[发明专利]目标检测方法、装置及电子设备

说明书

本发明实施例提供了目标检测方法、装置及电子设备，应用于计算机视觉的目标检测领域。该方法应用于边缘计算服务器，该方法包括：获取待检测图像；利用预先训练好的目标检测模型，对待检测图像进行目标检测，得到检测结果；其中，目标检测模型为基于样本图像和样本图像的标注结果训练得到的，目标检测模型包含用于提取图像特征的残差网络，残差网络包含串行连接的扩展卷积层、深度卷积层和投影卷积层，扩展卷积层包含第一数量个输入通道和第二数量个输出通道，投影卷积层包含第二数量个输入通道和第一数量个输出通道，第二数量大于第一数量。通过本方案，可以在有限算力的边缘侧微型服务器上，提升目标检测的准确性。

技术领域

本发明涉及计算机视觉的目标检测领域，特别是涉及目标检测方法、装置及电子设备。

背景技术

随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机视觉技术对目标进行实时检测研究越来越热门，对目标进行实时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导航手术中手术器械定位等方面具有广泛的应用价值。

随着社会的进步，人们对目标检测设备的成本、实时性、智能化等方面提出的更加严格要求。为解决这一问题，边缘计算服务器应运而生。边缘计算服务器相比传统服务器更加轻便，但存储能力和计算能力较小。

由于边缘计算服务器的计算能力的限制，使得运行在边缘计算服务器上的目标检测模型只能在低维度空间获取待检测图像的图像特征，导致无法准确的检测目标。

发明内容

本发明实施例的目的在于提供目标检测方法、装置及电子设备，以提升目标检测的准确性。具体技术方案如下：

第一方面，本发明实施例提供一种目标检测方法，应用于边缘计算服务器，所述方法包括：

获取待检测图像；

利用预先训练好的目标检测模型，对所述待检测图像进行目标检测，得到检测结果；其中，所述目标检测模型为基于样本图像和所述样本图像的标注结果训练得到的，所述目标检测模型的包含用于提取图像特征的残差网络，所述残差网络包含串行连接的扩展卷积层、深度卷积层和投影卷积层，所述扩展卷积层包含第一数量个输入通道和第二数量个输出通道，所述投影卷积层包含所述第二数量个输入通道和所述第一数量个输出通道，所述第二数量大于所述第一数量。

可选的，通过以下步骤得到所述目标检测模型：

将所述样本图像输入至待训练的神经网络模型，得到所述神经网络模型预测的所述样本图像的检测结果，作为预测检测结果；

基于所述预测检测结果和所述样本图像的标注结果，计算所述神经网络模型的损失函数值；

根据所述损失函数值，判断所述神经网络模型是否收敛，当所述神经网络模型未收敛时，根据所述损失函数值调整所述神经网络模型参数，并进行下一次训练，当所述神经网络模型收敛时，得到训练完成的所述神经网络模型，作为所述目标检测模型。

可选的，所述样本图像包括：经过图像增强处理和/或图像中目标所占比例大于预设比例阈值的图像。

可选的，所述目标检测网络包含用于检测目标的目标检测器；

所述利用预先训练好的目标检测模型，对所述待检测图像进行目标检测，得到检测结果，包括：

将所述待检测图像输入至所述目标检测模型，以使所述残差网络提取所述待检测图像的特征图，并通过所述目标检测器对所述特征图进行下采样，以根据下采样后的特征图确定检测结果。

可选的，所述目标检测器为YOLO目标检测器。

可选的，所述投影卷积层由1×1卷积层和归一化层构成。

第二方面，本发明实施例提供了一种目标检测装置，应用于边缘计算服务器，所述装置包括：