[发明专利]一种目标检测方法、装置、系统及存储介质

说明书

本发明提供了一种目标检测方法、装置、系统及存储介质，方法包括：将待处理图像输入主干神经网络,得到所述主干神经网络的多个网络层输出的多个基础特征，其中，所述多个基础特征包括多个层次的特征；结合所述多个基础特征之间的语义信息，得到多个融合特征；基于级联的检测网络对所述多个融合特征分别进行分类和边界框预测，得到目标检测结果。根据本发明的方法、装置、系统及存储介质，通过级联检测网络对多个融合语义信息的特征进行分类和边界框预测，提升了目标检测准确度，且不依赖于后处理的集成，提高了整个网络的稳定性。

技术领域

本发明涉及图像处理技术领域，更具体地涉及目标检测的处理。

背景技术

目标检测是计算机视觉领域最广为关注的问题之一，尽管来自于CNN的目标检测算法较传统方法在准确率上取得的突飞猛进的进展，然而目标检测被构建为目标分类和边界框回归的问题后在一定程度上提高了目标检测的准确率。但是，尽管基于此类目标分类和边界框回归进行目标检测的神经网络模型在mmAP指标中获得了增长，且提高了候选框的质量，并在高IoU(Intersection over Union，交并比)阈值情况下的性能指标中取得了提升，但在低IoU阈值情况下的性能指标中出现了下降，且依赖于后处理过程。

因此，现有技术中的目标检测在低IoU阈值情况下性能不好且依赖于后处理的在问题。

发明内容

考虑到上述问题而提出了本发明。本发明提供了一种目标检测方法、装置、系统及计算机存储介质，以至少解决上述问题之一。

根据本发明的第一方面，提供了一种目标检测方法，包括：

将待处理图像输入主干神经网络,得到所述主干神经网络的多个网络层输出的多个基础特征，其中，所述多个基础特征包括多个层次的特征；

结合所述多个基础特征之间的语义信息，得到多个融合特征；

基于级联的检测网络对所述多个融合特征分别进行分类和边界框预测，得到目标检测结果。

示例性地，所述基于级联的检测网络对所述多个融合特征分别进行分类和边界框预测，得到目标检测结果，包括：

将所述多个融合特征输入所述级联的检测网络，得到所述多个融合特征的分类结果和边界框预测结果；

对所述多个融合特征的分类结果和边界框预测结果进行筛选，得到所述目标检测结果。

示例性地，所述级联的检测网络包括多个回归模块，所述将所述多个融合特征输入所述级联的检测网络，得到所述多个融合特征的分类结果和边界框预测结果，包括：

当前回归模块接收上一回归模块的输出结果和所述多个融合特征，并对所述输出结果和所述多个融合特征进行卷积运算；

基于所述多个回归模块的最后一个回归模块的卷积运算结果，得到所述边界框预测结果。

示例性地，所述级联的检测网络包括多个分类模块，所述将所述多个融合特征输入所述级联的检测网络，得到所述多个融合特征的分类结果和边界框预测结果，包括：

当前分类模块和所述当前分类模块的前序分类模块分别对所述多个融合特征进行处理，得到所述当前分类模块对应的多个当前分类结果；

基于所述多个当前分类结果，得到所述当前分类模块对应的分类结果。

示例性地，所述对多个所述融合特征的分类结果和边界框预测结果进行筛选，得到所述目标检测结果，包括：

基于非极大值抑制算法对所述分类结果和所述边界框预测结果进行筛选，得到所述目标检测结果。

示例性地，所述目标检测结果包括至少一个目标的边界框以及所述至少一个目标对应的分类结果。