[发明专利]小目标的检测方法、装置、存储介质及设备

说明书

本申请公开了一种小目标的检测方法、装置、存储介质及设备，属于图像处理技术领域。所述方法用于神经网络模型中，其中的改进特征金字塔网络中包括n个卷积层、n个预测层和一个临时层，n≥3，包括：获取待检测的图像；n个卷积层对图像进行卷积运算，依次得到n个卷积结果；n个预测层中的前n‑1个预测层对对应的卷积结果进行预定运算，依次得到n‑1个预测结果；临时层根据n‑1个预测结果中的后m个预测结果进行预定运算，得到临时结果，m≥2；n个预测层中的第n个预测层对对应的卷积结果和临时结果进行预定运算，得到第n个预测结果；检测网络根据n个预测结果检测小目标对象。本申请可以提高小目标对象的检测效果。

技术领域

本申请实施例涉及图像处理技术领域，特别涉及一种小目标的检测方法、装置、存储介质及设备。

背景技术

目标检测是指在给定的一张图像中精确找到目标对象所在的位置，并标注出目标对象的类别。在实际图像中，由于目标对象的尺寸变化范围很大，且目标对象的摆放角度、姿态、在图像中的位置都不一样，目标对象之间可能还有重叠现象，这使得目标检测的难度变得很大。图像中的小目标对象由于所占像素较少，导致神经网络模型无法准确学习到小目标对象的特征，使得小目标对象的检测效果比中目标对象或大目标对象的效果差很多，因此，针对小目标对象的检测是目标检测的瓶颈之一。

相关技术中，可以采用特征融合的方式来进行小目标的检测。以采用特征金字塔网络进行特征融合为例，如图1所示，特征金字塔网络中包括五个卷积层、五个预测,和检测网络，以从下往上的顺序依次将五个卷积层表示为L1-L5，以从上往下的顺序依次将五个预测层表示为P5-P1，将图像输入第一个卷积层L1后，第一个卷积层L1对图像进行卷积运算后得到第一卷积结果，将第一卷积结果分别输出给第二个卷积层L2和第五个预测层P1，第二个卷积层L2对第一卷积结果进行卷积运算后得到第二卷积结果，将第二卷积结果分别输出给第三个卷积层L3和第四个预测层P2，依此类推，第五个卷积层L5将得到的第五卷积结果输出给第一个预测层P5，第一个预测层P5对第五卷积结果进行卷积运算后得到第一预测结果，将第一预测结果分别输出给检测网络和第二个预测层P4，第二个预测层P4对第一预测结果进行上采样后与第四卷积结果相加，得到第二预测结果，将第二预测结果分别输出给检测网络和第三个预测层P3，依此类推，第五个预测层P1将得到的第五预测结果输出给检测网络，检测网络根据接收到的5个预测结果检测小目标对象。

由于上述特征金字塔网络对图像进行了多次卷积运算，使得小目标对象的特征逐渐消失，导致小目标对象的检测效果较差。

发明内容

本申请实施例提供了一种小目标的检测方法、装置、存储介质及设备，用于解决特征金字塔网络对图像进行了多次卷积运算，使得小目标对象的特征逐渐消失，导致小目标对象的检测效果较差的问题。所述技术方案如下：

一方面，提供了一种小目标的检测方法，用于神经网络模型中，所述神经网络模型中包括改进特征金字塔网络和检测网络，所述改进特征金字塔网络中包括n个卷积层、n个预测层和一个临时层，n≥3，所述方法包括：

获取待检测的图像，所述图像中包含至少一个小目标对象，所述小目标对象是像素面积小于预定面积的目标对象；

所述n个卷积层对所述图像进行卷积运算，依次得到n个卷积结果；

所述n个预测层中的前n-1个预测层对对应的卷积结果进行预定运算，依次得到n-1个预测结果；

所述临时层根据所述n-1个预测结果中的后m个预测结果进行预定运算，得到临时结果，m≥2；

所述n个预测层中的第n个预测层对对应的卷积结果和所述临时结果进行预定运算，得到第n个预测结果；

所述检测网络根据n个预测结果检测所述小目标对象。

在一种可能的实现方式中，当m为2时，所述临时层根据所述n-1个预测结果中的后m个预测结果进行预定运算，得到临时结果，包括：

所述临时层对第n-1个预测结果进行上采样，得到第n-1个采样结果；