[发明专利]对象检测方法、装置、设备及介质

说明书

本发明公开了对象检测方法、装置、设备及介质，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。本发明基于对象检测器对对象边缘信息进行针对性学习，从而显著提升识别精度。

技术领域

本发明涉及图像对象检测领域，尤其涉及对象检测方法、装置、设备及介质。

背景技术

现有的对象检测技术可以确定每个对象的类以及图像中每个对象的位置，目前基于深度学习的对象检测方法已经取得了显着的成功。基于深度学习的对象检测方法通常包括两个预测器，所述两个预测期分别为类别分类器和候选框回归器，所述类别分类器可以对图像中的对象进行分类，所述候选框回归器可以为对象进行定位回归。但是基于两个预测器的对象检测方法对候选框内部的局部信息的捕捉能力较弱，无法学习到对象的边缘信息，因此，影响了其检测精度。

发明内容

为了解决现有技术无法对候选框中局部信息进行捕捉，无法学习对象的边缘信息从而导致检测精度偏低的技术问题，本发明实施例提供对象检测方法、装置、设备及介质。

一方面，本发明提供了一种对象检测方法，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。

另一方面，本发明提供了一种对象检测器生成方法，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。

另一方面，本发明提供了一种对象检测装置，所述装置包括：

待检测图像获取模块，用于获取待检测图像；

对象检测输入模块，用于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；

检测结果获取模块，用于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。