[发明专利]一种目标检测方法、装置、设备和存储介质

说明书

本发明实施例公开了一种目标检测方法、装置、设备和存储介质，该方法包括：将待检测图像输入至预设多尺度检测网络模型中进行目标物体的检测，预设多尺度检测网络模型包括：特征提取子模型、第一特征融合子模型、第二特征融合子模型、第三特征融合子模型以及目标检测子模型，其中，第一特征融合子模型和第二特征融合子模型均包括标准卷积结构和空洞卷积结构，第三特征融合子模型包括标准卷积结构；第一特征融合子模型用于对第一特征图进行处理，第二特征融合子模型用于对第二特征图进行处理，第三特征融合子模型用于对第三特征图进行处理；根据预设多尺度检测网络模型的输出，获得目标检测结果，从而可以提高不同大小目标检测的准确性。

技术领域

本发明实施例涉及计算机技术，尤其涉及一种目标检测方法、装置、设备和存储介质。

背景技术

随着计算机技术和深度学习技术的快速发展，可以利用目标检测网络模型自动检测识别出图像中的目标物体。

目前，通常利用YOLO(You Only Look Once)模型中的第三版本YOLOv3模型进行多尺度目标检测，提高目标检测的准确性。

然而，在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有YOLOv3模型中最深层的特征下采样倍数太高，从而导致在原图像上的感受野无法覆盖整张图像，无法准确检测图像中所占尺寸过大的目标物体。并且现有YOLOv3模型中的FPN(Feature Pyramid Networks，特征金字塔网络)使用的双线性插值方式也不会增大深层特征的感受野，也就是说，FPN中深层特征与浅层特征融合只是会增大浅层特征的感受野，并不会增大深层特征的感受野，并且浅层特征的感受野增大也会降低小目标的检测准确度，从而需要对现有YOLOv3模型进行进一步改进，以提高不同大小目标检测的准确性。

发明内容

本发明实施例提供了一种目标检测方法、装置、设备和存储介质，以提高不同大小目标检测的准确性。

第一方面，本发明实施例提供了一种目标检测方法，包括：

获取待检测图像；

将所述待检测图像输入至预设多尺度检测网络模型中进行目标物体的检测，所述预设多尺度检测网络模型包括：特征提取子模型、第一特征融合子模型、第二特征融合子模型、第三特征融合子模型以及目标检测子模型，其中，所述第一特征融合子模型和所述第二特征融合子模型均包括标准卷积结构和空洞卷积结构，所述第三特征融合子模型包括标准卷积结构；所述第一特征融合子模型用于对所述特征提取子模型中第一预设下采样倍数对应的第一残差模块输出的第一特征图进行特征加深融合处理，所述第二特征融合子模型用于对所述特征提取子模型中第二预设下采样倍数对应的第二残差模块输出的第二特征图进行特征加深融合处理，所述第三特征融合子模型用于对所述特征提取子模型中第三预设下采样倍数对应的第三残差模块输出的第三特征图进行特征加深融合处理；所述第一预设下采样倍数大于所述第二预设下采样倍数，所述第二预设下采样倍数大于所述第三预设下采样倍数；

根据所述预设多尺度检测网络模型的输出，获得所述待检测图像对应的目标检测结果。

第二方面，本发明实施例还提供了一种目标检测装置，包括：

待检测图像获取模块，用于获取待检测图像；