[发明专利]一种目标跨域检测与理解方法、系统、设备及存储介质

说明书

本发明公开了一种目标跨域检测与理解方法、系统、设备及存储介质，属于目标检测与识别领域。通过空间概率控制与显著点池化，联合编码位置概率与图像特征的耦合关系，高效定位目标候选框对角线顶点，简化网络复杂度，以满足面向实际检测的应用需求；通过跨域引导语义提取与知识迁移，探究面向不同域的目标深度视觉特征与引导语义包含关系，指导网络训练，提取跨域不变特征以增强模型的跨域感知；通过对目标值得注意度解析，探究语义层次跨域感知映射作用与反传机理，解决具体意图下值得注意的目标预测与引导语义理解的准确性问题。本发明能够精确模拟视觉系统对目标的重要性扫描与语义判断的过程，从而提高环境视觉感知能力及主动安全性。

技术领域

本发明属于目标检测与识别领域，涉及一种目标跨域检测与理解方法、系统、设备及存储介质。

背景技术

随着计算机技术的发展以及计算机视觉原理的广泛普及，目标检测与识别应用于很多方面：智能监控系统、军工目标检测、医学手术跟踪以及交通标志校测等。对于同一方面内容，各个国家所设计的实体分别由不同的颜色与图形表示，但大部分的指示引导语义是相同的；每个国家的不同地方也会在设计基础上略有变化，即在同一域内的形状、大小、几何变化等方面有差异，但其指示引导作用同样不变。

在同一场景下，目标对于参与者的引导指示作用重要程度不同。在复杂场景中，需要对多个目标进行实时处理时，目标选择性检测和识别尤为重要。以目标检测在交通标志方面应用为例，随着城市建设规模与基础设施功能的扩展，在道路两侧或50-100米视场以内，往往会同时有多个交通标志杆，每个交通标志杆上有多个交通标志。通常情况下，根据自身行进意图，每个道路使用者对交通标志的引导需求及注意度不尽相同。道路使用者通过人眼视觉系统快速扫描从各种交通标志中找到与其行进意图相关性强的交通标志，即值得注意的交通标志；且能够快速提取其对应的引导语义，来指导当前的交通行为或作为下一时刻交通行为的决策依据。

现有基于深度学习的目标检测与识别算法，面向不同数据集并不具备理想的泛化能力，且都是被动检测出图像中的所有目标，并没有考虑目标对不同意图的使用者的有效性与值得注意度影响的问题。对于目标检测与识别在自动驾驶的具体应用而言，通过现有的交通标志检测与识别方法得到的交通标志，作为自动驾驶决策系统的输入会增加融合的难度和冗余度，以及带来大量多余的系统计算开支。

因此，面向不同目标域，高效地感知当前意图相关的值得注意的目标，及理解其对应的引导语义，是基于卷积神经网络的目标检测与理解研究的攻关难点。

发明内容

本发明的目的在于克服上述现有技术中，目标跨域检测与理解方法应用于实际系统计算难度较大和费用较高的技术问题，提供一种目标跨域检测与理解方法、系统、设备及存储介质。

为了达到上述目的，本发明采用以下技术方案予以实现：

一种基于注意估计的目标跨域检测与理解方法，包括如下步骤：

步骤1：以空间概率控制层作为输入图像通道，结合边缘显著交叉点池化层，构建一种轻量化卷积神经网络；

步骤2：利用引导语义层次包含关系进行跨域建模，利用目标跨域训练样本引导语义的提取与表示；基于引导语义之间的深层包含关系，构建具有引导语义层次包含关系的树形结构，用于对具体意图下的NEGSS-NET跨域增强感知；

步骤3：基于步骤2的树形结构，在复杂场景视觉特征与引导语义之间建立映射预测网络，获得特征映射具体过程及定义、映射网络具体结构及定义，实现图像视觉特征空间到语义空间的映射；

步骤4：定义联合引导语义损失和基于意图的目标值得注意度估计，获得基于意图的值得注意度。

优选地，所述步骤1具体包括：

步骤11，利用多尺度空间概率划分方法建立位置概率控制通道；