[发明专利]一种目标检测模型及其训练方法、目标检测方法及设备

说明书

本申请提供一种目标检测模型及其训练方法、目标检测方法及设备，涉及图像处理技术领域。其中，目标检测模型包括：骨干网络，用于获取待检测图像，并提取待检测图像不同层级的空间信息，并利用空间信息提取得到语义信息；颈部网络，用于对空间信息及语义信息进行交叉融合处理，分别得到上采样融合信息和卷积融合信息；头部网络，用于根据上采样融合信息和卷积融合信息，输出待检测图像中目标的位置信息。本申请通过分别对空间信息和语义信息进行融合处理，能够提高模型的推理速度和检测精度，在目标检测应用中能够取得良好的检测效果。

【技术领域】

本申请涉及图像处理的技术领域，尤其涉及一种目标检测模型及其训练方法、目标检测方法及设备。

【背景技术】

近些年来，随着深度学习技术的日趋成熟，作为在家庭安防、自动驾驶等诸多场景中都承担着重要作用的目标检测任务，其需要实时检测的场景越来越多，对其检测速度的要求也越来越高，这使得将目标检测算法部署在边缘计算设备中已经成为了一种趋势。

相关技术中，目标检测算法主要被划分为两类，分别为传统机器学习式目标检测算法以及深度学习式目标检测算法，其中，传统机器学习式目标检测算法基于二分类法实现，深度学习式目标检测算法基于深度学习中的卷积神经网络实现。传统机器学习式目标检测算法包括两个部分，分别为手工设计的特征和分类器，首先需要根据目标的外观等人为地设计出相应的特征，然后用这些特征来训练分类器，从而达到区别前景目标与背景的目的，这类算法往往存在很大的局限性，手工设计的特征缺乏足够的能力去匹配实际应用中的复杂场景，从而导致算法的稳定性和泛化性均较差，检测效果也不佳，故而并未得到广泛的应用。深度学习式目标检测算法主要是以卷积层构建神经网络，从而实现特征和空间、语义信息的提取，这类算法具备更加良好的特征表达能力，泛化性和检测精度通常都较好，其与传统机器学习式目标检测算法相比，网络模型的结构设计更为简单，但网络模型的复杂度和计算量相对较高，这对于计算资源和存储资源都极为有限的边缘计算设备来说，并没有足够的能力去容纳这种复杂的神经网络，如果想要成功地部署在边缘计算设备上并且取得良好的推理效果和实时性，那么神经网络模型就需要设计的更为轻量。

因此，有必要对现有目标检测模型的结构进行改进。

【发明内容】

本申请提供了一种目标检测模型及其训练方法、目标检测方法及设备，旨在解决相关技术中目标检测网络模型的推理速度较慢的问题。

为了解决相关技术中所存在的上述技术问题，本申请实施例第一方面提供了一种目标检测模型，该检测模型包括：骨干网络，用于获取待检测图像，并提取待检测图像不同层级的空间信息，并利用空间信息提取得到语义信息；颈部网络，用于对空间信息及语义信息进行交叉融合处理，分别得到上采样融合信息和卷积融合信息；头部网络，用于对上采样融合信息和卷积融合信息进行预测处理，输出待检测图像中目标的位置信息。

本申请实施例第二方面提供了一种目标检测方法，其包括：获取待检测图像；将待检测图像输入本申请实施例第一方面所述的目标检测模型，得到目标检测结果。

本申请实施例第三方面提供了一种目标检测模型的训练方法，包括：获取待训练目标检测模型，其中，待训练目标检测模型的网络结构如本申请实施例第一方面所述；获取训练图像集，其中，训练图像集包括多幅训练图像，训练图像含有标注信息，标注信息指示对训练图像中目标的标注；将训练图像集输入待训练目标检测模型；根据训练图像集和待训练目标检测模型的输出计算损失值，以及根据计算出的损失值对待训练目标检测模型进行迭代优化，得到损失值满足预设范围的目标检测模型。

本申请实施例第四方面提供了一种电子设备，该电子设备包括相机、处理器及存储在存储器内且可供处理器执行的计算机指令，相机用于采集待检测图像，处理器用于获取待检测图像，并在执行存储器内存储的计算机指令时可实现上述第二方面或第三方面所提及的方法。