[发明专利]一种图像的目标检测方法、系统、设备及存储介质

权利要求书

1.一种图像的目标检测方法，其特征在于，包括：

确定出预训练数据集，并将所述预训练数据集中的图像依次作为预训练图像；

选取出任意1张预训练图像之后，从所述预训练图像中确定出搜索框；

将所述搜索框中的图像裁剪，并按照预设规则粘贴至n张不同的背景图像上，且粘贴之后对粘贴图像的边框进行移动；其中，n为不小于2的正整数，任意1张所述背景图像均来源于目标检测数据集；

将进行了边框移动的各张图像输入至对比学习模型中，通过对比学习的方式训练所述对比学习模型；

将所述目标检测数据集中的图像依次作为训练图像输入至目标检测模型中进行训练，得到训练完成的所述目标检测模型；

将待测图像输入至训练完成的所述目标检测模型，得到由所述目标检测模型输出的针对所述待测图像的目标检测结果；

其中，所述对比学习模型设置了用于进行目标在特征级别的表征的特征图像表征算法，且与所述目标检测模型所采用的特征图像表征算法为同一算法；所述对比学习模型设置了用于进行目标在向量级别的表征的特征向量表征算法，且与所述目标检测模型所采用的特征向量表征算法为同一算法。

2.根据权利要求1所述的图像的目标检测方法，其特征在于，所述从所述预训练图像中确定出搜索框，包括：

在所述预训练图像上自动生成多个矩形框，并从各个矩形框中随机选取1个作为确定出的搜索框。

3.根据权利要求2所述的图像的目标检测方法，其特征在于，所述在所述预训练图像上自动生成多个矩形框，包括：

通过随机搜索算法在所述预训练图像上自动生成多个矩形框。

4.根据权利要求2所述的图像的目标检测方法，其特征在于，在所述预训练图像上自动生成多个矩形框之后，还包括：

将长宽比超出预设范围的各个矩形框进行过滤；

相应的，所述从各个矩形框中随机选取1个作为确定出的搜索框，包括：

从经过过滤之后剩余的各个矩形框中随机选取1个作为确定出的搜索框。

5.根据权利要求1所述的图像的目标检测方法，其特征在于，所述将所述搜索框中的图像裁剪，并按照预设规则粘贴至n张不同的背景图像上，包括：

将所述搜索框中的图像裁剪，并将裁剪出的图像分别进行n次随机调整，得到n张调整之后的图像；

将n张调整之后的图像分别粘贴至n张不同的背景图像上。

6.根据权利要求5所述的图像的目标检测方法，其特征在于，所述将裁剪出的图像分别进行n次随机调整，包括：

将裁剪出的图像分别进行n次随机调整，并且，在将裁剪出的图像进行任意1次调整时，通过调整长度和/或宽度的方式进行图像尺寸的调整。

7.根据权利要求1所述的图像的目标检测方法，其特征在于，所述粘贴之后对粘贴图像的边框进行移动，包括：

粘贴之后，通过边框位置扰动的方式，对粘贴图像的边框进行移动，且移动之后的边框与移动之前的边框的面积交并比大于预设的面积交并比阈值。

8.根据权利要求1所述的图像的目标检测方法，其特征在于，所述目标检测模型与所述对比学习模型所采用的特征图像表征算法均为ROI Align算法，其中，所述对比学习模型通过所述ROI Align算法对输入图像中的目标进行特征级别的表征；

所述目标检测模型与所述对比学习模型所采用的特征向量表征算法均为R-CNN head算法，其中，所述对比学习模型通过所述R-CNN head算法对输入图像中的目标进行向量级别的表征。

9.根据权利要求1所述的图像的目标检测方法，其特征在于，所述目标检测模型与所述对比学习模型均采用相同结构的卷积神经网络。

10.根据权利要求9所述的图像的目标检测方法，其特征在于，所述目标检测模型与所述对比学习模型均采用具有多层输出的卷积神经网络，且所述对比学习模型的对比损失函数为基于所述卷积神经网络的多层输出所计算的对比损失函数。