[发明专利]一种目标检测方法、计算机设备及可读存储介质

说明书

本发明公开了一种目标检测方法、计算机设备及可读存储介质，涉及目标检测技术领域。本发明所提供的技术方案，第一步使用分类标签计算同一级第一个输出特征图的损失并反向更新网络；第二步：过滤同一级第一个输出特征图，解码出第二个特征图的分类标签作为第二个输出特征图的标签，计算分类损失后反向更新网络，不断循环第一步第二步迭代优化网络，提高单阶段端到端检测网络的检测性能。

技术领域

本发明涉及目标检测技术领域，具体涉及一种目标检测方法、计算机设备及可读存储介质。

背景技术

现有技术中，对于道路目标检测通常使用深度学习的方法来解决。目前基于RPN网络的算法有Rcnn、Fast-rcnn、Faster-rcnn和Cascade-rcnn等。单阶端到端带锚点框的算法有Yolo系列和SSD系列等。单阶端到端无锚点框的算法有FCOS，CenterNet，CornerNet等。

但是，现有技术中，多阶段有区域候选网络（RPN）的检测网络，其目标检测精度高，但是时间复杂度会高很多，不适合嵌入式端部署。单阶段端到端检测网络速度比较快，适合嵌入式端部署，但其检测精度差。基于此，继续改进单阶段端到端检测网络，以提高网络的检出率。

发明内容

为解决前述问题，本发明提供了一种目标检测方法，提高单阶段端到端检测网络的检测性能。

为了达到上述目的，本发明采用如下技术方案：

一种目标检测方法，用于道路目标的检测，包括如下步骤：

获取道路图片数据并进行预处理，作为样本；

建立网络模型，利用样本对网络模型进行训练，利用训练好的网络模型进行道路目标检测；

所述网络模型包括目标框输出层和至少两个目标输出层，每个目标输出层输出特征图，目标输出层输出的特征图包括class轴；

对网络模型进行训练时包括如下步骤：

首更新：计算第一个目标输出层输出的特征图的损失，将第一个目标输出层输出的特征图输出至下一个目标输出层，并反向更新网络模型；

循环更新：下一个目标输出层过滤接收到的特征图，过滤接收到的特征图包括如下步骤：

获取class轴中的最大值及其对应的索引值；

根据如下公式对索引值进行过滤，过滤后的索引值作为过滤后的结果：

其中，f_stage_i_0_value为第i级中第一特征图中class轴的最大值，f_stage_i_0_index为第i级中class轴的最大值对应的索引值，thresh’为标签阈值；

过滤后的结果作为当前目标输出层输出的特征图的标签信息，根据标签信息计算当前目标输出层输出的特征图的损失，将当前目标输出层输出的特征图输出至再下一个目标输出层，并反向更新网络模型；

重复循环更新步骤直至最后一个目标输出层。

可选的，计算目标输出层输出的特征图的损失之前，对样本中的目标进行分类，得到分类目标的分类标签，然后根据如下公式计算目标输出层输出的特征图的损失：