[发明专利]目标检测方法、装置及电子设备

权利要求书

1.一种目标检测方法，其特征在于，所述方法应用于电子设备，所述电子设备上预存有目标检测模型，所述目标检测模型包括第一特征提取器、梯度解耦层、区域建议网络层与区域卷积神经网络层，所述梯度解耦层配置有与所述区域建议网络层对应的第一解耦参数和与所述区域卷积神经网络层对应的第二解耦参数，所述方法包括：

通过所述第一特征提取器对待检测图像进行特征提取，得到所述待检测图像对应的基本特征；

通过所述梯度解耦层分别利用所述第一解耦参数和所述第二解耦参数对所述基本特征进行处理，得到所述第一解耦参数对应的第一解耦特征和所述第二解耦参数对应的第二解耦特征；其中，所述第一解耦参数和所述第二解耦参数不同，以使所述第一解耦特征与所述基本特征之间的相似度和所述第二解耦特征与所述基本特征之间的相似度不同；

通过所述区域建议网络层对所述第一解耦特征进行处理，得到区域建议特征；

通过所述区域卷积神经网络层对所述第二解耦特征以及所述区域建议特征进行处理，得到目标对象对应的检测结果；其中，所述检测结果包括目标框和所述目标框对应的分类得分。

2.根据权利要求1所述的方法，其特征在于，通过所述梯度解耦层分别利用所述第一解耦参数和所述第二解耦参数对所述基本特征进行处理，得到所述第一解耦参数对应的第一解耦特征和所述第二解耦参数对应的第二解耦特征的步骤，包括：

将所述基本特征输入所述梯度解耦层；

通过所述梯度解耦层将所述第一解耦参数与所述基本特征相乘，得到第一乘积，将所述第一乘积确定为第一解耦特征；

通过所述梯度解耦层将所述第二解耦参数与所述基本特征相乘，得到第二乘积，将所述第二将乘积确定为第二解耦特征。

3.根据权利要求1或2所述的方法，其特征在于，所述目标检测模型通过以下方法训练得到：

获取第一初始解耦参数和第二初始解耦参数；

通过第一类样本图像对初始检测模型进行训练，当满足第一模型收敛条件时，得到第一检测模型；其中，所述第一类样本图像中包含的对象与所述目标对象的类型不同；

通过第二类样本图像对所述第一检测模型进行训练，将满足第二模型收敛条件时的所述第一检测模型确定为所述目标检测模型；其中，所述第二类样本图像中包含的对象与所述目标对象的类型相同，且所述第一类样本图像的数量大于所述第二类样本图像的数量。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述目标检测模型还包括与所述区域卷积神经网络层连接的第二特征提取器；

得到目标对象对应的检测结果的步骤之后，所述方法还包括：

通过所述第二特征提取器对所述第二类样本图像进行特征提取，得到第二类样本图像特征集；

通过所述第二特征提取器对所述待检测图像进行特征提取，得到所述待检测图像对应的预测特征；

根据所述第二类样本图像特征集与所述预测特征确定校正分类得分；

根据所述校正分类得分对所述目标框对应的分类得分进行校正，得到校正后的分类得分。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标检测模型还包括另一梯度解耦层；所述另一梯度解耦层位于所述区域卷积神经网络层之后；

通过所述区域卷积神经网络层对所述第二解耦特征以及所述区域建议特征进行处理，得到目标对象对应的检测结果的步骤，包括：

通过所述区域卷积神经网络层对所述第二解耦特征以及所述区域建议特征进行处理，得到回归特征和分类特征；

通过所述另一梯度解耦层利用第三解耦参数对所述回归特征进行处理，得到所述目标框；

通过所述另一梯度解耦层利用第四解耦参数对所述分类特征进行处理，得到所述目标框对应的分类得分。

6.根据权利要求4所述的方法，其特征在于，根据所述第二类样本特征集与所述预测特征确定校正分类得分的步骤，包括：

按照特征对应的类别将所述第二类样本特征集划分成多个第二类样本子集；其中，每个所述第二类样本子集对应一种类别；

确定所述预测特征对应的目标类别；

根据所述目标类别对应的第二类样本子集和所述预测特征，确定校正分类得分。