[发明专利]物体检测方法、网络训练方法、装置和计算机存储介质

权利要求书

1.一种基于深度学习的物体检测方法，其特征在于，所述方法包括：

基于第一图像数据和区域估计网络，获得第二图像数据，所述第二图像数据包括所述第一图像数据中待检测物体的估计区域；

将所述第一图像数据和所述第二图像数据输入物体检测网络，以使所述物体检测网络基于所述估计区域对所述第一图像数据进行检测，获得所述第一图像数据中所述待检测物体的检测区域。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获得用于网络训练的第四图像数据，以及所述第四图像数据中包括的标注区域对应的标注信息；所述标注区域表征所述第四图像数据中物体所在区域；

采用包含有向卷积层的卷积神经网络对携带有标注区域的所述第四图像数据、所述标注区域对应的标注信息进行训练，获得物体检测网络，所述卷积神经网络用于在训练过程中对所述第四图像数据的标注区域进行计算处理。

3.根据权利要求2所述的方法，其特征在于，所述采用包含有向卷积层的卷积神经网络对携带有标注区域的所述第四图像数据、所述标注区域对应的标注信息进行训练，获得物体检测网络，包括：

确定除所述标注区域以外的背景区域的部分背景区域；所述部分背景区域采用随机方式从所述背景区域中确定；

将所述部分背景区域添加至所述标注区域，生成所述第四 图像数据的更新标注区域；

基于有向卷积层分别识别所述第四图像数据中的标注区域和更新标注区域，对所述标注区域中的图像数据以及对应的标注信息进行训练，以及对所述更新标注区域中的图像数据以及对应的标注信息进行训练，获得物体检测网络。

4.根据权利要求1所述的方法，其特征在于，所述基于第一图像数据和区域估计网络，获得第二图像数据，包括：

对所述第一图像数据进行卷积处理，获得所述第一图像数据对应的第一特征图；

将所述特征图输入至少一个池化层，获得与所述特征图的尺度不同的至少一个第二特征图；

对具有不同尺度的所述第一特征图、所述至少一个第二特征图分别进行卷积处理，对卷积处理后的所述第一特征图、所述至少一个第二特征图进行融合，输出携带有标识待检测物体的估计区域的第二图像数据。

5.根据权利要求4所述的方法，其特征在于，所述输出携带有标识待检测物体的估计区域的第二图像数据，包括：

对融合后的所述第一特征图、所述至少一个第二特征图进行二值化处理，输出二值化表示的携带有标识待检测物体的估计区域的第二图像数据。

6.根据权利要求1所述的方法，其特征在于，所述将所述第一图像数据和所述第二图像数据输入物体检测网络，以使所述物体检测网络基于所述估计区域对所述第一图像数据进行检测，包括：

将所述第一图像数据和所述第二图像数据输入物体检测网络；所述物体检测网络包括有向卷积层；

基于所述有向卷积层识别所述第二图像数据中的所述估计区域，确定所述第一图像数据中、与所述估计区域对应的目标区域，对所述第一图像数据中的所述目标区域进行卷积操作。

7.一种网络训练方法，其特征在于，所述方法包括：

获得用于网络训练的第四图像数据，以及所述第四图像数据中标注区域对应的标注信息；所述标注区域表征所述第四图像数据中检测物体所在区域；

采用包含有向卷积层的卷积神经网络对携带有标注区域的所述第四图像数据、所述标注区域对应的标注信息进行训练，获得物体检测网络，所述卷积神经网络用于在训练过程中对所述第四图像数据的标注区域进行计算处理。

8.根据权利要求7所述的方法，其特征在于，所述采用包含有向卷积层的卷积神经网络对携带有标注区域的所述第四图像数据、所述标注区域对应的标注信息进行训练，获得物体检测网络，包括：

基于有向卷积层识别所述第四图像数据中的标注区域，对所述标注区域中的图像数据以及对应的标注信息进行训练，获得物体检测网络。