[发明专利]一种目标检测方法、装置及存储介质

说明书

本申请公开了一种目标检测方法、装置及存储介质，所述方法包括：获取待检测图像；基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果，基于误检筛查模型对所述第一目标检测结果进行误检筛查，得到第二目标检测结果，其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，且所述误检筛查模型包括一个或多个级联的误检筛查子模型。利用本申请提供的技术方案可以能够弥补目标检测模型的不足，过滤第一目标检测结果中的假阳性结果，提升目标检测结果的准确性，使得目标检测更加可靠。

技术领域

本发明涉及图像处理技术领域，具体涉及一种目标检测方法、装置及存储介质。

背景技术

目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。

随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术进行目标检测的研究越来越热门，目标检测在智能化交通系统、智能监控系统、军事目标检测及医学图像中病灶的检测定位等方面都具有广泛的应用价值。目标检测任务中训练集的正负样本筛选对于训练出来的深度学习模型性能的影响非常大，样本不平衡、困难样本的挖掘都是影响模型性能好坏的重要因素。传统的目标检测任务中训练集和验证集的正负样本，都是基于与金标准重合度大于或小于一定阈值的检测框而筛选出来的，但是通过这样筛选出来的正负样本训练出来的模型还是会经常出现一些问题，如出现假阳性的情况。

现有技术中筛选训练样本的方法有Online Hard Example Mining(在线难例挖掘算法)的方法，核心思想是筛选出一些困难样本作为训练样本从而改善检测模型的效果，其中困难样本指的是有多样性和高损失的样本。困难样本是根据每个ROI(感兴趣区域)的损失来选择的，选择损失最大的一些感兴趣区域作为候选区域。这个方法能在一定程度上提升模型的性能，但是并不是对所有种类的假阳性结果都有效，针对性不够强，使得到的目标检测的结果不够准确，因此需要提供更加可靠的方案。

发明内容

为了解决现有技术的问题，本发明提供了一种目标检测方法、装置、计算机设备及存储介质。所述技术方案如下：

本申请一方面提供了一种目标检测方法，所述方法包括：

获取待检测图像；

基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果；

基于误检筛查模型对所述第一目标检测结果进行误检筛查，得到第二目标检测结果；

其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的，且所述误检筛查模型包括一个或多个级联的误检筛查子模型。

本申请另一方面提供了另一种目标检测方法，所述方法包括：

获取待检测图像；

基于目标检测模型对所述待检测图像进行目标检测，得到第一目标检测结果；

基于误检筛查模型对所述待检测图像进行目标检测，得到第三目标检测结果；

确定所述第一目标检测结果与所述第三目标检测结果的交集；

将所述第一目标检测结果与所述第三目标检测结果的交集作为误检筛查后的目标检测结果；

其中，所述误检筛查模型是对所述目标检测模型测试得到的误检结果进行聚类处理后训练得到的。

本申请另一方面提供了一种目标检测装置，所述装置包括：

第一图像获取模块，用于获取待检测图像；