(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 20221081527 7.4 (22)申请日 2022.07.11 (65)同一申请的已公布的文献号 申请公布号 CN 114882243 A (43)申请公布日 2022.08.09 (73)专利权人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 王科洋　邵明　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 严翠霞 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)(56)对比文件 CN 113574566 A,2021.10.2 9 CN 114118259 A,202 2.03.01 CN 112329873 A,2021.02.0 5 CN 113255915 A,2021.08.13 US 2022189147 A1,202 2.06.16 US 2021326 574 A1,2021.10.21 CN 114299119 A,202 2.04.08 Keyang Wang et al.Si ngle-Shot Tw o- Pronged Detector w ith Rectified I oU Loss. 《Oral Ses sion G3: Visi on and Langua ge》 .2020, Keyang Wang et al.Reco ncile Predicti on Consistency for Balanced Object Detecti on. 《arXiv》 .2021, 王伟等.基 于卷积特 征融合的通用目标检测 方法. 《计算机 应用研究》 .2020, 审查员 崔芳婷 (54)发明名称 目标检测方法、 电子设备及计算机可读存储 介质 (57)摘要 本申请公开了目标检测方法、 电子设备及计 算机可读存储介质。 该方法包括： 获取待检测图 像； 将待检测图像输入至目标检测网络进行特征 提取， 其中目标检测网络包括依次连接的多个网 络层， 每个网络层分别对前一网络层输出的初始 特征进行卷积处理， 进而输出自身的初始特征； 在至少两个网络层之间反馈前向细节增强特征 以及反向语义增强特征， 将初始特征增强为目标 特征； 基于至少部分目标特征进行目标检测。 通 过上述方式， 缓解不同网络层中语义信息和细 节 信息不平衡的问题， 提高目标检测的准确性。 权利要求书1页 说明书11页 附图7页 CN 114882243 B 2022.11.22 CN 114882243 B 1.一种目标检测方法， 其特 征在于， 所述方法包括： 获取待检测图像； 将所述待检测图像输入至目标检测网络进行特征提取， 其中所述目标检测网络包括依 次连接的多个网络层， 每个所述网络层分别对前一所述网络层输出的初始特征进 行卷积处 理， 进而输出自身的初始特 征； 依次以至少两个网络层中的后一个网络层作为当前网络层； 对所述当前网络层的初始特 征进行转换， 得到所述当前网络层的反向语义增强特 征； 将所述当前网络层的反向语义增强特征与所述当前网络层上游的先前网络层的前向 细节增强特 征进行融合， 得到所述先 前网络层的目标 特征； 对所述先前网络层的所述目标特征进行转换， 得到所述当前网络层的前向细节增强特 征； 对至少部分所述目标特征进行分类， 得到分类检测结果； 以及对至少部分所述目标特 征进行定位， 得到 定位检测结果； 基于所述分类 检测结果， 确定出第一损失值； 基于所述定位检测结果， 确定出第二损失值； 获取所述分类检测结果中每一类别所对应的概率值， 以及获取所述定位检测结果中预 测框与真实框之间的交并比； 当所述概率值和所述交并比的差值的绝对值大于预设阈值 时， 将第三损失值设置成第 一值； 当所述概率值和所述交并比的差值的绝对值小于预设阈值 时， 将所述第 三损失值设置 成第二值， 其中， 所述第一 值大于所述第二 值； 基于所述第 一损失值、 所述第 二损失值和所述第 三损失值对所述目标检测网络进行网 络参数调整。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述当前网络层的初始特征进行转 换， 得到所述当前网络层的反向语义增强特 征， 包括： 对所述当前网络层的初始特 征进行反卷积， 得到反卷积特 征； 将所述反卷积特征与 所述先前网络层的初始特征进行像素相加， 得到所述当前网络层 的反向语义增强特 征。 3.根据权利要求1所述的方法， 其特征在于， 所述对所述先前网络层的所述目标特征进 行转换， 得到所述当前网络层的前向细节增强特 征， 包括： 对所述先前网络层的所述目标特征进行卷积操作， 得到所述当前网络层的前向细节增 强特征。 4.一种电子设备， 其特征在于， 所述电子设备包括互相连接的处理器和存储器， 所述存 储器用于存储计算机程序， 所述处理器用于执行所述计算机程序以实现如权利要求 1至3任 一项所述的方法。 5.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序能够被执 行以实现如权利要求1至 3任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 114882243 B 2目标检测方法、 电子设备及计算机可 读存储介质 技术领域 [0001]本申请涉及目标检测技术领域， 特别是涉及目标检测方法、 电子设备及计算机可 读存储介质。 背景技术 [0002]目标检测技术是计算机视觉领域非常的重要的研究方向之一， 作为上游任务， 其 发展为计算机视觉中的下游任务 奠定了基础。 目标检测任务主要 可以分为分类和定位两个 子任务， 其中定位任务主要是给出对应前景目标的坐标位置， 而分类任务则是对相应的前 景目标进行准确分类。 发明内容 [0003]本申请提供了目标检测方法、 电子设备及计算机可读存储介质， 能够缓解不 同网 络层中语义信息和细节信息不平衡的问题， 提高目标检测的准确性。 [0004]第一方面， 本申请提供一种目标检测方法， 该方法包括： 获取待检测图像； 将待检 测图像输入至目标检测网络进行特征提取， 其中目标检测网络包括依次连接的多个网络 层， 每个网络层分别对前一网络层输出 的初始特征进行卷积处理， 进而输出自身的初始特 征； 在至少 两个网络层之间反馈前向细节增强特征以及反向语义增强特征， 将初始特征增 强为目标 特征； 基于至少部分目标 特征进行目标检测。 [0005]其中， 在至少两个网络层之间反馈前向细节增强特征以及反向语义增强特征， 将 初始特征增强为目标特征， 包括： 依 次以至少 两个网络层中的后一个网络层作为当前网络 层； 对当前网络层的初始特征进 行转换， 得到 当前网络层的反向语义增强特征； 将当前网络 层的反向语义增强特征与当前网络层上游的先前网络层的前向细节增强特征进行融合， 得 到先前网络层的目标特征； 对先前网络层的目标特征进行转换， 得到当前网络层的前向细 节增强特 征。 [0006]其中， 对当前网络层的初始 特征进行转换， 得到当前网络层的反向语义增强特征， 包括： 对当前网络层的初始特征进 行反卷积， 得到反卷积特征； 将反卷积特征与先前网络层 的初始特 征进行像素相加， 得到当前网络层的反向语义增强特 征。 [0007]其中， 对先前网络层的目标特征进行转换， 得到当前网络层的前向细节增强特征， 包括： 对先 前网络层的目标 特征进行卷积操作， 得到当前网络层的前向细节增强特 征。 [0008]其中， 基于至少部分目标特征进行目标检测， 包括： 对至少部分目标特征进行分 类， 得到分类 检测结果； 以及对至少部分目标 特征进行定位， 得到 定位检测结果。 [0009]其中， 基于至少部分目标特征进行目标检测之后， 包括： 基于分类检测结果和定位 检测结果， 对目标检测网络进行网络参数调整。 [0010]其中， 基于分类检测结果和定位检测结果， 对目标检测网络进行网络参数调整， 包 括： 基于分类检测结果， 确定出第一损失值； 基于定位检测结果， 确定出第二损失值； 基于 分 类检测结果和定位检测结果的相关性， 确定出第三损失值； 基于第一损失值、 第二损失值和说　明　书 1/11 页 3 CN 114882243 B 3