[发明专利]一种目标检测方法和装置

说明书

本发明提供了一种目标检测方法，包括以下步骤：获取一原始图像；将原始图像输入卷积神经网络结构中进行若干次特征提取得到特征图，设置其中一张特征图为共享特征图；从共享特征图获取若干目标特征图，分别对每个目标特征图进行特征提取获取分支特征图；以及分别对每个分支特征图进行分类和回归操作，进行目标检测。每个分支特征图负责检测一定尺寸范围的目标，不再需要向其他分支特征图输送特征，或者不再需要与其他分支特征图进行融合，在一定程度上将不同尺寸目标的目标检测之间进行了解耦。同时，该方法无需进行上采样运算，不会带来网络计算带宽的增大，在计算量上也不会有明显增加。本发明还提供一种目标检测装置。

技术领域

本发明涉及信息处理领域，特别涉及一种目标检测方法和装置。

背景技术

深度学习领域的目标检测通常分为一步法和两步法，无论是一步法还是两步法，都会涉及到卷积神经网络结构。如图1所示，卷积神经网络结构包括主干网络1和检测分支2。原始图像输入主干网络1中经过若干次下采集得到特征图，其中上层的特征图通过一系列卷积、激活、下采样等运算过渡到邻近的下层特征图，主干网络1自上而下进行下采集，每次下采集得到的特征图分辨率会逐渐变小，但特征图的抽象概括能力越来越强。检测分支2可以选择主干网络1中三个不同分辨率的特征图作为输入，靠上层的检测分支2选择主干网络1上分辨率较大的特征图作为输入，负责检测特征图中尺寸较小的目标；靠下层的检测分支选择主干网络上分辨率较小的特征图作为输入，负责检测特征图中尺寸较大的目标。但是这样的检测网络结构存在两个明显的问题：(1)靠上层的检测分支2，其输入特征图经过的运算单元较少，造成其深度较浅，抽象概括能力较弱，不利于尺寸较小的目标的分类，使得尺寸较小的目标往往比尺寸较大的目标的检测效果差很多；(2)靠上层检测分支的输入特征图，不仅要为该检测分支提供足够多的深度用来检测目标，还须为下层检测分支的特征图输送浅层特征，这样使得相邻检测分支之间相互耦合、相互影响，某一个检测分支的效果变差可能会影响其他检测分支的性能。

为了缓解上述的问题，现有技术提出了一些解决办法。如图2所示，为了弥补负责检测较小目标的特征图深度较浅、抽象概括能力较弱的缺点，该结构从深度较深、抽象概括能力较强的特征图上进行上采样，将该上采样特征图与上层特征图进行融合，以加强上层特征图的抽象概括能力，用来检测较小尺寸的目标。该方法可以明显提升较小尺寸目标的检测效果，可以针对性的解决问题(1)，但是该方法使得各个尺寸目标的检测任务耦合得更加严重，而且该方法使得整个网络的计算代价以及网络带宽变大，不利于落地到嵌入式产品中；针对问题(2)目前现有技术还没有较好的解决办法。

发明内容

本发明提出一种目标检测方法和装置，用以解决现有技术的目标检测方法中各个尺寸目标的检测任务耦和度高以及较小尺寸目标检测性能精度低的问题。

为了解决上述问题，本发明提供了一种目标检测方法，包括以下步骤：

获取一原始图像；

将原始图像输入卷积神经网络结构中进行若干次特征提取，得到若干张特征图，设置其中一张特征图为共享特征图；

从共享特征图获取若干目标特征图，并分别对每个目标特征图进行特征提取获取，以分支特征图；

以及分别对每个分支特征图进行分类和回归操作，进行目标检测。

进一步地，所述特征提取包括卷积、激活和下采样运算。

进一步地，所述目标特征图采用卷积操作获取。

进一步地，所述共享特征图按照目标尺寸的感知域的大小获取所述目标特征图。

进一步地，所述目标特征图包括第一目标特征图、第二目标特征图和第三目标特征图,并满足：

0像素＜S1＜32*32像素，32*32像素≤S2＜96*96像素，S3≥96*96像素，