[发明专利]一种目标检测方法、设备及计算机存储介质

说明书

本发明公开一种目标检测方法、设备及计算机存储介质，涉及计算机技术领域，以解决针对待检测图像中的目标对象的特征提取能力弱及泛化能力弱的问题。所述目标检测方法包括：获取待检测图像；利用递归网络结构模型对所述待检测图像进行检测，获得目标特征信息；所述递归网络结构模型包括架构相同的M级特征提取网络，M为大于或等于2的整数；每级所述特征提取网络具有至少两个输出特征，第i级所述特征提取网络具有的至少两个输出特征为第i+1级所述特征提取网络的至少两个输入特征，i为大于或等于1，且小于M的整数。本发明提供的目标检测方法用于在保证对目标对象的检测精度的基础上，增强对目标对象的特征提取能力及泛化能力。

技术领域

本发明涉及计算机技术领域，尤其涉及一种目标检测方法、设备及计算机存储介质。

背景技术

相关技术中，由于深度学习框架的不断改进，应用深度学习框架的目标检测算法得到了快速发展。

在应用深度学习框架的目标检测算法中，采用深层网络结构的算法能够有效提取目标特征信息，但小目标对象能够提供给深层网络的特征信息过于匮乏，导致小目标对象的识别率下降；采用浅层网络结构的算法，提取特征信息能力较弱，对于voc数据集、coco数据集之外的图片泛化性差，识别准确率低。

发明内容

本发明的目的在于提供一种目标检测方法、设备及计算机存储介质，用于在保证待检测图像中的目标对象的检测精度的基础上，解决针对目标对象的特征提取能力弱及泛化能力弱的问题。

第一方面，本发明提供一种目标检测方法，包括：获取待检测图像；利用递归网络结构模型对所述待检测图像进行检测，获得目标特征信息；所述递归网络结构模型包括架构相同的M级特征提取网络，M为大于或等于2的整数；每级所述特征提取网络具有至少两个输出特征，第i级所述特征提取网络具有的至少两个输出特征为第i+1级所述特征提取网络的至少两个输入特征，i为大于或等于1，且小于M的整数。

与现有技术相比，本发明提供的目标检测方法中，获取待检测图像；利用递归网络结构模型对所述待检测图像进行检测，获得目标特征信息；上述递归网络结构模型包括架构相同的M级特征提取网络，M为大于或等于2的整数；每级特征提取网络具有至少两个输出特征，第i级特征提取网络具有的至少两个输出特征为第i+1级特征提取网络的至少两个输入特征，i为大于或等于1，且小于M的整数；如此，在保证目标对象的检测精度的基础上，增强待检测图像中目标对象的特征提取能力及泛化能力。

第二方面，本发明还提供一种目标检测设备，包括处理器以及与处理器耦合的通信接口；所述处理器用于运行计算机程序或指令，以实现上述任一项所述目标检测方法。

第三方面，本发明还提供一种计算机存储介质，所述计算机存储介质中存储有指令，当所述指令被运行时，以实现上述任一项所述目标检测方法。

与现有技术相比，本发明提供的目标检测装置、计算机存储介质的有益效果与上述技术方案所述目标检测方法的有益效果相同，此处不做赘述。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例提供的目标检测方法的流程示意图一；

图2为本发明实施例提供的目标检测方法的流程示意图二；

图3为本发明实施例提供的融合网络的结构示意图；

图4为本发明实施例提供的目标检测装置的结构框图；

图5为本发明实施例提供的目标检测设备的硬件结构示意图；

图6为本发明实施例提供的芯片的结构示意图。

具体实施方式