[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

说明书

本申请公开了一种目标检测方法、装置以及计算机可读存储介质，该目标检测方法包括：获取待检测图像，并获取待检测图像中目标的框特征；从预存的框缓存特征中提取与目标的类型对应的框缓存特征，其中，框缓存特征标识预测点与真实目标边框的距离信息；基于目标的框特征以及框缓存特征计算目标最终目标框的位置和大小。上述方案，能够提高目标检测的准确性。

技术领域

本申请涉及图像处理与人工智能技术领域，特别是涉及一种目标检测方法、装置以及计算机可读存储介质。

背景技术

随着CNN的发展，出现了许多目标检测算法。这些基于CNN的目标检测算法虽然能够达到很高的检测精度，但都需要依靠大量物体级标记(对每个目标画出目标框)的样本进行训练上的支持。并且，对于不同的检测任务，需要构建完全不同的数据库进行训练。在实际应用中，获取大量的训练样本有时需要耗费大量的人力和时间成本，有时则是完全无法达到的。这已经成了应用基于CNN的目标检测算法的瓶颈。

为了解决物体级标记难以获得的问题，基于弱监督学习的目标检测算法应运而生。这类算法同样基于CNN，但不同的是在训练过程中不再使用物体级的标签，而是使用图像级标签(只对图像内是否存在目标进行标注)。一方面，在进行人工标注时，进行图像级标注的难度远远低于物体级标注，能够以更高的效率构建训练数据集。另一方面，由于搜索引擎的存在，人们甚至可以轻而易举地通过网络获取带有特定图像级标注的样本，进一步削减了构建数据集的工作量。

然而，在现有的深度学习目标检测技术下，其首先需要在大量的人工精细标注（类别及位置）的数据上进行神经网络的训练才能得到更高精度的网络模型，人工标注费耗人力，怎么样在稀疏的标注下得到更优的网络模型成为技术瓶颈。

发明内容

本申请至少提供一种目标检测方法、装置以及计算机可读存储介质。

本申请第一方面提供了一种目标检测方法，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；

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。

其中，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。

其中，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。