本發(fā)明涉及人工智能，尤其涉及一種目標(biāo)檢測方法、系統(tǒng)、設(shè)備及計算機可讀存儲介質(zhì)。

背景技術(shù)：

1、目標(biāo)檢測在計算機視覺領(lǐng)域中有著重要的意義，它可以幫助計算機理解圖像、視頻等數(shù)據(jù)，實現(xiàn)自動化的目標(biāo)識別、分類、跟蹤等任務(wù)。

2、在實際應(yīng)用中，通過在移動端設(shè)備部署fcos算法，通過fcos算法以用于自動駕駛、人臉識別等領(lǐng)域的目標(biāo)檢測。

3、fcos算法的骨干網(wǎng)絡(luò)采用resnet50，其存在網(wǎng)絡(luò)參數(shù)量大、內(nèi)存占用高的特點，而移動端設(shè)備的資源和性能存在局限性，若將fcos算法直接部署在移動端設(shè)備，fcos算法占用移動端設(shè)備的較多資源，導(dǎo)致移動端設(shè)備的目標(biāo)檢測速度降低。因此，需要在移動端設(shè)備中部署輕量化的目標(biāo)檢測算法。但是，目前的輕量化目標(biāo)檢測算法存在檢測精度低的問題，無法同時兼顧目標(biāo)檢測精度和檢測速度。

技術(shù)實現(xiàn)思路

1、本申請實施例通過提供一種目標(biāo)檢測方法、系統(tǒng)、設(shè)備及計算機可讀存儲介質(zhì)，旨在提高目標(biāo)檢測精度的同時，實現(xiàn)目標(biāo)檢測算法的輕量化設(shè)計，以提高目標(biāo)檢測速度。

2、本申請實施例提供了一種目標(biāo)檢測方法，所述目標(biāo)檢測方法，包括：

3、將采集的圖像通過repvgg骨干網(wǎng)絡(luò)的淺層特征提取階段進行特征提取，得到淺層特征提取階段對應(yīng)的淺層特征；

4、將所述淺層特征輸入所述repvgg骨干網(wǎng)絡(luò)的深層特征提取階段，并經(jīng)過所述深層特征提取階段的多尺度注意力機制模塊的不同卷積層進行卷積運算，得到所述深層特征提取階段對應(yīng)的深層特征；

5、將所述淺層特征和所述深層特征進行特征融合，得到融合特征；

6、基于所述融合特征進行目標(biāo)檢測。

7、可選地，將所述淺層特征輸入所述repvgg骨干網(wǎng)絡(luò)的深層特征提取階段，并經(jīng)過所述深層特征提取階段的多尺度注意力機制模塊的不同卷積層進行卷積運算，得到所述深層特征提取階段對應(yīng)的深層特征的步驟包括：

8、將所述淺層特征輸入所述深層特征提取階段的殘差塊中，所述殘差塊包括第一卷積分支、第二卷積分支和殘差分支，所述淺層特征分別經(jīng)過所述第一卷積分支的卷積層和歸一化層進行融合，得到融合后的第一卷積分支，所述淺層特征分別經(jīng)過所述第二卷積分支的卷積層和歸一化層進行融合，得到融合后的第二卷積分支，所述淺層特征經(jīng)過所述多尺度注意力機制模塊的不同卷積層進行融合，得到融合后的殘差分支；

9、將融合后的第一卷積分支、融合后的第二卷積分支和融合后的殘差分支中的卷積核分別轉(zhuǎn)化為相同大小的目標(biāo)卷積核；

10、合并所有分支中的目標(biāo)卷積核，得到所述深層特征提取階段對應(yīng)的深層特征。

11、可選地，所述淺層特征經(jīng)過所述多尺度注意力機制模塊的不同卷積層進行融合，得到融合后的殘差分支的步驟包括：

12、將所述淺層特征經(jīng)過所述多尺度注意力機制模塊的第一個卷積層進行卷積運算，得到第一深層特征；

13、采用所述多尺度注意力機制模塊的第二個卷積層對所述第一深層特征進行卷積運算，得到第二深層特征；

14、融合所述第二深層特征與所述淺層特征，得到融合后的殘差分支。

15、可選地，所述淺層特征提取階段包括第一淺層特征提取階段和第二淺層特征提取階段，所述將采集的圖像通過repvgg骨干網(wǎng)絡(luò)的淺層特征提取階段進行特征提取，得到淺層特征提取階段對應(yīng)的淺層特征的步驟包括：

16、將所述采集的圖像依次經(jīng)過所述第一淺層特征提取階段和所述第二淺層特征提取階段進行特征提取，得到所述淺層特征提取階段對應(yīng)的淺層特征；

17、所述將所述淺層特征輸入所述repvgg骨干網(wǎng)絡(luò)的深層特征提取階段的步驟包括：

18、將所述第二淺層特征提取階段對應(yīng)的淺層特征輸入所述repvgg骨干網(wǎng)絡(luò)的深層特征提取階段。

19、可選地，所述第一淺層特征提取階段包括第一特征提取階段和第二特征提取階段，所述第二淺層特征提取階段包括第三特征提取階段和第四特征提取階段，所述將所述采集的圖像依次經(jīng)過所述第一淺層特征提取階段和所述第二淺層特征提取階段進行特征提取，得到所述淺層特征提取階段對應(yīng)的淺層特征的步驟包括：

20、將所述采集的圖像依次經(jīng)過所述第一特征提取階段和所述第二特征提取階段進行特征提取，得到第一特征；

21、將所述第一特征經(jīng)過所述第三特征提取階段進行特征提取，得到所述第三特征提取階段對應(yīng)的淺層特征；

22、將所述第三特征提取階段對應(yīng)的淺層特征經(jīng)過所述第四特征提取階段進行特征提取，得到所述第四特征提取階段對應(yīng)的淺層特征；

23、將所述第一特征、所述第三特征提取階段對應(yīng)的淺層特征和所述第四特征提取階段對應(yīng)的淺層特征，作為所述淺層特征提取階段對應(yīng)的淺層特征。

24、可選地，所述將所述淺層特征和所述深層特征輸入特征融合網(wǎng)絡(luò)進行特征融合，得到融合特征的步驟包括：

25、將所述第三特征提取階段對應(yīng)的淺層特征、所述第四特征提取階段對應(yīng)的淺層特征和所述深層特征輸入所述特征融合網(wǎng)絡(luò)進行特征融合，得到所述融合特征。

26、可選地，所述將所述淺層特征和所述深層特征輸入特征融合網(wǎng)絡(luò)進行特征融合，得到融合特征的步驟包括：

27、將所述淺層特征和所述深層特征輸入特征融合網(wǎng)絡(luò)中，所述深層特征經(jīng)過上采樣后與所述淺層特征進行特征融合，得到所述融合特征。

28、此外，為實現(xiàn)上述目的，本發(fā)明還提供了一種目標(biāo)檢測系統(tǒng)，包括：

29、淺層特征提取模塊，用于將采集的圖像通過repvgg骨干網(wǎng)絡(luò)的淺層特征提取階段進行特征提取，得到淺層特征提取階段對應(yīng)的淺層特征；

30、深層特征提取模塊，用于將所述淺層特征輸入所述repvgg骨干網(wǎng)絡(luò)的深層特征提取階段，并依次經(jīng)過所述深層特征提取階段的多尺度注意力機制模塊的不同卷積層進行卷積運算，得到所述深層特征提取階段對應(yīng)的深層特征；

31、融合模塊，用于將所述淺層特征和所述深層特征進行特征融合，得到融合特征；

32、目標(biāo)檢測模塊，用于基于所述融合特征進行目標(biāo)檢測。

33、此外，為實現(xiàn)上述目的，本發(fā)明還提供了一種移動設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的目標(biāo)檢測程序，所述目標(biāo)檢測程序被所述處理器執(zhí)行時實現(xiàn)上述的目標(biāo)檢測方法的步驟。

34、此外，為實現(xiàn)上述目的，本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有目標(biāo)檢測程序，所述目標(biāo)檢測程序被處理器執(zhí)行時實現(xiàn)上述的目標(biāo)檢測方法的步驟。

35、本申請實施例中提供的一種目標(biāo)檢測方法、系統(tǒng)、設(shè)備及計算機可讀存儲介質(zhì)的技術(shù)方案，本申請采用輕量化的repvgg骨干網(wǎng)絡(luò)替代fcos無錨框目標(biāo)檢測算法的骨干網(wǎng)絡(luò)，減少模型參數(shù)量和計算量實現(xiàn)實時目標(biāo)檢測，并在深層特征提取階段添加注意力機制，提升檢測精度，在保持檢測精度的前提下，使模型能夠在移動端設(shè)備上高效運行。

技術(shù)特征：

1.一種目標(biāo)檢測方法，其特征在于，所述目標(biāo)檢測方法包括：

2.如權(quán)利要求1所述的目標(biāo)檢測方法，其特征在于，將所述淺層特征輸入所述repvgg骨干網(wǎng)絡(luò)的深層特征提取階段，并經(jīng)過所述深層特征提取階段的多尺度注意力機制模塊的不同卷積層進行卷積運算，得到所述深層特征提取階段對應(yīng)的深層特征的步驟包括：

3.如權(quán)利要求2所述的目標(biāo)檢測方法，其特征在于，所述淺層特征經(jīng)過所述多尺度注意力機制模塊的不同卷積層進行融合，得到融合后的殘差分支的步驟包括：

4.如權(quán)利要求1所述的目標(biāo)檢測方法，其特征在于，所述淺層特征提取階段包括第一淺層特征提取階段和第二淺層特征提取階段，所述將采集的圖像通過repvgg骨干網(wǎng)絡(luò)的淺層特征提取階段進行特征提取，得到淺層特征提取階段對應(yīng)的淺層特征的步驟包括：

5.如權(quán)利要求4所述的目標(biāo)檢測方法，其特征在于，所述第一淺層特征提取階段包括第一特征提取階段和第二特征提取階段，所述第二淺層特征提取階段包括第三特征提取階段和第四特征提取階段，所述將所述采集的圖像依次經(jīng)過所述第一淺層特征提取階段和所述第二淺層特征提取階段進行特征提取，得到所述淺層特征提取階段對應(yīng)的淺層特征的步驟包括：

6.如權(quán)利要求5所述的目標(biāo)檢測方法，其特征在于，所述將所述淺層特征和所述深層特征輸入特征融合網(wǎng)絡(luò)進行特征融合，得到融合特征的步驟包括：

7.如權(quán)利要求1所述的目標(biāo)檢測方法，其特征在于，所述將所述淺層特征和所述深層特征輸入特征融合網(wǎng)絡(luò)進行特征融合，得到融合特征的步驟包括：

8.一種目標(biāo)檢測系統(tǒng)，其特征在于，所述目標(biāo)檢測系統(tǒng)包括：

9.一種移動設(shè)備，其特征在于，所述移動設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的目標(biāo)檢測程序，所述目標(biāo)檢測程序被所述處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7中任一項所述的目標(biāo)檢測方法的步驟。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲有目標(biāo)檢測程序，所述目標(biāo)檢測程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7中任一項所述的目標(biāo)檢測方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了目標(biāo)檢測方法、系統(tǒng)、設(shè)備及計算機可讀存儲介質(zhì)，該方法包括：將采集的圖像通過RepVGG骨干網(wǎng)絡(luò)的淺層特征提取階段進行特征提取，得到淺層特征提取階段對應(yīng)的淺層特征；將所述淺層特征輸入所述RepVGG骨干網(wǎng)絡(luò)的深層特征提取階段，并經(jīng)過所述深層特征提取階段的多尺度注意力機制模塊的不同卷積層進行卷積運算，得到所述深層特征提取階段對應(yīng)的深層特征；將所述淺層特征和所述深層特征進行特征融合，得到融合特征；基于所述融合特征進行目標(biāo)檢測。提高目標(biāo)檢測精度的同時，實現(xiàn)目標(biāo)檢測算法的輕量化設(shè)計，以提高目標(biāo)檢測速度。

技術(shù)研發(fā)人員：曾建偉
受保護的技術(shù)使用者：歌爾科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/12