[发明专利]一种目标检测方法、计算设备及存储介质

权利要求书

1.一种目标检测方法，所述方法适于在计算设备中执行，包括：

将待检测图像输入包含多个卷积块的卷积网络，获取经特定卷积块处理后的至少一个特征图；

基于预设的尺度和长宽比，计算得到所获取的特征图对应的多个先验框，其中至少一个先验框指向目标物体；

将获取的特征图和对应的先验框输入预测网络，以得到图像中目标物体的位置和类别。

2.如权利要求1所述的方法，其中，所获取的至少一个特征图是由处于卷积网络中靠后的卷积块所输出的特征图，用于表征深层特征。

3.如权利要求1所述的方法，其中，所述基于预设的尺度和长宽比，计算得到所获取的特征图对应的多个先验框的步骤包括：

基于预设的最大尺度和最小尺度以及特征图的数量，计算每个特征图对应先验框的尺度；

基于各特征图对应先验框的尺度和预设的一组长宽比，分别得到各特征图对应的多个先验框。

4.如权利要求1所述的方法，其中，所述卷积块为深度残差网络，所述深度残差网络包括卷积核大小为3×3的深度可分离卷积层和卷积核大小为1×1的卷积层。

5.如权利要求1-4中任一项所述的方法，还包括训练生成卷积网络和预测网络的步骤：

构建预训练的卷积网络和预训练的预测网络，并初始化网络参数；

将训练图像输入预训练的卷积网络和预训练的预测网络进行处理，得到预测物体框的位置和类别置信度；

基于训练图像中标注的真实物体框的位置和类别、以及预测物体框的位置和类别置信度，迭代更新网络参数，直到满足预定条件时训练结束，以得到训练生成的卷积网络和预测网络。

6.如权利要求5所述的方法，其中，基于训练图像中标注的真实物体框的位置和类别、以及预测物体框的位置和类别置信度，迭代更新网络参数的步骤包括：

基于真实物体框的位置与预测物体框的位置之间的定位损失值、以及标注的类别与预测的类别置信度之间的分类损失值的加权和，迭代更新网络参数。

7.如权利要求6所述的方法，其中，所述预定条件为定位损失值和分类损失值的加权和小于预定值或者前后两次迭代的加权和之差小于预定阈值或者迭代更新的次数达到预设的迭代次数。

8.如权利要求7所述的方法，其中，基于下述公式计算定位损失值和分类损失值的加权和：

其中，L_loc为定位损失值，L_conf为分类损失值，N为匹配的先验框的数量，α为权重系数，g是真实物体框的位置，l为预测物体框的位置，x为标注的类别，c为预测类别置信度。

9.一种计算设备，包括：

存储器；

一个或多个处理器；

一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-8所述方法中的任一方法的指令。

10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当计算设备执行时，使得所述计算设备执行根据权利要求1-8所述的方法中的任一方法。