[发明专利]目标检测网络构建方法及装置、目标检测方法

说明书

本申请提供一种目标检测网络构建方法及装置、一种目标检测方法及装置、一种电子设备以及一种计算机可读介质。目标检测网络构建方法包括：获取用于目标检测的初始网络模型，所述初始网络模型包括相连的骨干网络和多任务学习模块；在所述多任务学习模块中添加裁剪模块和新分类分支网络，以得到目标检测网络。本方案中，增加了一种基于锚框的裁剪机制，同时又增加了一个新的分类分支网络，组合原锚框的分类信息以及新尺度锚框在新分类分支网络得到的分类信息，从而得到更优质的分类结果，可以很好地应用在基于深度学习的目标检测器上，较好地解决在深度目标检测器中多尺度处理问题以及多标签分类的瓶颈问题，从而提升目标检测算法的精确度。

技术领域

本申请涉及计算机视觉领域，具体涉及一种目标检测网络构建方法及装置、一种目标检测方法及装置、一种电子设备以及一种计算机可读介质。

背景技术

目标检测是计算机视觉任务中的一个重要的子领域，它的任务是从图像中定位出所有的物体，并对这些物体进行准确的分类识别。近些年，随着深度学习的飞速发展，基于深度学习的目标检测方法已经具有很强的性能，成为了目标检测领域最先进的方法。

现有的基于深度学习的目标检测方法是一种多任务学习算法，首先会产生锚框(anchor)，然后算法一般会有两个任务需要学习，其一是对锚框的位置进行精确回归，其二是对锚框所标注的目标进行准确的分类识别。根据网络结构的不同，这些目标检测算法可以进一步分为两种，一种是以Faster-RCNN为代表的双阶段网络(two-stage network)；另一种是以YOLO、SSD为代表的单阶段网络(one-stage network)。双阶段网络首先利用区域提取网络(Region Proposal Network，RPN)，得到锚框，然后利用分类网络对锚框进行分类，检测性能优异；单阶段网络则利用单个网络同时实现锚框生成和类别判定，可以实现快速检测。

然而，在基于深度神经网络的目标检测算法训练和测试过程中，存在两种问题。第一个问题是算法的性能会受到尺度问题的制约，因为锚框均是在神经网络卷积过程中间产生的特征图上生成的，而与原图相比，特征图的尺寸已经缩小了几倍，因此感受野会很大，所以生成的锚框不可避免的与原图目标位置产生偏差；第二个问题是目标之间的关系会成为分类性能的一个瓶颈，因为图片中会出现很多目标，目标之间的关系是很重要的信息，但是在目前的目标检测算法中忽略了这一信息，只利用单一分类标签对每个锚框进行分类，这会对检测算法的性能提升产生制约。

发明内容

本申请的目的是提供一种目标检测网络构建方法及装置、一种目标检测方法及装置、一种电子设备以及一种计算机可读介质。

本申请第一方面提供一种目标检测网络构建方法，包括：

获取用于目标检测的初始网络模型，所述初始网络模型包括相连的骨干网络和多任务学习模块；其中，所述骨干网络用于在待检测图像上生成多个锚框，并且为每个锚框提取特征；所述多任务学习模块中包括原分类分支网络，用于根据锚框的特征得到锚框的第一分类信息；

在所述多任务学习模块中添加裁剪模块和新分类分支网络，以得到目标检测网络；其中，所述裁剪模块，用于针对所述骨干网络生成的每一个锚框，在待检测图像的不同尺度上进行裁剪，得到尺度不同的多个锚框原像，并提取每个锚框原像的特征；所述新分类分支网络，用于基于每一个锚框的尺度不同的多个锚框原像的特征，生成每一个锚框的第二分类信息，并将所述第一分类信息和所述第二分类信息进行组合，得到第三分类信息。

本申请第二方面提供一种目标检测网络构建装置，包括：

获取单元，用于获取用于目标检测的初始网络模型，所述初始网络模型包括相连的骨干网络和多任务学习模块；其中，所述骨干网络用于在待检测图像上生成多个锚框，并且为每个锚框提取特征；所述多任务学习模块中包括原分类分支网络，用于根据锚框的特征得到锚框的第一分类信息；