[发明专利]目标检测模型、应用方法及相关装置

权利要求书

1.一种目标检测模型，其特征在于，包括特征提取模块、特征融合模块和目标检测模块，所述特征提取模块连接所述特征融合模块和所述目标检测模块，所述特征融合模块连接所述目标检测模块；

所述特征提取模块，用于提取原始图像的多种尺度的特征图；

所述特征融合模块，用于对所述多种尺度的特征图中至少三个特征图进行特征融合，所述至少三个特征图包括尺度相同和不同的特征图；

所述目标检测模块，用于根据所述多个特征图中未进行特征融合的特征图和特征融合后的特征图，得到所述原始图像中待检测目标的目标类别和目标位置。

2.根据权利要求1所述的方法，其特征在于，所述至少三个特征图包括第一特征图、第二特征图和第三特征图，所述第一特征图对应第一卷积层，所述第二特征图对应第二卷积层，所述第二特征图对应第三卷积层，所述第一卷积层和所述第二卷积层的尺度相同，所述第三卷积层的尺度大于所述第二卷积层；

所述特征融合模块包括第一特征融合模块和第二特征融合模块；

所述第一卷积层连接所述目标检测模块，所述第一卷积层和所述第二卷积层连接所述第一特征融合模块，所述第一特征融合模块和所述第三卷积层连接所述第二特征融合模块，所述第二特征融合模块连接所述目标检测模块；

所述第一特征融合模块用于对所述第一特征图和所述第二特征图进行第一特征融合处理，得到第一融合特征图；

所述第二特征融合模块用于对所述第一融合特征图和所述第三特征图进行第二特征融合处理，得到第二融合特征图；

所述目标检测模块，用于根据所述第一特征图、所述第二融合特征图以及未进行特征融合的特征图中除所述第一特征图之外的特征图，得到所述原始图像中待检测目标的目标类别和目标位置。

3.根据权利要求2所述的方法，其特征在于，所述第一特征融合模块包括第一卷积单元、第二卷积单元、第一批量正则化单元、第二批量正则化单元、第一点乘单元、第一激活函数单元；

所述第一卷积单元连接所述第一批量正则化单元，所述第二卷积单元连接所述第二批量正则化单元，所述第一批量正则化单元和所述第二批量正则化单元连接所述第一点乘单元，所述第一点乘单元连接所述第一激活函数单元；

所述第一卷积单元对所述第一特征图进行处理，所述第二卷积单元对所述第二特征图进行处理，所述第一激活函数单元输出所述第一融合特征图。

4.根据权利要求2或3所述的方法，其特征在于，所述第二特征融合模块包括第三卷积单元、反卷积单元、第四卷积单元、第五卷积单元、第三批量正则化单元、第四批量正则化单元、第二点乘单元、第二激活函数单元；

所述第三卷积单元连接所述第三批量正则化单元，所述反卷积单元连接所述第四卷积单元，所述第四卷积单元连接所述第五卷积单元，所述第五卷积单元连接所述第四批量正则化单元，所述第四批量正则化单元连接所述第二激活函数单元；

所述反卷积单元对所述第一融合特征图进行处理，所述第三卷积单元对所述第三特征图进行处理，所述第二激活函数单元输出所述第二融合特征图。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标检测模块具体用于：

通过卷积滤波器处理所述多个特征图中未进行特征融合的特征图和特征融合后的特征图，得到待检测目标的多个特征图的多个预测边框内的目标类别和相对默认边框的位置偏移量；

以及使用非极大值抑制对所述多个预测边框内的目标类别及预测边框相对所述默认边框的位置偏移量进行抑制，得到最终的预测边框内的目标类别及预测边框相对所述默认边框的位置偏移量；

以及根据最终的预测边框相对默认边框的位置偏移量和所述默认边框的位置坐标确定预测边框的位置坐标。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述特征提取模块包括支持单阶段多目标检测的深度学习模型网络。

7.根据权利要求6所述的方法，其特征在于，所述支持单阶段多目标检测的深度学习模型网络包括改进的mobileNet；

所述改进的mobileNet包括mobileNet的卷积层0至卷积层11，以及包括自定义的依次减小的卷积层12至卷积层16。