[发明专利]对象检测方法、装置、设备及介质

权利要求书

1.一种对象检测方法，其特征在于，所述方法包括：

获取待检测图像；

将所述待检测图像输入对象检测器；所述对象检测器包括并联的第一预测器、第二预测器和第三预测器，并通过同时对并联的所述第一预测器、第二预测器和第三预测器进行训练，并以由所述第一预测器产生的分类损失代价、所述第二预测器产生的候选框定位损失代价和所述第三预测器产生的候选框内边缘检测损失代价构成的综合损失代价为所述对象检测器的回归目标而得到；

获取所述对象检测器的检测结果，所述检测结果包括所述图像中的对象的分类结果，所述对象所在的候选框以及所述候选框中所述对象的边缘。

2.根据权利要求1所述的方法，其特征在于：

所述第一预测器产生的分类损失代价指向每个图像样本中预测的对象分类与所述图像样本中对象的实际类别的标注结果之间的差异；

所述第二预测器产生的候选框定位损失代价指向图像样本中预测的对象所在的候选框位置与所述图像样本中对象所在的候选框的实际位置的标注结果之间的差异；

所述第三预测器产生的候选框内边缘检测损失代价指向每个图像样本中预测的候选框中的边缘检测结果与所述图像样本中对象所在的候选框的实际边缘标注结果之间的差异。

3.一种对象检测器生成方法，其特征在于，所述方法包括：

构建对象检测器框架，所述对象检测器框架包括特征提取模块和与所述特征提取模块并联的第一模型、第二模型和第三模型；

获取训练样本集，所述训练样本集中的每个训练样本均标注有所述训练样本中的对象的类别，所述训练样本中的对象所在的候选框以及所述候选框中对象的边缘；

构建所述对象检测器框架指向的总损失代价函数，所述总损失代价函数包括第一模型指向的分类损失代价函数、第二模型指向的候选框定位损失代价函数和第三模型指向的候选框内边缘检测代价损失函数；

基于所述训练样本集，使用梯度下降法根据所述总损失函数对所述对象检测器框架进行迭代训练，以得到包括并联的第一预测器、第二预测器和第三预测器的对象检测器。

4.根据权利要求3所述的方法，其特征在于：

所述对象检测器框架的主路径上包括依次串联的卷积神经网络、图像金字塔网络和区域特征聚集模型；

所述区域特征聚集模型分别与所述第一模型、第二模型和第三模型并联，以便于所述第一模型、第二模型和第三模型均根据获取到的所述区域特征聚集模型的输出结果执行训练过程。

5.根据权利要求3所述的方法，其特征在于：

所述分类损失代价函数为L_cls(p,u)＝-logp_u，其中p,u,p_u分别表示感兴趣区域中的对象属于的所有类别的统称，对象被标注的类别以及第一模型预测出的对象属于被标注的类别的概率；

所述候选框定位损失代价函数为其中，t^u,v分别表示对象被标注的候选框定位和第二模型预测出的候选框定位；每个候选框定位均通过一个四元张量(x,y,w,h)表示，其分别表示候选框的左上角横坐标值，候选框的左上角纵坐标值，候选框的宽度和候选框的高度；其中，为平滑函数；

所述候选框内边缘检测代价损失函数为L_b＝-∑_ij[blogp_i,j+(1-b)log(1-p_i,j)]，其中p_i,j为第三模型输出的第i行，第j列的像素为边缘像素的预测概率，b为该像素被标注是否为边缘像素的指示值。

6.根据权利要求5所述的方法，其特征在于：

所述总损失代价函数为第一模型指向的分类损失代价函数、第二模型指向的候选框定位损失代价函数和第三模型指向的候选框内边缘检测代价损失函数的加权平均值。