[发明专利]目标检测方法和装置

说明书

一种目标检测方法和装置，该方法包括：获取待检测的图像；利用训练好的目标检测模型对所述图像进行目标检测，输出目标检测结果；其中，所述目标检测模型包括编码部分和解码部分，所述编码部分的输出作为所述解码部分的输入，其中：所述编码部分包括多层特征层，所述编码部分的多层特征层输出的特征图的尺寸逐层减小；所述解码部分包括多层特征层，所述解码部分的多层特征层输出的特征图的尺寸逐层增大，并且所述解码部分的最后一层特征层输出的特征图用于进行目标检测。根据本申请实施例的目标检测方法和装置能够有效解决在多特征层进行目标检测消耗时间的问题，同时可以解决小目标检测效果不佳的问题。

技术领域

本申请涉及目标检测技术领域，更具体地涉及一种目标检测方法和装置。

背景技术

目标检测是计算机视觉领域的重要应用之一。根据检测是否需要事先设定锚点(anchor)，可以将目标检测算法分为设定锚点(anchor-based)的目标检测算法与不设定锚点(anchor-free)的目标检测算法。其中，anchor-based的典型代表是Faster-RCNN、单级多框检测器(Single Shot MultiBox Detector，简称为SSD)和YOLO；anchor-free的典型代表是CornerNet、CenterNet和Fcos。根据阶段，可以将目标检测算法分为one-stage的目标检测算法与two-stage的目标检测算法。one-stage的典型代表是SSD、YOLO和Fcos；two-stage的典型代表是Faster-RCNN。one-stage算法的优点是速度快，但精度有所不足；two-stage算法的优点是速度慢，但精度高；anchor-based算法的优点是易训练，但需要调节的参数多；anchor-free算法的优点是需要调节的参数少，模型精度高，不需要做非极大值抑制(Non-Maximum Suppression，简称为NMS)等后处理，但缺点是训练难度大，不容易收敛。以SSD为例，检测速度快，容易训练，但由于其需要多个检测头来检测不同目标的大小，anchor的设置需要丰富的经验，且在浅层特征层做小目标检测，其效果不够好。

发明内容

根据本申请一方面，提供了一种目标检测方法，所述方法包括：获取待检测的图像；利用训练好的目标检测模型对所述图像进行目标检测，输出目标检测结果；其中，所述目标检测模型包括编码部分和解码部分，所述编码部分的输出作为所述解码部分的输入，其中：所述编码部分包括多层特征层，所述编码部分的多层特征层输出的特征图的尺寸逐层减小；所述解码部分包括多层特征层，所述解码部分的多层特征层输出的特征图的尺寸逐层增大，并且所述解码部分的最后一层特征层输出的特征图用于进行目标检测。

在本申请的一个实施例中，所述解码部分包括的特征层的层数等于所述编码部分包括的特征层的层数。

在本申请的一个实施例中，所述解码部分的最后一层特征层输出的特征图的尺寸等于输入所述目标检测模型的图像的尺寸。

在本申请的一个实施例中，所述编码部分的多层特征层各自的卷积滤波器的步长相等、卷积核尺寸相等。

在本申请的一个实施例中，所述解码部分的各层特征层输出的特征图的尺寸按比例增大，且所述解码部分的第一层特征层输出的特征图的尺寸等于所述编码部分的倒数第二层特征层输出的特征图的尺寸。

在本申请的一个实施例中，所述编码部分包括五层特征层，所述解码部分包括五层特征层，所述编码部分的各层特征层分别输出第一特征图到第五特征图，所述解码部分的各层特征层分别输出第六特征图到第十特征图，其中：第六特征图为第五特征图经反卷积后与第四特征图点乘的结果；第七特征图为第六特征图经反卷积后与第三特征图点乘的结果；第八特征图为第七特征图经反卷积后与第二特征图点乘的结果；第九特征图为第八特征图经反卷积后与第一特征图点乘的结果；第十特征图为第九特征图经反卷积后进行1*1卷积后的结果；所述第十特征图用于进行分类预测和回归预测。