[发明专利]目标检测方法及装置、存储介质、电子设备

说明书

本公开属于人工智能技术领域，涉及一种目标检测方法及装置、存储介质、电子设备。该方法包括：获取待检测图像，并将待检测图像输入至预先训练好的图像优化模型中，以使预先训练好的图像优化模型输出优化图像；对优化图像进行语义信息提取得到图像语义信息，并对图像语义信息进行特征融合处理得到融合信息；对融合信息进行多尺度目标检测得到待检测图像中的检测目标。本公开从根源上解决了直接对低分辨率或者目标遮挡的待检测图像进行目标检测带来的目标检测准确率低，甚至漏检的情况发生，提高了目标检测对前景特征信息的提取速度和关注度，也提高了目标检测精度，并且，能够更进一步兼顾多尺寸的目标检测精度，丰富了目标检测的应用场景。

技术领域

本公开涉及人工智能技术领域，尤其涉及一种目标检测方法与目标检测装置、计算机可读存储介质及电子设备。

背景技术

随着社会的发展，摄像头作为一种重要的图像信息采集工具应用越来越广泛。从楼宇电梯监控、商场到交通路口电子眼违章车辆抓拍和无人驾驶都离不开摄像头的身影。其中，监控摄像头每天都能采集到大量的图像信息，单纯靠人工对视频图像进行信息提取已经不可能完成，需要将研究方向转向如何让机器对视频内人类关注的目标进行自动识别、检测和追踪等。

目前，图像视频的目标检测主要是基于深度学习理论和深度网络模型。基于深度学习理论和深度网络模型的目标检测算法准确性、计算速度会受到图像分辨率和模型结构的影响。并且，现实生活中老旧的摄像头的分辨率普遍较低，大批量更换摄像头的成本很高，更换下来的老旧摄像头只能做报废处理，也会导致资源的浪费。因此，对低分辨率图像进行高分辨率重构和改变模型架构，以提高目标检测的准确性是非常有必要的。

当前，图像分辨率重构常用的是基于临近像素插值法、双线性插值法和深度学习反卷积进行图像重构的方法。但是，这三种方案都存在一定的问题。其中，基于临近像素插值法对图像进行重构处理得到的图像，在放大后会出现马赛克，在缩小后图像会严重失真。低分辨率图像进行进行双线性插值重构后可以快速放大图像，但并不会提高图像的清晰度。尤其是当图像放大4倍以上后，会导致图像边缘模糊化。基于深度学习的反卷积进行分辨率重构，图像的清晰度不高，且计算量大。

鉴于此，本领域亟需开发一种新的目标检测方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种目标检测方法、目标检测装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的图像重构效果不佳和目标检测准确率低的技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本发明实施例的第一个方面，提供一种目标检测方法，所述方法包括：获取待检测图像，并将所述待检测图像输入至预先训练好的图像优化模型中，以使所述预先训练好的图像优化模型输出优化图像；

对所述优化图像进行语义信息提取得到图像语义信息，并对所述图像语义信息进行特征融合处理得到融合信息；

对所述融合信息进行多尺度目标检测得到所述待检测图像中的检测目标。

在本发明的一种示例性实施例中，在所述将所述待检测图像输入至预先训练好的图像优化模型中之前，所述方法还包括：

获取原始图像样本以及与所述原始图像样本对应的优化图像样本，并利用所述原始图像样本和所述优化图像样本对所述图像优化模型进行训练得到待评价模型；

计算所述待评价模型的生成器损失值和感知损失值，并根据所述生成器损失值和所述感知损失值对所述待评价模型继续进行训练，以得到预先训练好的图像优化模型。