[发明专利]目标物体检测模型、训练方法、物体检测方法和相关设备

说明书

本申请提供了一种目标物体检测模型、训练方法、物体检测方法和相关设备，目标物体检测模型包括信息合并网络和/或引导网络以及YOLOv3‑Tiny子模型；信息合并网络用于将YOLOv3‑Tiny子模型中待检测图像的的高层信息和低层信息合并，引导网络用于将YOLOv3‑Tiny子模型的低层信息引导至YOLOv3‑Tiny子模型的合并层与高层信息合并，并将合并后的高低层信息输入合并层的下一卷积层进行卷积处理，实现低层信息和高层信息的融合。本申请使得低层信息能够被进一步得到使用，有效提高对目标检测的全面性，提高对小目标的检测效果。

技术领域

本申请涉及物体检测技术领域，特别涉及一种目标物体检测模型、训练方法、物体检测方法和相关设备。

背景技术

目标检测(Object Detection)是计算机视觉领域的基本任务之一，近些年随着神经网络的火热发展，基于深度学习的目标检测算法也蓬勃发展起来。基于深度学习检测算法采用端到端的解决方式，即输入图像到输出任务结果一步完成，有效提高了解决问题的效率。但在实际检测运动目标过程中，会存在硬件技术的限制及目标遮挡、多目标干扰等复杂因素，因此在检测的准确性和实时性上存在很大的提升空间。

YOLOv3是YOLO目标检测算法的第三个改进版本，其在检测精度与速度上照比其他算法都有大幅度的提升，是当前目标检测领域之首选。YOLOv3-Tiny在基本保留YOLOv3原有性能的基础上，对网络结构进行压缩，使算法能够在低内存情况下也能达到实时检测要求，有助于解决实际应用中功耗大、内存小等难题。但是，YOLOv3-Tiny模型在实际使用中，对小目标的检测效果较差，难以满足应用场景需求。

发明内容

本申请的主要目的为提供一种目标物体检测模型、训练方法、物体检测方法和相关设备，旨在解决现有YOLOv3-Tiny模型在实际使用对小目标的检测效果较差的弊端。

为实现上述目的，本申请提供了一种目标物体检测模型，包括引导网络和YOLOv3-Tiny子模型；

所述YOLOv3-Tiny子模型包括第一合并层和第一高层信息卷积层，所述引导网络包括第一卷积层；

所述第一卷积层的输入端与所述YOLOv3-Tiny子模型的低层信息输出端连接，所述第一卷积层的输出端、所述YOLOv3-Tiny子模型中的高层信息第一输出端与所述第一合并层的输入端连接，所述第一合并层的输出端与所述第一高层信息卷积层连接，所述引导网络将待检测图像的低层信息引导至所述第一合并层，并与所述YOLOv3-Tiny子模型中待检测图像的的高层信息在所述第一合并层合并后输入所述第一高层信息卷积层进行卷积处理，实现低层信息和高层信息的融合。

进一步的，还包括信息合并网络，所述YOLOv3-Tiny子模型还包括第二高层信息卷积层，所述信息合并网络包括第二卷积层和第二合并层；

所述第二卷积层的输入端与所述YOLOv3-Tiny子模型的低层信息输出端连接，所述第二卷积层的输出端、所述YOLOv3-Tiny子模型中的高层信息第二输出端与所述第二合并层的输入端连接，所述第二合并层的输出端与所述第二高层信息卷积层连接，所述信息合并网络将待检测图像的高层信息和低层信息合并后输入所述第二高层信息卷积层进行卷积处理，实现低层信息和高层信息的融合。

进一步的，所述YOLOv3-Tiny子模型包括第一预测网络和第二预测网络，所述第一预测网络和所述第二预测网络共用一个输入层，且共用部分卷积层和池化层；

所述第二预测网络包括所述第一合并层，所述第一卷积层的输入端与所述YOLOv3-Tiny子模型的第二个池化层的输出端连接，所述第一卷积层的输出端与所述第一合并层的输入端连接，且所述第二预测网络的上采样层的输出端与所述第一合并层的输入端连接，所述第一合并层的输出端与所述第二预测网络的倒数第二个卷积层的输入端连接；