[发明专利]目标检测方法、装置及电子设备

说明书

本发明提供了一种目标检测方法、装置及电子设备，该方法应用于电子设备，电子设备上预存有目标检测模型，目标检测模型包括第一特征提取器、梯度解耦层、区域建议网络层与区域卷积神经网络层，该方法包括：通过第一特征提取器对待检测图像进行特征提取，得到待检测图像对应的基本特征；通过梯度解耦层分别利用第一解耦参数和第二解耦参数对基本特征进行处理，得到第一解耦参数对应的第一解耦特征和第二解耦参数对应的第二解耦特征；通过区域建议网络层对第一解耦特征进行处理，得到区域建议特征；通过区域卷积神经网络层对第二解耦特征以及区域建议特征进行处理，得到检测结果。本发明有效缓解了模型的过拟合问题。

技术领域

本发明涉及图像检测技术领域，尤其是涉及一种目标检测方法、装置及电子设备。

背景技术

目标检测是计算机视觉领域重要的研究课题之一，近年来，在安防监控和自动驾驶等方面起到了重要的作用。目标检测技术的核心任务是找出图像中所有感兴趣的目标(物体)，确定每个目标对应的类别(分类)和位置(定位)，例如行人检测、车辆检测等。随着深度学习技术和卷积神经网络的不断发展，目标检测技术取得了较大进步，现有的目标检测技术，主要分为两大类别：两阶段检测器(Two-Stage Detector)和单阶段检测器(One-Stage Detector)，其中，两阶段检测器是提取大量可能包含目标的预选框(RegionProposal)，通过卷积神经网络对预选框进行目标定位和分类；单阶段检测器是在网络提取的特征上直接预测物体类别和位置。上述两种方式，都需要大量的带有标注信息的样本来支持模型的优化和学习，当可用的样本量较少时，模型往往会陷入严重的过拟合风险中，导致模型无法被较好地优化。同时，随着深度学习模型的规模变大，大量样本标签带来的标注压力也随之变大，因此，小样本目标检测为此类问题提供了解决方案。

现有的小样本目标检测技术主要应用于上述两阶段检测器中，主要分为基于元学习(Meta-Learning)和基于迁移学习(Transfer-Learning)两种解决方案。基于元学习的解决方案，通常是将训练数据组织成一系列小样本检测任务的形式，通过使用元学习范式来学习解决此类小样本场景任务的能力，但是这种解决方案，往往伴随着复杂的训练过程和数据组织形式，从而降低了场景适应性并增加了模型部署的压力，同时，由于元学习对元任务形式的依赖性，模型的泛化性会受限。基于迁移学习是在大量带有一致标签的数据集上进行预训练，然后直接在小样本数据集上进行微调，但是为了避免由于样本缺少而造成的过拟合现象，这种方法在微调阶段往往只会对整个网络中的部分参数空间进行更新，这会导致模型的学习能力下降，同时，过于简单的学习策略使得模型对少量的带有标签的数据无法充分利用，无法保证模型的性能。

发明内容

有鉴于此，本发明的目的在于提供一种目标检测方法、装置及电子设备，以解决模型在某一领域的过拟合问题。

第一方面，本发明实施例提供一种目标检测方法，该方法应用于电子设备，电子设备上预存有目标检测模型，目标检测模型包括第一特征提取器、梯度解耦层、区域建议网络层与区域卷积神经网络层，梯度解耦层配置有与区域建议网络层对应的第一解耦参数和与区域卷积神经网络层对应的第二解耦参数，该方法包括：通过第一特征提取器对待检测图像进行特征提取，得到待检测图像对应的基本特征；通过梯度解耦层分别利用第一解耦参数和第二解耦参数对基本特征进行处理，得到第一解耦参数对应的第一解耦特征和第二解耦参数对应的第二解耦特征；其中，第一解耦参数和第二解耦参数不同，以使第一解耦特征与基本特征之间的相似度和第二解耦特征与基本特征之间的相似度不同；通过区域建议网络层对第一解耦特征进行处理，得到区域建议特征；通过区域卷积神经网络层对第二解耦特征以及区域建议特征进行处理，得到目标对象对应的检测结果；其中，检测结果包括目标框和目标框对应的分类得分。