart can be implemented by a dedicated hardware-based system that performs the specified functions or actions Or it can be realized by a combination of dedicated hardware and computer instructions.
  • the computer program product can be implemented by hardware, software or a combination thereof.
  • the computer program product is embodied as a computer storage medium.
  • the computer program product is embodied as a software product, such as a software development kit (SDK) and so on.
  • SDK software development kit
  • M-level feature extraction can be performed on the image to be processed to obtain the M-level first feature map; each first feature map and its adjacent feature maps are fused to obtain the M-level second feature map;
  • the target detection of the second feature map obtains the target detection result, so that the relevant information of the features between the adjacent layers of the M-level first feature map can be merged, and the effect of target detection can be effectively improved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种图像处理方法及装置、电子设备和存储介质及程序产品，所述方法包括：对待处理图像进行M级特征提取，得到所述待处理图像的M级第一特征图（S11），所述M级第一特征图中各级第一特征图的尺度不同，M为大于1的整数；对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图（S12），其中，每个所述特征图组包括所述第一特征图以及与所述第一特征图相邻的第一特征图；对所述M级第二特征图进行目标检测，得到所述待处理图像的目标检测结果（S13）。上述方法及装置、电子设备和存储介质及程序产品可提高目标检测的效果。

Description

图像处理方法及装置、电子设备和存储介质
相关申请的交叉引用
本公开基于申请号为202010306929.2、申请日为2020年4月17日的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此以引入方式并入本公开。
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在通过深度学习对图像进行处理的过程中，通常需要对图像中目标(例如物体、动物、行人等)进行检测，确定出图像中目标的位置和类别等信息。然而，图像中目标的尺度可能相差较大，例如位于图像中近处和远处的绵羊。在相关技术中，对图像中尺度相差较大的目标的检测效果较差。
发明内容
本公开提出了一种图像处理技术方案。
根据本公开的一方面，提供了一种图像处理方法，包括：对待处理图像进行M级特征提取，得到所述待处理图像的M级第一特征图，所述M级第一特征图中各级第一特征图的尺度不同，M为大于1的整数；对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，每个特征图组包括所述第一特征图以及与所述第一特征图相邻的第一特征图；对所述M级第二特征图进行目标检测，得到所述待处理图像的目标检测结果。
在本公开的一些实施例中，与第i级第一特征图对应的特征图组包括第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图，i为整数且1<i<M，所述对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，包括：对所述第i-1级第一特征图进行尺度缩小，得到第一个第i级第三特征图；对所述第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征图；对所述第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图；对所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图进行融合，得到第i级第二特征图，其中，所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图的尺度相同。
这样，针对与第i级第一特征图对应的特征图组，可将尺度较大的第i-1级第一特征图缩小到与第i级第一特征图的尺度相同；将尺度较小的第i+1级第一特征图放大到与第i级第一特征图的尺度相同，以便统一该特征图组中各特征图的尺度。
在本公开的一些实施例中，与第1级第一特征图对应的特征图组包括所述第1级第一特征图及第2级第一特征图，所述对与各级第一特征图对应的特征图组分别进行尺度 调整及融合，得到M级第二特征图，包括：对所述第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图；对所述第2级第一特征图进行尺度放大，得到第二个第1级第三特征图；对所述第一个第1级第三特征图及所述第二个第1级第三特征图进行融合，得到第1级第二特征图，其中，所述第一个第1级第三特征图与所述第二个第1级第三特征图的尺度相同。
这样，对于第1级第一特征图，其没有前一级特征图，可仅对第1级第一特征图本身及相邻的第2级第一特征图进行处理，得到的第一个第1级第三特征图与所述第二个第1级第三特征图的尺度相同。可将第一个与第二个第1级第三特征图相加，得到第1级第二特征图。通过这种方式，能够实现第1级的相邻特征图的融合。
在本公开的一些实施例中，与第M级第一特征图对应的特征图组包括第M-1级第一特征图及所述第M级第一特征图，所述对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，包括：对所述第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图；对所述第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图；对所述第一个第M级第三特征图及所述第二个第M级第三特征图进行融合，得到第M级第二特征图，其中，所述第一个第M级第三特征图与所述第二个第M级第三特征图的尺度相同。
这样，对于第M级第一特征图，其没有后一级特征图，可仅对第M级第一特征图本身及相邻的第M-1级第一特征图进行处理，得到的第一个第M级第三特征图与所述第二个第M级第三特征图的尺度相同。可将第一个与第二个第M级第三特征图相加，得到第M级第二特征图。通过这种方式，能够实现第M级的相邻特征图的融合。
在本公开的一些实施例中，所述对所述第i-1级第一特征图进行尺度缩小，得到第一个第i级第三特征图，包括：通过第一卷积层对所述第i-1级第一特征图进行卷积，得到所述第一个第i级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍；所述对所述第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征图，包括：通过第二卷积层对所述第i级第一特征图进行卷积，得到所述第二个第i级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1；所述对所述第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图，包括：通过第三卷积层及上采样层对所述第i+1级第一特征图进行卷积及上采样，得到所述第三个第i级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。
这样，可通过设置不同的卷积层，实现与第i级第一特征图对应的特征图组中各特征图的处理，能够统一特征图组中各特征图的尺度，以便后续的融合处理。
在本公开的一些实施例中，所述对所述第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图，包括：通过第二卷积层对所述第1级第一特征图进行卷积，得到所述第一个第1级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1，N为大于1的整数；所述对所述第2级第一特征图进行尺度放大，得到第二个第1级第三特征图，包括：通过第三卷积层及上采样层对所述第2级第一特征图进行卷积及上采样，得到第二个第1级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。
这样，可通过设置不同的卷积层，实现与第1级第一特征图对应的特征图组中各特征图的处理。
在本公开的一些实施例中，所述对所述第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图，包括：通过第一卷积层对所述第M-1级第一特征图进行卷积，得到所述第一个第M级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度 的n倍；所述对所述第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图，包括：通过第二卷积层对所述第M级第一特征图进行卷积，得到所述第二个第M级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1。
这样，可通过设置不同的卷积层，实现与第M级第一特征图对应的特征图组中各特征图的处理。
在本公开的一些实施例中，所述第二卷积层及所述第三卷积层包括可变形卷积层或空洞卷积层。
这样，在第二卷积层和第三卷积层为可变形卷积的情况下，可设置有额外的卷积层来学习偏移，然后将输入特征图和偏移共同作为可变形卷积层的输入，操作采样点发生偏移，再进行卷积。在第二卷积层和第三卷积层为空洞卷积的情况下，可预先设定空洞卷积的扩张率，以便适应性调整卷积的感受野，进一步提高特征图融合的效果。
在本公开的一些实施例中，所述方法通过图像处理网络实现，所述图像处理网络包括串联的P级融合网络块，配置为对所述M级第一特征图进行P次尺度调整及融合，每级融合网络块包括多个第一卷积层、多个第二卷积层及多个第三卷积层，P为正整数；所述对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，包括：将所述M级第一特征图输入第一级融合网络块中，输出第一次融合的M级第四特征图；将第j-1次融合的M级第四特征图输入第j级融合网络块中，输出第j次融合的M级第四特征图，j为整数且1<j<P；将第P-1次融合的M级第四特征图输入第P级融合网络块中，输出所述M级第二特征图。
这样，通串联的P级融合网络块对图像进行处理的方式，能够进一步提高融合效果。
在本公开的一些实施例中，每级融合网络块还包括归一化层，所述将第j-1次融合的M级第四特征图输入第j级融合网络块中，输出第j次融合的M级第四特征图，包括：通过所述第j级融合网络块的第一卷积层、第二卷积层及第三卷积层，对所述第j-1次融合的M级第四特征图对应的特征图组分别进行尺度调整及融合，得到所述第j次融合的M级中间特征图；通过所述归一化层对所述第j次融合的M级中间特征图进行联合批归一化处理，得到所述第j次融合的M级第四特征图。
这样，通过所述归一化层对所述第j次融合的M级中间特征图进行联合批归一化处理，能够有效稳定训练过程并进一步提升性能，尤其在检测任务中批量较小的情况下，联合批归一化能够取得很好的效果。
在本公开的一些实施例中，所述方法通过图像处理网络实现，所述图像处理网络还包括回归网络和分类网络，所述对所述M级第二特征图进行目标检测，得到所述待处理图像的目标检测结果，包括：将所述M级第二特征图输入所述回归网络，确定所述待处理图像中目标对应的图像框；将所述M级第二特征图输入所述分类网络，确定出所述待处理图像中目标的类别，所述目标检测结果包括所述目标对应的图像框和所述目标的类别。
这样，回归网络和分类网络，分别用于实现目标检测中的回归任务和分类任务。
根据本公开的一方面，提供了一种图像处理装置，包括：特征提取模块，配置为对待处理图像进行M级特征提取，得到所述待处理图像的M级第一特征图，所述M级第一特征图中各级第一特征图的尺度不同，M为大于1的整数；尺度调整及融合模块，配置为对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，每个特征图组包括所述第一特征图以及与所述第一特征图相邻的第一特征图；目标检测模块，配置为对所述M级第二特征图进行目标检测，得到所述待处理图像的目标检测结果。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执 行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的一方面提供了一种计算机程序产品，所述计算机程序产品包括一条或多条指令，所述一条或多条指令适于被处理器执行时实现上述图像处理方法。
在本公开实施例中，能够对待处理图像进行M级特征提取得到M级第一特征图；对每个第一特征图与其相邻的特征图融合得到M级第二特征图；对M级第二特征图目标检测得到目标检测结果，从而能够融合M级第一特征图的相邻层之间特征的相关信息，有效提高目标检测的效果。
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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1a示出根据本公开实施例的图像处理方法的流程图。
图1b为四种不同生成多维度特征组合的方法的示意图。
图1c为可变形卷积层的工作原理示意图。
图2a及图2b示出根据相关技术的批归一化的示意图。
图2c示出根据本公开实施例的联合批归一化的示意图。
图3a示出根据相关技术的检测器的示意图。
图3b示出根据本公开实施例的图像处理网络的示意图。
图4示出根据本公开实施例的图像处理装置的框图。
图5示出根据本公开实施例的一种电子设备的框图。
图6示出根据本公开实施例的一种电子设备的框图。
实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的实施方式中给出了众多的细节。本领域技术人员应当理解，没有某些细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1a示出根据本公开实施例的图像处理方法的流程图，如图1a所示，所述方法包 括：
在步骤S11中，对待处理图像进行M级特征提取，得到所述待处理图像的M级第一特征图，所述M级第一特征图中各级第一特征图的尺度不同，M为大于1的整数；
在步骤S12中，对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，其中，每个所述特征图组包括所述第一特征图以及与所述第一特征图相邻的第一特征图；
在步骤S13中，对所述M级第二特征图进行目标检测，得到所述待处理图像的目标检测结果。
在本公开的一些实施例中，所述图像处理方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
举例来说，待处理图像可以是包括目标(例如物体、动物、行人等)的图像，待处理图像可以是采用图像采集设备(例如摄像头)采集的，也可以是通过其它方式获取的，本公开对此不作限制。
在本公开的一些实施例中，在步骤S11中，可例如通过特征金字塔网络对待处理图像进行多级特征提取，从网络的不同层级抽取特征图，得到待处理图像的M级第一特征图(也可称为特征金字塔)，M为大于1的整数。其中，M级第一特征图中各级第一特征图的尺度不同。该特征金字塔网络可包括至少M层卷积层、池化层等，本公开对特征金字塔网络的网络结构不作限制。通过采用单尺度图像进行检测，能够减少内存和计算成本。
图1b为四种不同的生成多维度特征组合的方法的示意图，包括图(a)特征化的图像金字塔图、图(b)单一尺度特征、图(c)金字塔特征层次结构和(d)特征金字塔网络，如图1b所示，图1b中图(a)特征化的图像金字塔是使用图像金字塔构建特征金字塔。在每种尺度图像上独立地计算特征，输出预测的速度缓慢。图1b中图(b)单一尺度特征，检测系统选择仅使用单一尺度特征来加快检测速度，输出预测。图1b中图(c)金字塔特征层次结构，重用金字塔特征层次结构输出预测。图1b中图(d)提出的特征金字塔网络和图(b)、图(c)一样快，但更准确。这样，特征金字塔网络自顶向下的过程通过上采样的方式将顶层的小特征图放大到相邻的特征图一样的大小。这样的好处是既利用了顶层较强的语义特征，又利用了底层的高分辨率信息。
在后续处理过程中，在直接对M级第一特征图进行融合的情况下，能够融合不同层之间的语义信息，但无法体现相邻层之间特征的相关性。在该情况下，可通过步骤S12实现各级第一特征图与其相邻的第一特征图之间的融合。
在本公开的一些实施例中，在步骤S12中，可对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，每个特征图组包括所述第一特征图以及与所述第一特征图相邻的第一特征图。例如，对于任一第一特征图，可将相邻的2q个特征图(也即前后各取q个特征图)的尺度调整到与该第一特征图的尺度相同，再将调整后的2q个特征图与该第一特征图相加，得到与该第一特征图对应的第二特征图，q≥1，本公开对q的取值不作限制。
在本公开的一些实施例中，也可将第一特征图的特征图组(包括第一特征图及相邻的2q个特征图)的尺度统一到特定的尺度，例如将特征图组中的特征图均扩大到第一特征图的尺度的倍数，或均缩小到第一特征图的尺度的几分之一。再将调整后的各个特征图相加，得到与该第一特征图对应的第二特征图。本公开对特征图组进行尺度调整的 尺度范围及方式均不作限制。
这样，能够捕捉到特征图维度的相关性以及空间维度的相关性，提高融合得到的特征图的精度。
在本公开的一些实施例中，可在步骤S13中对M级第二特征图进行目标检测，得到待处理图像的目标检测结果。例如对M级第二特征图分别进行回归和分类处理。经回归处理后，可确定待处理图像中目标所在的图像区域(也即检测框)；经分类处理后，可确定待处理图像中目标的类别。该待处理图像的目标检测结果可包括待处理图像中目标所在的图像区域(也即检测框)和目标的类别等。
根据本公开的实施例，能够对待处理图像进行M级特征提取得到M级第一特征图；对每个第一特征图与其相邻的特征图融合得到M级第二特征图；对M级第二特征图目标检测得到目标检测结果，从而能够融合M级第一特征图的相邻层之间特征的相关信息，有效提高目标检测的效果。
在本公开的一些实施例中，在步骤S11中得到的M级第一特征图中各级第一特征图的尺度可以是递减的，例如，第一级第一特征图的尺度为512×512，第二级第一特征图的尺度为256×256，第三级第一特征图的尺度为128×128等。本公开对M级第一特征图的尺度取值不作限制。
在本公开的一些实施例中，对于M级第一特征图中的第i级第一特征图，(i为整数且1<i<M)，与第i级第一特征图对应的特征图组包括第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图，i为整数且1<i<M。其中，步骤S12包括：
对所述第i-1级第一特征图进行尺度缩小，得到第一个第i级第三特征图；
对所述第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征图；
对所述第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图；
对所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图进行融合，得到第i级第二特征图，
其中，所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图的尺度相同。
举例来说，针对与第i级第一特征图对应的特征图组，可将尺度较大的第i-1级第一特征图缩小到与第i级第一特征图的尺度相同；将尺度较小的第i+1级第一特征图放大到与第i级第一特征图的尺度相同，以便统一该特征图组中各特征图的尺度。
在本公开的一些实施例中，对第i-1级第一特征图进行尺度缩小，可得到第一个第i级第三特征图；对第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征图；对第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图。其中，第一个、第二个及第三个第i级第三特征图的尺度相同。
在本公开的一些实施例中，可通过卷积、下采样等方式实现尺度缩小；通过反卷积、上采样、步长小于1的卷积等方式实现尺度放大；通过步长为1的卷积或其他处理方式实现尺度不变的变换，本公开对此不作限制。
在本公开的一些实施例中，可将第一个、第二个及第三个第i级第三特征图直接相加或按预设的权重相加，融合得到第i级第二特征图，该第i级第二特征图的尺度与第i级第一特征图的尺度相同。通过这种方式，能够实现相邻特征图的融合，提高特征的提取效果。
在本公开的一些实施例中，所述对所述第i-1级第一特征图进行尺度缩小，得到第一个第i级第三特征图，包括：通过第一卷积层对所述第i-1级第一特征图进行卷积，得到所述第一个第i级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度 的n倍；
所述对所述第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征图，包括：通过第二卷积层对所述第i级第一特征图进行卷积，得到所述第二个第i级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1；
所述对所述第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图，包括：通过第三卷积层及上采样层对所述第i+1级第一特征图进行卷积及上采样，得到所述第三个第i级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。
举例来说，可通过设置不同的卷积层，实现与第i级第一特征图对应的特征图组中各特征图的处理。
在本公开的一些实施例中，可通过第一卷积层对第i-1级第一特征图进行卷积，得到第一个第i级第三特征图。该第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍，也即通过卷积实现尺度缩小。例如第i-1级第一特征图的尺度为256×256，第i级第一特征图的尺度为128×128，则n＝2，即第i-1级第一特征图的长度和宽度均为第i级第一特征图的长度和宽度的2倍。经卷积后，得到的第一个第i级第三特征图的尺度为128×128。其中，N例如取值为3，本公开对N和n的取值不作限制。
在本公开的一些实施例中，可通过第二卷积层对第i级第一特征图进行卷积，得到第二个第i级第三特征图，该第二卷积层的卷积核尺寸为N×N，步长为1，也即通过卷积实现尺度不变的变换。例如第i级第一特征图的尺度为128×128，经卷积后，得到的第二个第i级第三特征图的尺度为128×128。应当理解，本领域技术人员可采用其他方式实现尺度不变的变换，本公开对此不作限制。
在本公开的一些实施例中，可通过第三卷积层及上采样层对第i+1级第一特征图进行卷积及n倍上采样，得到第三个第i级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1，也即通过卷积及上采样实现尺度放大。例如第i+1级第一特征图的尺度为64×64，第i级第一特征图的尺度为128×128，则n＝2。经卷积及2倍上采样后，得到的第三个第i级第三特征图的尺度为128×128。应当理解，本领域技术人员可采用其他方式实现尺度放大，例如反卷积或步长为1/n的卷积等，本公开对此不作限制。
通过这种方式，能够统一特征图组中各特征图的尺度，以便后续的融合处理。
在本公开的一些实施例中，可对第一个、第二个及第三个第i级第三特征图直接相加，得到第i级第二特征图。整个处理过程如下所示：
Y^i＝Upsample(w^1*x^(i+1))+w^0*x^i+w^(-1)*_(s＝2)x^(i-1)   公式(1)
对应的代码：
Figure PCTCN2021081782-appb-000001
在公式(1)中，Y^i表示第i级第二特征图；x^(i+1)、x^i、x^(i-1)分别表示第i+1级第一特征图、第i级第一特征图及第i-1级第一特征图；w^1、w^0、w^(-1)分别表示第三卷积层、第二卷积层及第一卷积层的权重；*表示卷积操作；s表示步长；Upsample 表示上采样操作。
公式(1)的处理过程可称为金字塔卷积或尺度空间卷积。通过该金字塔卷积处理，可得到相邻层信息融合的第二特征图，能够有效提高后续目标检测的效果。
在本公开的一些实施例中，对于M级第一特征图中的第1级第一特征图，与第1级第一特征图对应的特征图组包括所述第1级第一特征图及第2级第一特征图。其中，步骤S12包括：
对所述第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图；
对所述第2级第一特征图进行尺度放大，得到第二个第1级第三特征图；
对所述第一个第1级第三特征图及所述第二个第1级第三特征图进行融合，得到第1级第二特征图，
其中，所述第一个第1级第三特征图与所述第二个第1级第三特征图的尺度相同。
举例来说，对于第1级第一特征图，其没有前一级特征图，可仅对第1级第一特征图本身及相邻的第2级第一特征图进行处理。
在本公开的一些实施例中，可对第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图；对第2级第一特征图进行尺度放大，得到第二个第i级第三特征图。其中，第一个与第二个第1级第三特征图的尺度相同。
在本公开的一些实施例中，可将第一个与第二个第1级第三特征图相加，得到第1级第二特征图。通过这种方式，能够实现第1级的相邻特征图的融合。
在本公开的一些实施例中，所述对所述第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图，包括：通过第二卷积层对所述第1级第一特征图进行卷积，得到所述第一个第1级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1，N为大于1的整数；
所述对所述第2级第一特征图进行尺度放大，得到第二个第1级第三特征图，包括：通过第三卷积层及上采样层对所述第2级第一特征图进行卷积及上采样，得到第二个第1级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。
也就是说，可通过设置不同的卷积层，实现与第1级第一特征图对应的特征图组中各特征图的处理。可通过第二卷积层对第1级第一特征图进行卷积，得到第一个第1级第三特征图，也即通过卷积实现尺度不变的变换；可通过第三卷积层及上采样层对第2级第一特征图进行卷积及n倍上采样，得到第二个第1级第三特征图，也即通过卷积及上采样实现尺度放大。处理方式与前面的描述类似，此处不再重复描述。
通过这种方式，能够统一特征图组中各特征图的尺度，以便后续进行融合。
在本公开的一些实施例中，对于M级第一特征图中的第M级第一特征图，与第M级第一特征图对应的特征图组包括第M-1级第一特征图及所述第M级第一特征图。其中，步骤S12包括：
对所述第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图；
对所述第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图；
对所述第一个第M级第三特征图及所述第二个第M级第三特征图进行融合，得到第M级第二特征图，
其中，所述第一个第M级第三特征图与所述第二个第M级第三特征图的尺度相同。
举例来说，对于第M级第一特征图，其没有后一级特征图，可仅对第M级第一特征图本身及相邻的第M-1级第一特征图进行处理。
在本公开的一些实施例中，可对第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图；可对第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图。其中，第一个与第二个第M级第三特征图的尺度相同。
在本公开的一些实施例中，可将第一个与第二个第M级第三特征图相加，得到第M级第二特征图。通过这种方式，能够实现第M级的相邻特征图的融合。
在本公开的一些实施例中，所述对所述第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图，包括：通过第一卷积层对所述第M-1级第一特征图进行卷积，得到所述第一个第M级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍；
所述对所述第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图，包括：通过第二卷积层对所述第M级第一特征图进行卷积，得到所述第二个第M级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1。
也就是说，可通过设置不同的卷积层，实现与第M级第一特征图对应的特征图组中各特征图的处理。可通过第一卷积层对第M-1级第一特征图进行卷积，得到第一个第M级第三特征图，也即通过卷积实现尺度缩小；通过第二卷积层对第M级第一特征图进行卷积，得到第二个第M级第三特征图，也即通过卷积实现尺度不变的变换。处理方式与前面的描述类似，此处不再重复描述。通过这种方式，能够统一特征图组中各特征图的尺度，以便后续进行融合。
在本公开的一些实施例中，第二卷积层及所述第三卷积层包括可变形卷积层或空洞卷积层。
图1c为可变形卷积层的工作原理示意图，包括输入特征图11、可变形卷积层12、卷积13、偏移14和输出特征图15。如图1c所示，首先有一个额外的卷积13来学习偏移14，共享输入特征图11。然后输入特征图11和偏移14共同作为可变形卷积层12的输入，操作采样点发生偏移，再进行卷积，获得输出特征图15。
当金字塔卷积移动过最底层后，金字塔卷积中的普通卷积可替代为可变形卷积或空洞卷积，但是与最底层的卷积共享权重。其可以在特征图的不同位置动态调整感受野，与底层特征图的普通卷积实现对齐。在该情况下，调整后的金字塔卷积可称为尺度均衡的金字塔卷积。
也就是说，对于与第i级第一特征图对应的特征图组，第i-1级第一特征图对应的第一卷积层为普通卷积；第i级第一特征图对应的第二卷积层和第i+1级第一特征图对应的第三卷积层为可变形卷积或空洞卷积。
在本公开的一些实施例中，在第二卷积层和第三卷积层为可变形卷积的情况下，可设置有额外的卷积层来学习偏移，然后将输入特征图和偏移共同作为可变形卷积层的输入，操作采样点发生偏移，再进行卷积。
在本公开的一些实施例中，在第二卷积层和第三卷积层为空洞卷积的情况下，可预先设定空洞卷积的扩张率，以便适应性调整卷积的感受野。本公开对扩张率的设置不作限制。
通过这种方式，能够适应性调整卷积的感受野，进一步提高特征图融合的效果。
在本公开的一些实施例中，根据本公开实施例的图像处理方法可通过图像处理网络实现，该图像处理网络可包括特征金字塔网络，用于对待处理图像进行多级特征提取。
在本公开的一些实施例中，该图像处理网络可包括串联的P级融合网络块，用于对所述M级第一特征图进行P次尺度调整及融合，每级融合网络块包括多个第一卷积层、多个第二卷积层及多个第三卷积层，P为正整数。
在本公开的一些实施例中，尺度调整及融合的过程可进行多次，该过程可通过P级融合网络块实现，每级融合网络块(可简称为PConv)均包括多个第一卷积层、多个第二卷积层及多个第三卷积层，分别用于对相邻特征图组成的各个特征图组进行处理。P 的取值例如为4，本公开对P的取值不作限制。
在本公开的一些实施例中，每级融合网络块可对多个特征图组进行处理，每个特征图组对应于一组卷积层，用于对特征图组中的各个特征图进行卷积。例如，对于包括第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图的特征图组，该特征图组对应的一组卷积层包括第一卷积层、第二卷积层、第三卷积层及上采样层，用于分别对第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图进行卷积。
在本公开的一些实施例中，步骤S12可包括：
将所述M级第一特征图输入第一级融合网络块中，输出第一次融合的M级第四特征图；
将第j-1次融合的M级第四特征图输入第j级融合网络块中，输出第j次融合的M级第四特征图，j为整数且1<j<P；
将第P-1次融合的M级第四特征图输入第P级融合网络块中，输出所述M级第二特征图。
举例来说，可将M级第一特征图输入第一级融合网络块中，进行第一次尺度调整及融合，输出第一次融合的M级第四特征图；再将第一次融合的M级第四特征图输入下一级融合网络块。可将第j-1次融合的M级第四特征图输入第j级融合网络块中，进行第j次尺度调整及融合，输出第j次融合的M级第四特征图，j为整数且1<j<P。可将第P-1次融合的M级第四特征图输入第P级融合网络块中，进行第P次尺度调整及融合，输出M级第二特征图。
通过这种方式，能够进一步提高融合效果。
在本公开的一些实施例中，每级融合网络块还包括归一化层，用于对该次融合后的特征图进行归一化。其中，将第j-1次融合的M级第四特征图输入第j级融合网络块中，输出第j次融合的M级第四特征图，可包括：
通过所述第j级融合网络块的第一卷积层、第二卷积层及第三卷积层，对所述第j-1次融合的M级第四特征图对应的特征图组分别进行尺度调整及融合，得到第j次融合的M级中间特征图；
通过所述归一化层对所述第j次融合的M级中间特征图进行联合批归一化处理，得到所述第j次融合的M级第四特征图。
举例来说，对于第j次尺度调整及融合，可通过第j级融合网络块的第一卷积层、第二卷积层及第三卷积层，对第j-1次融合的M级第四特征图对应的特征图组分别进行尺度调整及融合，得到第j次融合的M级中间特征图。
举例来说，批归一化的输入参数：B＝{x 1...m}；放大倍数γ，偏移系数β(被学习的参数)。
批归一化的输出：
{y i＝BN γ,β(x i)}       公式(2)；
Figure PCTCN2021081782-appb-000002
Figure PCTCN2021081782-appb-000003
Figure PCTCN2021081782-appb-000004
Figure PCTCN2021081782-appb-000005
返回学习的放大倍数γ，偏移系数β。
其中，公式(2)为规范化后的网络响应的公式；公式(3)为计算批处理数据均值 的公式；公式(4)为计算批处理数据方差的公式；公式(5)为规范化公式；公式(6)为尺度变换和偏移的公式。
在本公开的一些实施例中，第j级融合网络块可对第j-1次融合的M级第四特征图对应的多个特征图组进行处理，每个特征图组对应于一组卷积层，用于对特征图组中的各个特征图进行卷积。例如，对于包括第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图的特征图组，该特征图组对应的一组卷积层包括第一卷积层、第二卷积层、第三卷积层及上采样层，用于分别对第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图进行卷积。
在本公开的一些实施例中，通过归一化层统计第j次融合的M级中间特征图的统计量(例如均值和方差)，对第j次融合的M级中间特征图进行联合批归一化处理，将归一化的结果确定为第j次融合的M级第四特征图。
图2a及图2b示出根据相关技术的批归一化的示意图；图2c示出根据本公开实施例的联合批归一化的示意图。其中，在卷积层21处理后，输出多个特征图(图2a、图2b及图2c以两个特征图为例进行说明)；可通过批归一化层(简称BN)22分别对多个特征图进行批归一化；并可在批归一化后，通过激活层(例如ReLU层)23进行激活。其中，γ和β分别表示放大倍数和偏移系数，可通过学习得到；μ和σ分别表示均值和标准差，可通过统计得到。
在相关技术中，如图2a所示，可以使两个批归一化层22共享放大倍数γ和偏移系数β，分别统计各特征图的均值μ和标准差σ；如图2b所示，可以使两个批归一化层22分别学习放大倍数γ和偏移系数β，分别统计各特征图的均值μ和标准差σ。
而在根据本公开实施例的联合批归一化处理中，如图2c所示，可以使两个批归一化层22共享放大倍数γ和偏移系数β，共同统计所有特征图的均值μ和标准差σ。
通过联合统计所有尺度的特征图的统计量，能够有效稳定训练过程并进一步提升性能，尤其在检测任务中批量较小的情况下，联合批归一化能够取得很好的效果。
在本公开的一些实施例中，该图像处理网络还可包括回归网络和分类网络，分别用于实现目标检测中的回归任务和分类任务。其中，回归网络和分类网络可包括卷积层、激活层、全连接层等，本公开对回归网络和分类网络的网络结构不作限制。
本公开的实施例中，步骤S13可包括：
将所述M级第二特征图输入所述回归网络，确定所述待处理图像中目标对应的图像框；
将所述M级第二特征图输入所述分类网络，确定出所述待处理图像中目标的类别，所述目标检测结果包括所述目标对应的图像框和所述目标的类别。
举例来说，可根据M级第二特征图来实现目标检测中的回归任务和分类任务。可将M级第二特征图输入回归网络中处理，回归得到待处理图像中的目标对应的图像框；可将M级第二特征图输入分类网络中处理，确定待处理图像中的目标的类别。其中，待处理图像的目标检测结果可包括所述目标对应的图像框和所述目标的类别。
相关技术中的检测器通常为回归任务和分类任务分别设计回归头部和分类头部。而根据本公开实施例的图像处理网络，将P级融合网络块(使用金字塔卷积)作为回归任务和分类任务的组合头部，仅根据两个任务对感受野的微弱不同，在回归网络和分类网络中增加不共享的卷积，从而能够大大降低计算量且不损失性能。
图3a示出根据相关技术的检测器的示意图；图3b示出根据本公开实施例的图像处理网络的示意图。
如图3a所示，在相关技术中的检测器，为回归任务和分类任务分别设计回归头部31和分类头部32，分别通过多级的网络块(例如卷积块)对特征图进行处理，在最后 一级的网络块分别实现回归任务和分类任务，回归任务得到图像中K个目标的检测框的4个顶点坐标；分类任务得到图像中K个目标的类别(设共有C个类别)。其中，每级网络块可能包括卷积层、激活层、全连接层等，本公开对此不作限制。
如图3b所示，根据本公开实施例的图像处理网络，将P级融合网络块(可称为P卷积块)作为回归任务和分类任务的组合头部33，M级第一特征图经组合头部33处理后，得到M级第二特征图。将M级第二特征图分别输入回归网络和分类网络各自的额外头部34的网络块中处理，在最后一级的网络块(包括卷积层、激活层、全连接层等)分别实现回归任务和分类任务。回归网络和分类网络的额外头部34可各包括至少一个卷积层。可根据回归任务和分类任务的感受野的微弱不同，为两个额外头部34的卷积层设置不同的卷积参数，本公开对此不作限制。
如图3b所示，回归任务得到图像中K个目标的检测框的4个顶点坐标；分类任务得到图像中K个目标的类别(设共有C个类别)。本公开对额外头部34的网络块以及最后一级网络块的网络结构不作限制。
通过这种方式，根据本公开实施例的图像处理网络，能够大大降低计算量且不损失性能。
在本公开的一些实施例中，在应用根据本公开实施例的图像处理网络之前，可对图像处理网络进行训练。也即将训练集中的样本图像输入图像处理网络，经由特征金字塔网络、P级融合网络块、回归网络及分类网络处理，得到样本图像的样本目标检测结果；根据多个样本图像的样本目标检测结果与标注结果的差异，确定网络损失；根据网络损失调整图像处理网络的参数；在满足训练条件(例如网络收敛)的情况下，得到训练后的图像处理网络。本公开对训练过程不作限制。
在本公开的一些实施例中，为了进一步利用特征金字塔相邻层之间特征的相关性，提出一种三维的卷积形式—金字塔卷积，即同时关注特征图维度以及空间维度的相关性。根据本公开实施例的图像处理方法，能够通过空间尺度大的金子塔卷积，融合特征金子塔中相邻层之间特征的相关信息，更好地捕捉特征图维度以及空间维度的相关性。解决了物体检测领域，特征金字塔在提取不同尺度的特征的情况下，只注重于融合不同层之间的语意信息，忽视了相邻层之间特征的相关性的问题。
在本公开的一些实施例中，通过联合批归一化，与尺度空间卷积自然结合，整体统计所有尺度特征图的统计量，有效稳定训练过程并进一步提升性能，使得批归一化在批量较小时也能得到应用。解决了批归一化在实际应用中，由于其对数据批量小时无法获得准确的统计量，在物体检测领域一直没有得到很好的应用的问题。
在本公开的一些实施例中，为了减少普通的特征金字塔与高斯金字塔之间的差别，根据本公开实施例的图像处理方法，能够用可变形卷积替换普通卷积，将金子塔卷积改进为尺度均衡卷积，从而减少普通的特征金字塔与高斯金字塔之间的差别，使得网络处理不同尺度的提取时更加合理高效。通过在单阶段检测器使用共享的头部模块来进一步提取特征，能够大大降低计算量且不损失性能，加快推理速度。解决了当前特征金字塔以及共享头部模块参数设计不合理的问题。
在本公开的一些实施例中，根据本公开实施例的图像处理方法，在尺度变化较大的数据集上，能够以极小的速度损失，使得单阶段检测器获得了巨大的性能提升，并且在二阶段检测器也被验证有效。
根据本公开实施例的图像处理方法，能够应用于物体检测、行人检测等场景中，实现物体尺度变化较大的场景(例如物体处于摄像头的近景位置和远景位置)的检测任务，能够同时提升检测的性能和检测速度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可 以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在实施方式的上述方法中，各步骤的执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的图像处理装置的框图，如图4所示，所述装置包括：
特征提取模块41，配置为对待处理图像进行M级特征提取，得到所述待处理图像的M级第一特征图，所述M级第一特征图中各级第一特征图的尺度不同，M为大于1的整数；
尺度调整及融合模块42，配置为对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，其中，每个所述特征图组包括所述第一特征图以及与所述第一特征图相邻的第一特征图；
目标检测模块43，配置为对所述M级第二特征图进行目标检测，得到所述待处理图像的目标检测结果。
在本公开的一些实施例中，与第i级第一特征图对应的特征图组包括第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图，i为整数且1<i<M，所述尺度调整及融合模块包括：第一尺度缩小子模块，配置为对所述第i-1级第一特征图进行尺度缩小，得到第一个第i级第三特征图；第一变换子模块，配置为对所述第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征图；第一尺度放大子模块，配置为对所述第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图；第一融合子模块，配置为对所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图进行融合，得到第i级第二特征图，其中，所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图的尺度相同。在本公开的一些实施例中，与第1级第一特征图对应的特征图组包括所述第1级第一特征图及第2级第一特征图，所述尺度调整及融合模块包括：第二变换子模块，配置为对所述第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图；第二尺度放大子模块，配置为对所述第2级第一特征图进行尺度放大，得到第二个第1级第三特征图；第二融合子模块，配置为对所述第一个第1级第三特征图及所述第二个第1级第三特征图进行融合，得到第1级第二特征图，其中，所述第一个第1级第三特征图与所述第二个第1级第三特征图的尺度相同。在本公开的一些实施例中，与第M级第一特征图对应的特征图组包括第M-1级第一特征图及所述第M级第一特征图，所述尺度调整及融合模块包括：第二尺度缩小子模块，配置为对所述第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图；第三变换子模块，配置为对所述第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图；第三融合子模块，配置为对所述第一个第M级第三特征图及所述第二个第M级第三特征图进行融合，得到第M级第二特征图，其中，所述第一个第M级第三特征图与所述第二个第M级第三特征图的尺度相同。在本公开的一些实施例中，所述第一尺度缩小子模块配置为：通过第一卷积层对所述第i-1级第一特征图进行卷积，得到所述第一个第i级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍；所述第一变换子模块配置为：通过第二卷积层对所述第i级第一特征图进行卷积，得到所述第二个第i级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1；所述对所述第一尺度放大子模块配置为：通过第三卷积层及上采样层对所述第i+1级第一特征图进行卷积及上采样，得到所述第三个第i级 第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。在本公开的一些实施例中，所述第二变换子模块配置为：通过第二卷积层对所述第1级第一特征图进行卷积，得到所述第一个第1级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1，N为大于1的整数；所述第二尺度放大子模块配置为：通过第三卷积层及上采样层对所述第2级第一特征图进行卷积及上采样，得到第二个第1级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。在本公开的一些实施例中，所述第二尺度缩小子模块配置为：通过第一卷积层对所述第M-1级第一特征图进行卷积，得到所述第一个第M级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍；所述第三变换子模块配置为：通过第二卷积层对所述第M级第一特征图进行卷积，得到所述第二个第M级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1。在本公开的一些实施例中，所述第二卷积层及所述第三卷积层包括可变形卷积层或空洞卷积层。在本公开的一些实施例中，所述装置通过图像处理网络实现，所述图像处理网络包括串联的P级融合网络块，配置为对所述M级第一特征图进行P次尺度调整及融合，每级融合网络块包括多个第一卷积层、多个第二卷积层及多个第三卷积层，P为正整数；所述尺度调整及融合模块包括：第一融合子模块，配置为将所述M级第一特征图输入第一级融合网络块中，输出第一次融合的M级第四特征图；第二融合子模块，配置为将第j-1次融合的M级第四特征图输入第j级融合网络块中，输出第j次融合的M级第四特征图，j为整数且1<j<P；第三融合子模块，配置为将第P-1次融合的M级第四特征图输入第P级融合网络块中，输出所述M级第二特征图。在本公开的一些实施例中，每级融合网络块还包括归一化层，所述第二融合子模块配置为：通过所述第j级融合网络块的第一卷积层、第二卷积层及第三卷积层，对所述第j-1次融合的M级第四特征图对应的特征图组分别进行尺度调整及融合，得到所述第j次融合的M级中间特征图；通过所述归一化层对所述第j次融合的M级中间特征图进行联合批归一化处理，得到所述第j次融合的M级第四特征图。在本公开的一些实施例中，所述装置通过图像处理网络实现，所述图像处理网络还包括回归网络和分类网络，所述目标检测模块包括：回归子模块，配置为将所述M级第二特征图输入所述回归网络，确定所述待处理图像中目标对应的图像框；分类子模块，配置为将所述M级第二特征图输入所述分类网络，确定出所述待处理图像中目标的类别，所述目标检测结果包括所述目标对应的图像框和所述目标的类别。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以配置为执行上文方法实施例描述的方法，其实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像处理方法的指令。本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像处理方法的操作。电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设 备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。在屏幕包括触摸面板的情况下，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技 术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在 远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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。
该计算机程序产品可以通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品体现为计算机存储介质，在另一个可选实施例中，计算机程序产品体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
工业实用性
在本公开实施例中，能够对待处理图像进行M级特征提取得到M级第一特征图；对每个第一特征图与其相邻的特征图融合得到M级第二特征图；对M级第二特征图目标检测得到目标检测结果，从而能够融合M级第一特征图的相邻层之间特征的相关信息，有效提高目标检测的效果。

Claims (25)

  1. 一种图像处理方法，包括：
    对待处理图像进行M级特征提取，得到所述待处理图像的M级第一特征图，所述M级第一特征图中各级第一特征图的尺度不同，M为大于1的整数；
    对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，其中，每个所述特征图组包括所述第一特征图以及与所述第一特征图相邻的第一特征图；
    对所述M级第二特征图进行目标检测，得到所述待处理图像的目标检测结果。
  2. 根据权利要求1所述的方法，其中，与第i级第一特征图对应的特征图组包括第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图，i为整数且1<i<M，所述对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，包括：
    对所述第i-1级第一特征图进行尺度缩小，得到第一个第i级第三特征图；
    对所述第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征图；
    对所述第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图；
    对所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图进行融合，得到第i级第二特征图，
    其中，所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图的尺度相同。
  3. 根据权利要求1或2所述的方法，其中，与第1级第一特征图对应的特征图组包括所述第1级第一特征图及第2级第一特征图，所述对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，包括：
    对所述第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图；
    对所述第2级第一特征图进行尺度放大，得到第二个第1级第三特征图；
    对所述第一个第1级第三特征图及所述第二个第1级第三特征图进行融合，得到第1级第二特征图，
    其中，所述第一个第1级第三特征图与所述第二个第1级第三特征图的尺度相同。
  4. 根据权利要求1至3任一项所述的方法，其中，与第M级第一特征图对应的特征图组包括第M-1级第一特征图及所述第M级第一特征图，
    所述对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，包括：
    对所述第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图；
    对所述第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图；
    对所述第一个第M级第三特征图及所述第二个第M级第三特征图进行融合，得到第M级第二特征图，
    其中，所述第一个第M级第三特征图与所述第二个第M级第三特征图的尺度相同。
  5. 根据权利要求2至4中任意一项所述的方法，其中，所述对所述第i-1级第一特征图进行尺度缩小，得到第一个第i级第三特征图，包括：通过第一卷积层对所述第i-1级第一特征图进行卷积，得到所述第一个第i级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍；
    所述对所述第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征 图，包括：通过第二卷积层对所述第i级第一特征图进行卷积，得到所述第二个第i级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1；
    所述对所述第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图，包括：通过第三卷积层及上采样层对所述第i+1级第一特征图进行卷积及上采样，得到所述第三个第i级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。
  6. 根据权利要求3所述的方法，其中，所述对所述第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图，包括：通过第二卷积层对所述第1级第一特征图进行卷积，得到所述第一个第1级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1，N为大于1的整数；
    所述对所述第2级第一特征图进行尺度放大，得到第二个第1级第三特征图，包括：通过第三卷积层及上采样层对所述第2级第一特征图进行卷积及上采样，得到第二个第1级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。
  7. 根据权利要求4所述的方法，其中，所述对所述第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图，包括：通过第一卷积层对所述第M-1级第一特征图进行卷积，得到所述第一个第M级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍；
    所述对所述第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图，包括：通过第二卷积层对所述第M级第一特征图进行卷积，得到所述第二个第M级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1。
  8. 根据权利要求5至7中任意一项所述的方法，其中，所述第二卷积层及所述第三卷积层包括可变形卷积层或空洞卷积层。
  9. 根据权利要求5至8中任意一项所述的方法，其中，所述方法通过图像处理网络实现，所述图像处理网络包括串联的P级融合网络块，用于对所述M级第一特征图进行P次尺度调整及融合，每级融合网络块包括多个第一卷积层、多个第二卷积层及多个第三卷积层，P为正整数；
    所述对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，包括：
    将所述M级第一特征图输入第一级融合网络块中，输出第一次融合的M级第四特征图；
    将第j-1次融合的M级第四特征图输入第j级融合网络块中，输出第j次融合的M级第四特征图，j为整数且1<j<P；
    将第P-1次融合的M级第四特征图输入第P级融合网络块中，输出所述M级第二特征图。
  10. 根据权利要求9所述的方法，其中，每级融合网络块还包括归一化层，
    所述将第j-1次融合的M级第四特征图输入第j级融合网络块中，输出第j次融合的M级第四特征图，包括：
    通过所述第j级融合网络块的第一卷积层、第二卷积层及第三卷积层，对所述第j-1次融合的M级第四特征图对应的特征图组分别进行尺度调整及融合，得到所述第j次融合的M级中间特征图；
    通过所述归一化层对所述第j次融合的M级中间特征图进行联合批归一化处理，得到所述第j次融合的M级第四特征图。
  11. 根据权利要求1至10任一项所述的方法，其中，所述方法通过图像处理网络实现，所述图像处理网络还包括回归网络和分类网络，所述对所述M级第二特征 图进行目标检测，得到所述待处理图像的目标检测结果，包括：
    将所述M级第二特征图输入所述回归网络，确定所述待处理图像中目标对应的图像框；
    将所述M级第二特征图输入所述分类网络，确定出所述待处理图像中目标的类别，所述目标检测结果包括所述目标对应的图像框和所述目标的类别。
  12. 一种图像处理装置，包括：
    特征提取模块，配置为对待处理图像进行M级特征提取，得到所述待处理图像的M级第一特征图，所述M级第一特征图中各级第一特征图的尺度不同，M为大于1的整数；
    尺度调整及融合模块，配置为对与各级第一特征图对应的特征图组分别进行尺度调整及融合，得到M级第二特征图，其中，每个所述特征图组包括所述第一特征图以及与所述第一特征图相邻的第一特征图；
    目标检测模块，配置为对所述M级第二特征图进行目标检测，得到所述待处理图像的目标检测结果。
  13. 根据权利要求12所述的装置，其中，与第i级第一特征图对应的特征图组包括第i-1级第一特征图、第i级第一特征图及第i+1级第一特征图，i为整数且1<i<M，
    所述尺度调整及融合模块包括：第一尺度缩小子模块，配置为对所述第i-1级第一特征图进行尺度缩小，得到第一个第i级第三特征图；第一变换子模块，配置为对所述第i级第一特征图进行尺度不变的变换，得到第二个第i级第三特征图；第一尺度放大子模块，配置为对所述第i+1级第一特征图进行尺度放大，得到第三个第i级第三特征图；第一融合子模块，配置为对所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图进行融合，得到第i级第二特征图，其中，所述第一个第i级第三特征图、所述第二个第i级第三特征图及第三个第i级第三特征图的尺度相同。
  14. 根据权利要求12或13所述的装置，其中，与第1级第一特征图对应的特征图组包括所述第1级第一特征图及第2级第一特征图，所述尺度调整及融合模块包括：第二变换子模块，配置为对所述第1级第一特征图进行尺度不变的变换，得到第一个第1级第三特征图；第二尺度放大子模块，配置为对所述第2级第一特征图进行尺度放大，得到第二个第1级第三特征图；第二融合子模块，配置为对所述第一个第1级第三特征图及所述第二个第1级第三特征图进行融合，配置为第1级第二特征图，其中，所述第一个第1级第三特征图与所述第二个第1级第三特征图的尺度相同。
  15. 根据权利要求12至14任一项所述的装置，其中，与第M级第一特征图对应的特征图组包括第M-1级第一特征图及所述第M级第一特征图，所述尺度调整及融合模块包括：第二尺度缩小子模块，配置为对所述第M-1级第一特征图进行尺度缩小，得到第一个第M级第三特征图；第三变换子模块，配置为对所述第M级第一特征图进行尺度不变的变换，得到第二个第M级第三特征图；第三融合子模块，配置为对所述第一个第M级第三特征图及所述第二个第M级第三特征图进行融合，得到第M级第二特征图，其中，所述第一个第M级第三特征图与所述第二个第M级第三特征图的尺度相同。
  16. 根据权利要求13至15中任意一项所述的装置，其中，所述第一尺度缩小子模块配置为：通过第一卷积层对所述第i-1级第一特征图进行卷积，得到所述第一个第i级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍；所述第一变换子模块配置为：通过第二卷积层对所述第i级第一特征图进行卷积，得 到所述第二个第i级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1；所述对所述第一尺度放大子模块配置为：通过第三卷积层及上采样层对所述第i+1级第一特征图进行卷积及上采样，得到所述第三个第i级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。
  17. 根据权利要求15所述的装置，其中，所述第二变换子模块配置为：通过第二卷积层对所述第1级第一特征图进行卷积，得到所述第一个第1级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1，N为大于1的整数；所述第二尺度放大子模块配置为：通过第三卷积层及上采样层对所述第2级第一特征图进行卷积及上采样，得到第二个第1级第三特征图，所述第三卷积层的卷积核尺寸为N×N，步长为1。
  18. 根据权利要求16所述的装置，其中，所述第二尺度缩小子模块配置为：通过第一卷积层对所述第M-1级第一特征图进行卷积，得到所述第一个第M级第三特征图，所述第一卷积层的卷积核尺寸为N×N，步长为n，N、n为大于1的整数，所述第i-1级第一特征图的尺度为所述第i级第一特征图的尺度的n倍；所述第三变换子模块配置为：通过第二卷积层对所述第M级第一特征图进行卷积，得到所述第二个第M级第三特征图，所述第二卷积层的卷积核尺寸为N×N，步长为1。
  19. 根据权利要求16至18中任意一项所述的装置，其中，所述第二卷积层及所述第三卷积层包括可变形卷积层或空洞卷积层。
  20. 根据权利要求16至19中任意一项所述的装置，其中，所述装置通过图像处理网络实现，所述图像处理网络包括串联的P级融合网络块，配置为对所述M级第一特征图进行P次尺度调整及融合，每级融合网络块包括多个第一卷积层、多个第二卷积层及多个第三卷积层，P为正整数；所述尺度调整及融合模块包括：第一融合子模块，配置为将所述M级第一特征图输入第一级融合网络块中，输出第一次融合的M级第四特征图；第二融合子模块，配置为将第j-1次融合的M级第四特征图输入第j级融合网络块中，输出第j次融合的M级第四特征图，j为整数且1<j<P；第三融合子模块，配置为将第P-1次融合的M级第四特征图输入第P级融合网络块中，输出所述M级第二特征图。
  21. 根据权利要求20所述的装置，其中，每级融合网络块还包括归一化层，所述第二融合子模块配置为：通过所述第j级融合网络块的第一卷积层、第二卷积层及第三卷积层，对所述第j-1次融合的M级第四特征图对应的特征图组分别进行尺度调整及融合，得到所述第j次融合的M级中间特征图；通过所述归一化层对所述第j次融合的M级中间特征图进行联合批归一化处理，得到所述第j次融合的M级第四特征图。
  22. 根据权利要求13至21任一项所述的装置，其中，所述装置通过图像处理网络实现，所述图像处理网络还包括回归网络和分类网络，所述目标检测模块包括：回归子模块，配置为将所述M级第二特征图输入所述回归网络，确定所述待处理图像中目标对应的图像框；分类子模块，配置为将所述M级第二特征图输入所述分类网络，确定出所述待处理图像中目标的类别，所述目标检测结果包括所述目标对应的图像框和所述目标的类别。
  23. 一种电子设备，其中，包括：
    处理器；
    配置为存储处理器可执行指令的存储器；
    其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至11中任意一项所述的方法。
  24. 一种计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的图像处理方法。
  25. 一种计算机程序产品，所述计算机程序产品包括一条或多条指令，所述一条或多条指令适于由处理器加载并执行如权利要求1至11任一项所述的图像处理方法。
PCT/CN2021/081782 2020-04-17 2021-03-19 图像处理方法及装置、电子设备和存储介质 WO2021208667A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021566025A JP2022532322A (ja) 2020-04-17 2021-03-19 画像処理方法及び装置、電子機器並びに記憶媒体
KR1020227000768A KR20220011207A (ko) 2020-04-17 2021-03-19 이미지 처리 방법 및 장치, 전자 기기 및 저장 매체

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010306929.2A CN111507408B (zh) 2020-04-17 2020-04-17 图像处理方法及装置、电子设备和存储介质
CN202010306929.2 2020-04-17

Publications (1)

Publication Number Publication Date
WO2021208667A1 true WO2021208667A1 (zh) 2021-10-21

Family

ID=71874374

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/081782 WO2021208667A1 (zh) 2020-04-17 2021-03-19 图像处理方法及装置、电子设备和存储介质

Country Status (5)

Country Link
JP (1) JP2022532322A (zh)
KR (1) KR20220011207A (zh)
CN (1) CN111507408B (zh)
TW (1) TWI782480B (zh)
WO (1) WO2021208667A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018059A (zh) * 2022-08-09 2022-09-06 北京灵汐科技有限公司 数据处理方法及装置、神经网络模型、设备、介质
CN115131641A (zh) * 2022-06-30 2022-09-30 北京百度网讯科技有限公司 图像识别方法、装置、电子设备和存储介质
CN115223018A (zh) * 2022-06-08 2022-10-21 东北石油大学 伪装对象协同检测方法及装置、电子设备和存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507408B (zh) * 2020-04-17 2022-11-04 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN111967401A (zh) * 2020-08-19 2020-11-20 上海眼控科技股份有限公司 目标检测方法、设备及存储介质
CN112200201A (zh) * 2020-10-13 2021-01-08 上海商汤智能科技有限公司 一种目标检测方法及装置、电子设备和存储介质
CN112232361B (zh) * 2020-10-13 2021-09-21 国网电子商务有限公司 图像处理的方法及装置、电子设备及计算机可读存储介质
CN113191390B (zh) * 2021-04-01 2022-06-14 华中科技大学 一种图像分类模型的构建方法、图像分类方法及存储介质
CN114463605B (zh) * 2022-04-13 2022-08-12 中山大学 基于深度学习的持续学习图像分类方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096670A (zh) * 2016-06-17 2016-11-09 北京市商汤科技开发有限公司 级联卷积神经网络训练和图像检测方法、装置及系统
US20180060719A1 (en) * 2016-08-29 2018-03-01 International Business Machines Corporation Scale-space label fusion using two-stage deep neural net
CN110378976A (zh) * 2019-07-18 2019-10-25 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110852349A (zh) * 2019-10-21 2020-02-28 上海联影智能医疗科技有限公司 一种图像处理方法、检测方法、相关设备及存储介质
CN111507408A (zh) * 2020-04-17 2020-08-07 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9965719B2 (en) * 2015-11-04 2018-05-08 Nec Corporation Subcategory-aware convolutional neural networks for object detection
US10929977B2 (en) * 2016-08-25 2021-02-23 Intel Corporation Coupled multi-task fully convolutional networks using multi-scale contextual information and hierarchical hyper-features for semantic image segmentation
JP6546618B2 (ja) * 2017-05-31 2019-07-17 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習装置、学習方法、学習モデル、検出装置及び把持システム
KR102235745B1 (ko) * 2018-08-10 2021-04-02 네이버 주식회사 컨볼루션 순환 신경망을 훈련시키는 방법 및 훈련된 컨볼루션 순환 신경망을 사용하는 입력된 비디오의 의미적 세그먼트화 방법
TWI691930B (zh) * 2018-09-19 2020-04-21 財團法人工業技術研究院 基於神經網路的分類方法及其分類裝置
CN109816671B (zh) * 2019-01-31 2021-09-24 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
CN110647834B (zh) * 2019-09-18 2021-06-25 北京市商汤科技开发有限公司 人脸和人手关联检测方法及装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096670A (zh) * 2016-06-17 2016-11-09 北京市商汤科技开发有限公司 级联卷积神经网络训练和图像检测方法、装置及系统
US20180060719A1 (en) * 2016-08-29 2018-03-01 International Business Machines Corporation Scale-space label fusion using two-stage deep neural net
CN110378976A (zh) * 2019-07-18 2019-10-25 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110852349A (zh) * 2019-10-21 2020-02-28 上海联影智能医疗科技有限公司 一种图像处理方法、检测方法、相关设备及存储介质
CN111507408A (zh) * 2020-04-17 2020-08-07 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115223018A (zh) * 2022-06-08 2022-10-21 东北石油大学 伪装对象协同检测方法及装置、电子设备和存储介质
CN115223018B (zh) * 2022-06-08 2023-07-04 东北石油大学 伪装对象协同检测方法及装置、电子设备和存储介质
CN115131641A (zh) * 2022-06-30 2022-09-30 北京百度网讯科技有限公司 图像识别方法、装置、电子设备和存储介质
CN115018059A (zh) * 2022-08-09 2022-09-06 北京灵汐科技有限公司 数据处理方法及装置、神经网络模型、设备、介质

Also Published As

Publication number Publication date
TW202141423A (zh) 2021-11-01
CN111507408A (zh) 2020-08-07
KR20220011207A (ko) 2022-01-27
TWI782480B (zh) 2022-11-01
JP2022532322A (ja) 2022-07-14
CN111507408B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
WO2021208667A1 (zh) 图像处理方法及装置、电子设备和存储介质
WO2021155632A1 (zh) 图像处理方法及装置、电子设备和存储介质
TWI740309B (zh) 圖像處理方法及裝置、電子設備和電腦可讀儲存介質
TWI749423B (zh) 圖像處理方法及裝置、電子設備和電腦可讀儲存介質
TWI724736B (zh) 圖像處理方法及裝置、電子設備、儲存媒體和電腦程式
US20210012143A1 (en) Key Point Detection Method and Apparatus, and Storage Medium
WO2021164469A1 (zh) 目标对象的检测方法、装置、设备和存储介质
WO2021128578A1 (zh) 图像处理方法及装置、电子设备和存储介质
WO2020135529A1 (zh) 位姿估计方法及装置、电子设备和存储介质
CN108629354B (zh) 目标检测方法及装置
US11417078B2 (en) Image processing method and apparatus, and storage medium
WO2020155711A1 (zh) 图像生成方法及装置、电子设备和存储介质
WO2021139120A1 (zh) 网络训练方法及装置、图像生成方法及装置
WO2021169132A1 (zh) 图像处理方法及装置、电子设备和存储介质
WO2021208666A1 (zh) 字符识别方法及装置、电子设备和存储介质
TWI778313B (zh) 圖像處理方法、電子設備和儲存介質
KR20200106027A (ko) 네트워크 모듈 및 분배 방법 및 장치, 전자 기기 및 저장 매체
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN111259967A (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
US20220270352A1 (en) Methods, apparatuses, devices, storage media and program products for determining performance parameters
WO2022141969A1 (zh) 图像分割方法及装置、电子设备、存储介质和程序
CN113283343A (zh) 人群定位方法及装置、电子设备和存储介质
CN111311588B (zh) 重定位方法及装置、电子设备和存储介质
CN114359808A (zh) 目标检测方法及装置、电子设备和存储介质
CN113435390A (zh) 人群定位方法及装置、电子设备和存储介质

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021566025

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21788380

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20227000768

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 31.03.2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21788380

Country of ref document: EP

Kind code of ref document: A1