[发明专利]一种目标检测方法、装置以及计算机可读存储介质

权利要求书

1.一种目标检测方法，其特征在于，所述目标检测方法包括：

获取待检测图像，并获取所述待检测图像中目标的框特征；其中，所述获取所述待检测图像中目标的框特征的步骤，包括：将所述待检测图像输入主干网络，获取所述主干网络输出的预测点；回归出所述预测点与标注的真实目标边框的距离，得到所述框特征；

从预存的框缓存特征中提取与所述目标的类型对应的框缓存特征，其中，所述框缓存特征标识预测点与真实目标边框的距离信息；

基于所述目标的框特征以及所述框缓存特征计算所述目标最终目标框的位置和大小；

其中，所述方法还包括：获取多张待训练图像，将多张所述待训练图像输入预设神经网络进行训练，得到所述待训练图像的预测点；基于所述预测点以及标注的真实目标边框，得到框特征；对多张所述待训练图像的框特征进行更新，得到所述框缓存特征。

2.根据权利要求1所述的目标检测方法，其特征在于，

所述对多张所述待训练图像的框特征进行更新，得到框缓存特征的步骤，包括：

获取上一张待训练图像的框特征，以及当前张待训练图像的框特征；

将所述上一张待训练图像的框特征和所述当前张待训练图像的框特征按照第一预设更新权重叠加，得到所述框缓存特征。

3.根据权利要求1所述的目标检测方法，其特征在于，

所述从预存的框缓存特征中提取与所述目标的类型对应的框缓存特征之前，所述方法还包括：

基于预存的类缓存特征、所述目标的类特征以及所述目标的第一分类置信度计算所述目标的第二分类置信度；

基于所述第二分类置信度确定所述目标的类型；

其中，所述方法还包括：基于所述目标的框特征计算所述目标的中心度；获取所述目标参考所述中心度后的分类置信度作为所述第一分类置信度；

其中，所述基于预存的类缓存特征、所述目标的类特征以及所述目标的第一分类置信度计算所述目标的第二分类置信度之前，所述方法还包括：获取多张待训练图像，将多张所述待训练图像输入预设神经网络进行训练，得到所述待训练图像的特征图；基于所述特征图提取与标注的目标对应的类特征；对多张所述待训练图像的类特征进行更新，得到所述类缓存特征；

其中，所述第二分类置信度的具体计算公式如下：

score＝m×S′+(1-m)×F×CF_buffer^T

S′＝S×centerness

其中，S为所述目标的类特征，CF_buffer^T为所述预存的类缓存特征，S’为所述第一分类置信度，score为所述第二分类置信度，centerness表示目标的中心度，F为特征图像的维度B×N×H×W，其中，B表示输入所述待检测图像的数量，N表示所述特征图像的通道数量，H表示所述特征图像的高度，W表示所述特征图像的宽度。

4.根据权利要求3所述的目标检测方法，其特征在于，

所述对多张所述待训练图像的类特征进行更新，得到类缓存特征的步骤，包括：

获取上一张待训练图像的类特征，以及当前张待训练图像的类特征；

将所述上一张待训练图像的类特征和所述当前张待训练图像的类特征按照第二预设更新权重叠加，得到所述类缓存特征。

5.根据权利要求1所述的目标检测方法，其特征在于，

所述获取待检测图像的步骤之后，所述目标检测方法还包括：

将所述待检测图像经过归一化处理以及按照固定尺寸缩放处理；

获取处理后的所述待检测图像的框特征。

6.根据权利要求1所述的目标检测方法，其特征在于，

所述主干网络为ResNet50、VGG16、ResNext34中的一种神经网络。