[发明专利]一种增强前景与背景区分度的目标检测方法及系统

说明书

本发明属于深度学习、目标检测等领域，提供了一种增强前景与背景区分度的目标检测方法及系统。该方法包括，根据原始图像中目标的标记信息，生成与原始图像大小相同的马克图；基于原始图像，采用不同尺度的特征网络，得到不同尺度特征网络对应的特征输出；引入所述马克图，调整所述马克图的大小，得到不同尺度的马克图；根据不同尺度特征网络对应的特征输出，结合不同尺度的马克图，计算不同尺度下马克图损失；采用所述不同尺度下马克图损失构建的损失函数优化目标检测模型；基于原始图像，采用优化后的目标检测模型，得到目标检测结果。

技术领域

本发明属于深度学习、目标检测等领域，尤其涉及一种增强前景与背景区分度的目标检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

现有专利《一种基于深度学习的目标检测方法》(专利申请号：202010187584.3，公布号：CN111401253A)，方法通过创建SCNN对输入图像进行背景筛除，生成像素为零的背景和像素为1的前景，并对背景去除的图像通网络网络进行目标识别及定位。虽然该方法能够解决现有深度学习技术训练时间较长、资源占用较大的问题，但是，该方法需要训练一个额外的SCNN网络获取马克图信息，完成整个目标检测任务至少需要两个网络同时运行，增加了网络的复杂度。

专利《基于深度学习的目标检测方法》(专利申请号：201811644255.6，公布号：CN110889425A)，直接选用整图训练模型，通过将候选区域提取和特征检测两个阶段整合为一体，即直接在图像的多个位置上回归出真实目标的分类类别和矩形包围框，同时利用显存对存储的特征进行读写，并结合使用softmax函数代替了sv对特征的分类，提高了目标检测的速度，但是该方法，并未对前景信息和背景信息的区分度上进行实质性优化。

专利《基于背景抑制的行人属性识别方法》(专利申请号：201910482659.8，公布号：CN110222636A)，方法通过引入行人掩码图和背景掩码图，将其与行人属性识别网络分类层的输出特征图结合，并联合加权交叉熵损失函数，完成属性识别任务。该专利中使用的掩码图和背景掩码图是通过特征提取网络获得，该方法增加了网络负责行和计算量。

专利《一种基于深度学习的目标检测方法》(专利申请号：202010150722.0，公布号：CN111382787A)，方法通过数据搜集、数据构建、模型搭建、模型训练等传统方法，构建深度学习网络实现目标检测任务。在该专利中，并未对基于深度学习算法的目标检测网络提出任何优化方法，尤其是对增强前景信息和背景信息的差异性的并未进行优化。

综上，现有的目标检测网络中，通过分类损失、位置损失、目标损失构建形成损失函数，惩罚网络权重系数，完成目标检测任务。但是现有方法中，每个像素点在整个网络的特征提取比重是相同的，并未对目标像素点与非目标像素点做出区分，导致模型对包含目标的前景信息和非目标的背景信息区分不足，导致漏报的出现。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种增强前景与背景区分度的目标检测方法及系统，其通过加入马克图损失，增强网络对目标所在区域的特征提取比重，提高目标像素点的特征比重，进而提高网络对前景信息的关注度，增强目标检测过程中前景信息与背景信息的区分度，降低了漏报率。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种增强前景与背景区分度的目标检测方法。

一种增强前景与背景区分度的目标检测方法，包括：

根据原始图像中目标的标记信息，生成与原始图像大小相同的马克图；

基于原始图像，采用不同尺度的特征网络，得到不同尺度特征网络对应的特征输出；

引入所述马克图，调整所述马克图的大小，得到不同尺度的马克图；