[发明专利]目标检测方法、装置及系统

说明书

本发明提供了一种目标检测方法、装置及系统，涉及人工智能技术领域，该方法包括：获取待检测图像和预设种类数量的锚点参数；其中，所述锚点参数为在所述待检测图像上设置的锚点的参数；每种所述锚点参数包括锚点面积和锚点长宽比；将所述待检测图像和所述锚点参数输入至目标检测模型；通过所述目标检测模型基于所述锚点参数对所述待检测图像进行目标检测，得到检测结果；所述检测结果包括所述待检测图像所包含的目标对象的类别和/或位置。本发明能够较好地提升目标检测的准确率。

技术领域

本发明涉及人工智能技术领域，尤其是涉及一种目标检测方法、装置及系统。

背景技术

现有基于深度学习的目标检测方法在进行物体检测的过程中，大多需要使用锚点进行检测框预测。具体实现时，通常仅在目标检测模型的训练过程中设置固定种类的锚点，并训练得到适用于固定种类锚点的网络参数。在训练结束后，目标检测模型的网络参数不再发生变化，后续都直接基于确定的网络参数进行目标检测。

然而，现有的目标检测模型在训练过程中所采用的锚点种类有限，锚点能够覆盖的尺度范围有限，致使物体样本覆盖率较低，难以覆盖到待检测的特殊物体(诸如，铅笔等具有特殊长宽比例的物体)，因此训练得到的已具有固定网络参数的目标检测模型在实际应用中也无法从待检测图像中检测出特殊物体，检测结果并不准确。

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、装置及系统，能够提升目标检测结果的准确性。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种目标检测方法，包括：获取待检测图像和预设种类数量的锚点参数；其中，所述锚点参数为在所述待检测图像上设置的锚点的参数；每种所述锚点参数包括锚点面积和锚点长宽比；将所述待检测图像和所述锚点参数输入至目标检测模型；通过所述目标检测模型基于所述锚点参数对所述待检测图像进行目标检测，得到检测结果；所述检测结果包括所述待检测图像所包含的目标对象的类别和/或位置。

进一步，所述目标检测模型包括骨干网络以及与所述骨干网络连接的子网络，还包括与所述子网络相连接的元网络；其中，所述骨干网络的输入为所述待检测图像，所述骨干网络的输出为所述待检测图像的特征图；所述元网络的输入为所述锚点参数，所述元网络的输出为所述子网络的层网络参数；所述子网络的输入为所述特征图和所述层网络参数，所述子网络的输出为所述检测结果。

进一步，所述通过所述目标检测模型基于所述锚点参数对所述待检测图像进行目标检测，得到检测结果的步骤，包括：通过所述骨干网络对输入的所述待检测图像进行特征提取，得到所述待检测图像的特征图，并将所述特征图输入至所述子网络；通过所述元网络对输入的所述锚点参数进行非线性映射处理，得到所述子网络的层网络参数，并将所述层网络参数输入至所述子网络；通过所述子网络基于所述层网络参数对所述特征图进行分类处理，确定所述待检测图像中的目标对象的类别，和/或，基于所述层网络参数对所述特征图进行回归处理，确定所述待检测图像中的目标对象的位置。

进一步，所述子网络包括分类子网络和回归子网络；所述元网络包括第一元网络和第二元网络；其中，所述第一元网络与所述分类子网络相连，所述第二元网络与所述回归子网络相连；所述层网络参数包括分类层网络参数和回归层网络参数；所述通过所述元网络对输入的所述锚点参数进行非线性映射处理，得到所述子网络的层网络参数，并将所述层网络参数输入至所述子网络的步骤，包括：通过所述第一元网络对输入的所述锚点参数进行非线性映射处理，得到所述分类层网络参数，并将所述分类层网络参数输入至所述分类子网络；通过所述第二元网络对输入的所述锚点参数进行非线性映射处理，得到所述回归层网络参数，并将所述回归层网络参数输入至所述回归子网络。