CN114399696A - 一种目标检测方法、装置、存储介质及电子设备 - Google Patents

一种目标检测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN114399696A
CN114399696A CN202210064885.6A CN202210064885A CN114399696A CN 114399696 A CN114399696 A CN 114399696A CN 202210064885 A CN202210064885 A CN 202210064885A CN 114399696 A CN114399696 A CN 114399696A
Authority
CN
China
Prior art keywords
module
feature information
target detection
image
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210064885.6A
Other languages
English (en)
Inventor
宋沉蔓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202210064885.6A priority Critical patent/CN114399696A/zh
Publication of CN114399696A publication Critical patent/CN114399696A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种目标检测方法、装置、存储介质及电子设备，其中方法包括：获取待检测图像；将待检测图像输入到预先训练的目标检测模型中，得到目标检测模型输出的目标检测图像，其中，目标检测模型包括特征提取模块、空间注意模块和通道注意模块，所述提取模块中用于提取不同层次的特征信息，空间注意模块用于对所述特征提取模块提取的第一特征信息进行空间特征加权，通道注意模块用于对所述特征提取模块提取的第二特征信息进行通道加权，经过空间特征加权后的第一特征信息和通道加权后的第二特征信息通过图像融合得到目标检测图像。通过注意力机制关注空间特征和通道特征中的重要特征，并抑制不必要特征，有利于提高目标检测的准确度。

Description

一种目标检测方法、装置、存储介质及电子设备
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种目标检测方法、装置、存储介质及电子设备。
背景技术
显著性目标检测作为其他视觉任务的预处理步骤一直是计算机视觉领域的研究热点。可广泛应用于图像自动裁剪、图像识别和检测、视频摘要、目标跟踪等任务中。
传统的基于手工特征的显著性检测方法主要依赖手工制作的特征，而这些特征可能无法描述复杂的图像场景和结构，无法适应新的场景和对象，泛化能力差。
发明内容
本发明实施例提供一种目标检测方法、装置、存储介质及电子设备，以实现提高目标检测的检测精度。
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；
将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的目标检测图像，其中，所述目标检测模型包括特征提取模块、空间注意模块和通道注意模块，所述特征提取模块中用于提取不同层次的特征信息，所述空间注意模块用于对所述特征提取模块提取的第一特征信息进行空间特征加权，所述通道注意模块用于对所述特征提取模块提取的第二特征信息进行通道加权，经过空间特征加权后的第一特征信息和通道加权后的第二特征信息通过图像融合得到目标检测图像。
第二方面，本发明实施例还提供了一种目标检测装置，包括：
图像获取模块，用于获取待检测图像；
目标检测模块，用于将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的目标检测图像，其中，所述目标检测模型包括特征提取模块、空间注意模块和通道注意模块，所述特征提取模块中用于提取不同层次的特征信息，所述空间注意模块用于对所述特征提取模块提取的第一特征信息进行空间特征加权，所述通道注意模块用于对所述特征提取模块提取的第二特征信息进行通道加权，经过空间特征加权后的第一特征信息和通道加权后的第二特征信息通过图像融合得到目标检测图像。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的目标检测方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的目标检测方法。
本实施例的技术方案，通过预先设置包括空间注意模块和通道注意模块的目标检测模型，通过目标检测模型对待检测图像进行目标检测，使得在对待检测图像进行目标检测的过程中，通过注意力机制关注空间特征和通道特征中的重要特征，并抑制不必要特征，有利于提高目标检测的准确度。
附图说明
图1为本发明实施例提供的一种目标检测方法的流程示意图；
图2是本发明实施例提供的一种目标检测模型的结构示意图；
图3是本发明实施例提供的一种目标检测模型的结构示例图；
图4是本发明实施例中空间注意模块的结构示意图；
图5是本发明实施例提供的一种通道注意模块的结构示意图；
图6是本发明实施例提供的一种对图像进行目标检测的流程图；
图7是本发明实施例提供的一种目标检测装置的结构示意图；
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
图1为本发明实施例提供的一种目标检测方法的流程示意图，本实施例可适用于对图像中的感兴趣区域进行识别的情况，该方法可以由本发明实施例提供的目标检测装置来执行，该目标检测装置可以由软件和/或硬件来实现，该目标检测装置可以配置在手机、PC机、计算机、服务器等的电子计算设备上，具体包括如下步骤：
S110、获取待检测图像。
S120、将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的目标检测图像，其中，所述目标检测模型包括特征提取模块、空间注意模块和通道注意模块，所述特征提取模块中用于提取不同层次的特征信息，所述空间注意模块用于对所述特征提取模块提取的第一特征信息进行空间特征加权，所述通道注意模块用于对所述特征提取模块提取的第二特征信息进行通道加权，经过空间特征加权后的第一特征信息和通道加权后的第二特征信息通过图像融合得到目标检测图像。
在一些实施例中，待检测图像可以是视频中视频帧图像，该视频可以是监控视频、医疗影像视频，通过将视频中每一视频帧图像作为待检测图像进行目标检测，以确定视频帧图像中的感兴趣区域，即目标对象。基于对每一视频帧图像的目标检测图像对原视频进行处理，其中，处理方式可以是基于生成视频摘要，或者生成目标对象的行动轨迹等，对此不作限定，可根据业务需求确定处理方式。
在一些实施例中，待检测图像可以是外部导入图像，该图像包括但不限于人像图像、风景图像、美食图像、医学图像等，将外部导入的图像作为待检测图像进行目标检测，可根据得到的目标检测图像进行后续处理，示例性的，处理方式可以包括但不限于，基于目标检测图像对待检测图像进行目标对象的分割、基于目标检测图像对目标对象设置显示特效等，对此不作限定，可根据业务需求确定处理方式。
本实施例中，在满足触发条件的情况下，对待检测图像执行目标检测方法，其中，触发条件包括但不限于预设控件被选择、待检测图像导入或上传、进入检测界面等，对此不作限定。
预先设置目标检测模型，该目标检测模型可以是神经网络模型，为预先训练好的，具有目标检测功能的网络模型。示例性的，参见图2，图2是本发明实施例提供的一种目标检测模型的结构示意图，该目标检测模型中包括特征提取模块、空间注意模块和通道注意模块。可选的，特征提取模块中包括多个子模块或者多个卷积块，用于依次提取不同层次的特征信息，随着子模块或者卷积块的深度增加，所提取的特征信息的深度也增加，通过提取不同层次的特征信息，可提高特征信息的全面性，避免特征信息的丢失。
在一些可选实施例中，特征提取模块包括用于提取浅层特征信息的第一特征提取子模块和用于提取深层特征信息的第二特征提取子模块，所述第一特征提取子模块与所述空间注意模块连接，所述第二特征提取子模块与所述通道注意模块连接。本实施例中，可根据特征提取模块的层数，将提取的特征信息划分为第一特征信息和第二特征信息，示例性的，第一特征信息可以是浅层特征信息，第二特征信息可以是深层特征信息，其中，第一特征信息和第二特征信息可以是特征图、数据矩阵等的形式，第一特征信息和第二特征信息可以分别为至少一个，对此不做限定。
可选的，第一特征提取子模块和第二特征提取子模块的数量分别为至少一个。可选的，第一特征提取子模块和第二特征提取子模块中可以分别包括至少一个可输出特征信息的卷积块或者卷积层。例如，所述第一特征提取子模块中包括至少一个卷积块，每一卷积块分别输出第一特征信息；所述第二特征提取子模块中包括至少一个卷积块，用于每一卷积块分别输出第二特征信息。其中，第一特征提取子模块和第二特征提取子模块中卷积块数据对此不做限定。示例性的，第一特征提取子模块在可以包括两个卷积块，第二特征提取子模块中可以是包括三个卷积块，相应的，第一特征信息为两个，第二特征信息为三个。其中，每一卷积块的结构可以相同或不同，例如卷积块中包括两个卷积层，或者，卷积块中包括三个卷积层，卷积层之后可设置有激活函数层和/或池化层，对此不做限定，可根据需求进行设置。可选的，特征提取模块可以基于VGG-16网络模型改进得到，具体的，可以是将VGG-16网络模型中最后的全连接层替换为卷积层得到，相应的，特征提取模块中包括五个卷积块，即VGG1-2、VGG2-2、VGG3-3、VGG4-3、VGG5-3，其中，卷积块VGG1-2、VGG2-2可属于第一特征提取子模块，用于输出第一特征信息，即浅层特征信息，卷积块VGG3-3、VGG4-3、VGG5-3可属于第二特征提取子模块，用于输出第二特征信息，即深层特征信息。示例性的，参见图3，图3是本发明实施例提供的一种目标检测模型的结构示例图。
空间注意模块与第一特征提取子模块连接，即与第一特征提取子模块中的每一卷积块连接，对第一特征提取子模块输出的第一特征信息进行处理。空间注意模块用于提取第一特征信息中的空间特征信息，并将提取的空间特征信息加权到第一特征信息中。可选的，空间注意模块可以是包括池化层、卷积层和急活函数层。其中，池化层可以是包括并列设置的平均池化层和最大池化层，平均池化层对邻域内特征点求平均，对背景保留具有更好的效果，最大池化层对邻域内特征点取最大值，对纹理提取具有更好的效果，通过设置并列的平均池化层和最大池化层，从不同维度对第一特征信息进行处理，以保留背景特征和纹理特征，提高特征保留的全面性，避免特征丢失。参见图4，图4是本发明实施例中空间注意模块的结构示意图，图4中R为空间注意模块输出信息，即第一特征信息，R’为经空间注意模块处理后输出的特征信息。
空间注意模块对于任一输入信息，执行以下处理过程：对第一特征信息(即输入信息)分别进行平均池化处理和最大池化处理，将平均池化处理结果和最大化处理结果拼接后进行卷积处理，将卷积处理结果进行非线性处理，得到空间特征信息，将所述空间特征信息加权到所述第一特征信息上，得到经空间注意模块处理后输出的特征信息。
通道注意模块与第二特征提取子模块连接，即与第二特征提取子模块中的各个卷积块分别连接，对第二特征提取子模块输出的第二特征信息进行处理。通道注意模块用于确定各通道间的依赖关系，得到各通道的权重，并通过各通道的权重对各通道的特征信息进行加权处理。
可选的，通道注意模块包括池化层和两个全连接层，其中，池化层可以是平均池化层，每一全连接层之后可配置后激活函数层。示例性的，参见图5，图5是本发明实施例提供的一种通道注意模块的结构示意图。
通道注意模块对于任一输入信息，执行以下处理过程：对第二特征信息(即输入信息)进行平均池化处理，并将平均池化处理结果依次输入至两个全连接层，并经归一化处理后得到通道权重，基于通道权重对所述第二特征信息中的各通道特征进行加权处理。
通过将经空间注意模块处理得到的特征信息和经通道注意模块处理后的特征信息进行融合，得到目标检测图像，其中，经空间注意模块处理得到的特征信息和经通道注意模块处理后的特征信息分别可以为特征图的形式。对多个特征图进行融合处理，可以是将各颜色通道中对应像素的像素值进行均值处理，得到融合后的目标检测图像。该目标检测图像中包括浅层的空间特征信息和深度的通道特征信息，提高了特征信息的全面性，进一步提高了目标检测的准确性。
在上述实施例的基础上，在第一特征信息和第二特征信息分别为两个或两个以上的情况下，参见图3，不同的第一特征信息的数据尺寸不一致，不同的第二特征信息的数据尺寸也不一致，为了进行特征融合，需对第一特征信息和第二特征信息进行尺寸调整。可选的，在目标检测模型中设置上采样模块，以保证多个第一特征信息的数据尺寸一致，多个第二特征信息的数据尺寸一致，以及进行融合的特征信息的数据尺寸一致。
相应的，目标检测模型还包括：第一上采样模块，设置在所述第一特征提取子模块与所述空间注意模块之间，用于对所述第一特征信息上采样到第一预设尺寸；第二上采样模块，设置在所述第二特征提取子模块与所述通道注意模块之间，用于对所述第二特征信息上采样至第二预设尺寸。
可选的，第一预设尺寸可以是尺寸最大的第一特征信息的数据尺寸，第二预设尺寸可以是尺寸最大的第二特征信息的数据尺寸，需要说明的是，第二特征信息的数据尺寸小于第二特征信息的数据尺寸，在通道注意模块之后还设置第三上采样模块，已将处理后的第二特征信息上采样至第一预设尺寸。
可选的，第一预设尺寸和第二预设尺寸可以相同，即输出图像的数据尺寸，该输出图像的数据尺寸可以是与输入图像的数据尺寸一致，还可以是尺寸最大的第一特征信息的数据尺寸，还可以是预先设置的输出数据尺寸，对此不做限定，可根据输出需求确定。
本实施例的技术方案，通过预先设置包括空间注意模块和通道注意模块的目标检测模型，通过目标检测模型对待检测图像进行目标检测，使得在对待检测图像进行目标检测的过程中，通过注意力机制关注空间特征和通道特征中的重要特征，并抑制不必要特征，有利于提高目标检测的准确度。
在上述技术方案的基础上，在获取待检测图像之后，所述方法还包括：确定所述待检测图像的先验检测图像；相应的，所述将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的检测结果，包括：将所述待检测图像和所述先验检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的检测结果。
本实施例中，可以是基于预先设置的先验检测模型对进行先验目标检测，得到先验检测图像，该先验检测图像为目标检测的初始图像，通过将先验检测图像与待检测图像共同输入至目标检测模型中，基于先验检测图像对目标检测过程提供先验指导，便于提高目标检测的准确度。
在一些实施例中，先验检测模型可以与目标检测模型中的特征提取模块具有相同的结构，示例性的，经过VGG-16改进得到。进一步的，在对目标检测模型的训练过程中，将先验检测模型的网络参数作为目标检测模型中特征提取模块的初始网络参数，便于加快目标检测模型的训练效率。
示例性的，参见图6，图6是本发明实施例提供的一种对图像进行目标检测的流程图。图6中，将待检测图像输入至先验检测模型，得到先验检测图像，将待检测图像和先验检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的检测结果，即目标检测图像。
其中，目标检测模型的训练过程为：准备训练所需的图像训练集和测试集，将训练数据集通过裁剪和水平翻转方式等进行数据增强，使得增强后的数据集为初始数据集的4倍。
基于VGG-16模型，将最后的全连接层改为卷积层，得到先验检测模型，输入RGB图像训练得到初始显著检测图，即先验检测图像。通过对VGG-16模型的改进，将一个RGB图像(即待检测图像)作为网络模型的输入，输出为一个显著图。基于改进的VGG-16网络模型，将训练数据resize到统一大小作为输入，将网络最后两层的全连接层改为全卷积层。整个网络结构有15个卷积层序列来进行从低维到高维的特征提取，从VGG1-2到VGG5-3卷积层之后又会经过下采样使得原始图片尺寸缩小，VGG5-3层之后的输出为原始图像的1/32大小，然后进行一系列上采样层直到输出的特征图恢复到输入图像尺寸大小，至此使得网络直接输出为一个显著图(即先验检测图像)。
将得到的显著检测图与输入RGB图像(即待检测图像)一起作为注意力机制卷积神经网络(即目标检测模块)的输入，该卷积神经网络包括同样基于VGG-16模型改进得到的特征提取模块，将特征提取模块中的VGG1-2和VGG2-2输出的底层特征上采样到conv1-2尺寸大小加入空间注意模块，以更好利用低级特征(即浅层特征)，将特征提取模块中的VGG3-3、VGG4-3及VGG5-3输出的高层特征加入通道注意模块，并上采样到conv1-2尺寸大小，以更好利用高级特征(即深层特征)。将上采样后得到的低级特征和高级特征融合用以训练得到最终显著性检测结果。
在上述实施例的基础上，本发明实施例还提供了一种目标检测装置，参见图7，图7是本发明实施例提供的一种目标检测装置的结构示意图，该装置包括：
图像获取模块210，用于获取待检测图像；
目标检测模块220，用于将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的目标检测图像，其中，所述目标检测模型包括特征提取模块、空间注意模块和通道注意模块，所述特征提取模块中用于提取不同层次的特征信息，所述空间注意模块用于对所述特征提取模块提取的第一特征信息进行空间特征加权，所述通道注意模块用于对所述特征提取模块提取的第二特征信息进行通道加权，经过空间特征加权后的第一特征信息和通道加权后的第二特征信息通过图像融合得到目标检测图像。
可选的，该装置还包括：
先验检测图像确定模块，用于获取待检测图像之后，确定所述待检测图像的先验检测图像；
相应的，目标检测模块220用于：
将所述待检测图像和所述先验检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的检测结果。
可选的，所述空间注意模块用于对第一特征信息分别进行平均池化处理和最大池化处理，将平均池化处理结果和最大化处理结果拼接后进行卷积处理，将卷积处理结果进行非线性处理，得到空间特征信息，将所述空间特征信息加权到所述第一特征信息上。
可选的，所述通道注意模块用于对第二特征信息进行平均池化处理，并将平均池化处理结果依次输入至两个全连接层，并经归一化处理后得到通道权重，基于通道权重对所述第二特征信息中的各通道特征进行加权处理。
可选的，所述特征提取模块包括用于提取浅层特征信息的第一特征提取子模块和用于提取深层特征信息的第二特征提取子模块，所述第一特征提取子模块与所述空间注意模块连接，所述第二特征提取子模块与所述通道注意模块连接。
可选的，所述第一特征提取子模块中包括至少一个卷积块，每一卷积块分别输出第一特征信息；所述第二特征提取子模块中包括至少一个卷积块，用于每一卷积块分别输出第二特征信息。
可选的，所述目标检测模型还包括：
第一上采样模块，设置在所述第一特征提取子模块与所述空间注意模块之间，用于对所述第一特征信息上采样到第一预设尺寸；
第二上采样模块，设置在所述第二特征提取子模块与所述通道注意模块之间，用于对所述第二特征信息上采样至第二预设尺寸。
本发明实施例所提供的目标检测装置可执行本发明任意实施例所提供的目标检测方法，具备执行方法相应的功能模块和有益效果。
下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如图8中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的目标检测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的目标检测方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取待检测图像；
将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的目标检测图像，其中，所述目标检测模型包括特征提取模块、空间注意模块和通道注意模块，所述特征提取模块中用于提取不同层次的特征信息，所述空间注意模块用于对所述特征提取模块提取的第一特征信息进行空间特征加权，所述通道注意模块用于对所述特征提取模块提取的第二特征信息进行通道加权，经过空间特征加权后的第一特征信息和通道加权后的第二特征信息通过图像融合得到目标检测图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元/模块的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种目标检测方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的目标检测图像，其中，所述目标检测模型包括特征提取模块、空间注意模块和通道注意模块，所述特征提取模块中用于提取不同层次的特征信息，所述空间注意模块用于对所述特征提取模块提取的第一特征信息进行空间特征加权，所述通道注意模块用于对所述特征提取模块提取的第二特征信息进行通道加权，经过空间特征加权后的第一特征信息和通道加权后的第二特征信息通过图像融合得到目标检测图像。
2.根据权利要求1所述的方法，其特征在于，在获取待检测图像之后，所述方法还包括：
确定所述待检测图像的先验检测图像；
相应的，所述将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的检测结果，包括：
将所述待检测图像和所述先验检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的检测结果。
3.根据权利要求1所述的方法，其特征在于，所述空间注意模块用于对第一特征信息分别进行平均池化处理和最大池化处理，将平均池化处理结果和最大化处理结果拼接后进行卷积处理，将卷积处理结果进行非线性处理，得到空间特征信息，将所述空间特征信息加权到所述第一特征信息上。
4.根据权利要求1所述的方法，其特征在于，所述通道注意模块用于对第二特征信息进行平均池化处理，并将平均池化处理结果依次输入至两个全连接层，并经归一化处理后得到通道权重，基于通道权重对所述第二特征信息中的各通道特征进行加权处理。
5.根据权利要求1-4任一所述的方法，其特征在于，所述特征提取模块包括用于提取浅层特征信息的第一特征提取子模块和用于提取深层特征信息的第二特征提取子模块，所述第一特征提取子模块与所述空间注意模块连接，所述第二特征提取子模块与所述通道注意模块连接。
6.根据权利要求5所述的方法，其特征在于，所述第一特征提取子模块中包括至少一个卷积块，每一卷积块分别输出第一特征信息；所述第二特征提取子模块中包括至少一个卷积块，用于每一卷积块分别输出第二特征信息。
7.根据权利6所述的方法，其特征在于，所述目标检测模型还包括：
第一上采样模块，设置在所述第一特征提取子模块与所述空间注意模块之间，用于对所述第一特征信息上采样到第一预设尺寸；
第二上采样模块，设置在所述第二特征提取子模块与所述通道注意模块之间，用于对所述第二特征信息上采样至第二预设尺寸。
8.一种目标检测装置，其特征在于，包括：
图像获取模块，用于获取待检测图像；
目标检测模块，用于将所述待检测图像输入到预先训练的目标检测模型中，得到所述目标检测模型输出的目标检测图像，其中，所述目标检测模型包括特征提取模块、空间注意模块和通道注意模块，所述特征提取模块中用于提取不同层次的特征信息，所述空间注意模块用于对所述特征提取模块提取的第一特征信息进行空间特征加权，所述通道注意模块用于对所述特征提取模块提取的第二特征信息进行通道加权，经过空间特征加权后的第一特征信息和通道加权后的第二特征信息通过图像融合得到目标检测图像。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的目标检测方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的目标检测方法。
CN202210064885.6A 2022-01-20 2022-01-20 一种目标检测方法、装置、存储介质及电子设备 Pending CN114399696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210064885.6A CN114399696A (zh) 2022-01-20 2022-01-20 一种目标检测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210064885.6A CN114399696A (zh) 2022-01-20 2022-01-20 一种目标检测方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN114399696A true CN114399696A (zh) 2022-04-26

Family

ID=81233710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210064885.6A Pending CN114399696A (zh) 2022-01-20 2022-01-20 一种目标检测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114399696A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704206A (zh) * 2023-06-12 2023-09-05 中电金信软件有限公司 图像处理方法、装置、计算机设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704206A (zh) * 2023-06-12 2023-09-05 中电金信软件有限公司 图像处理方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN112184738B (zh) 一种图像分割方法、装置、设备及存储介质
CN111369427B (zh) 图像处理方法、装置、可读介质和电子设备
US11443438B2 (en) Network module and distribution method and apparatus, electronic device, and storage medium
CN111784712B (zh) 图像处理方法、装置、设备和计算机可读介质
CN110059623B (zh) 用于生成信息的方法和装置
CN110298851B (zh) 人体分割神经网络的训练方法及设备
CN110991373A (zh) 图像处理方法、装置、电子设备及介质
CN110211195B (zh) 生成图像集合的方法、装置、电子设备和计算机可读存储介质
CN110796664A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
WO2020062494A1 (zh) 图像处理方法和装置
CN111310815A (zh) 图像识别方法、装置、电子设备及存储介质
CN112381717A (zh) 图像处理方法、模型训练方法、装置、介质及设备
CN110825286A (zh) 图像处理方法、装置和电子设备
CN112418249A (zh) 掩膜图像生成方法、装置、电子设备和计算机可读介质
CN114519667A (zh) 一种图像超分辨率重建方法及***
CN110310293B (zh) 人体图像分割方法及设备
CN114399696A (zh) 一种目标检测方法、装置、存储介质及电子设备
CN111311609B (zh) 一种图像分割方法、装置、电子设备及存储介质
CN112418054A (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN112101258A (zh) 图像处理方法、装置、电子设备和计算机可读介质
WO2023138441A1 (zh) 视频生成方法、装置、设备及存储介质
CN111353536B (zh) 图像的标注方法、装置、可读介质和电子设备
CN111369468B (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN112418233A (zh) 图像处理方法、装置、可读介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination