申请/专利权人：成都医云科技有限公司

申请日：2019-03-07

公开（公告）日：2021-01-12

公开（公告）号：CN109829517B

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101)

优先权：

专利状态码：失效-未缴年费专利权终止

法律状态：2024.03.19#未缴年费专利权终止;2021.01.12#授权;2019.06.25#实质审查的生效;2019.05.31#公开

摘要：本申请实施例提供一种目标检测去重方法及装置，首先根据目标图像的目标检测结果对输入层中的有向图网络的网络数据进行初始化配置，然后将初始化配置的网络数据输入到第一个中间层中进行数据处理，之后的每个中间层对上一个中间层输出的网络数据进行数据处理再输出到下一个中间层中，输出层根据最后一个中间层输出的网络数据计算每个目标检测对象对应的各个候选检测框的类别，然后进行目标检测去重。如此，能够从多个候选检测框中挑选出最准确的结果并删除其它重复错误的结果，无需为候选检测框指定得分，避免了得分不准确导致的去重准确性不高的问题，并且无需设置IOU阈值，避免了目标之间存在重叠部分时导致的去重失败的问题。

主权项：1.一种目标检测去重方法，其特征在于，应用于电子设备，所述电子设备配置有目标检测去重模型，所述目标检测去重模型包括输入层、多个中间层以及输出层，所述方法包括：获取针对目标图像的目标检测结果，所述目标检测结果包括在所述目标图像中生成的每个目标检测对象对应的多个候选检测框和每个候选检测框对应的属性映射数据；将所述目标检测结果输入到所述输入层中对所述输入层中的有向图网络的网络数据进行初始化配置；将初始化配置的网络数据输入到第一个中间层中进行数据处理，并针对所述第一个中间层之后的每个中间层，通过该中间层对上一个中间层输出的网络数据进行数据处理，并将处理后的网络数据输出到下一个中间层中，其中，所述初始化配置的网络数据包括初始化配置的所述有向图网络中与每个候选检测框对应的节点的节点属性、与每个节点连接的每条边的边属性以及全局属性；将最后一个中间层输出的网络数据输入到所述输出层中，计算每个目标检测对象对应的各个候选检测框的类别；根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框。

全文数据：目标检测去重方法及装置技术领域本申请涉及目标检测领域，具体而言，涉及一种目标检测去重方法及装置。背景技术目前的目标检测算法都无法直接输出一个唯一并且正确的结果，而是会针对同一个目标检测对象输出多个质量参差不一的结果，因此在输出最终结果之前还需要对每个目标检测对象的目标检测结果进行一步地目标去重处理，如何有效挑选出最准确的结果并删除其它重复的结果，是本领域技术人员亟待解决的技术问题。发明内容为了克服现有技术中的上述不足，本申请的目的在于提供一种目标检测去重方法及装置，以解决或者改善上述问题。为了实现上述目的，本申请实施例采用的技术方案如下：第一方面，本申请实施例提供一种目标检测去重方法，应用于电子设备，所述电子设备配置有目标检测去重模型，所述目标检测去重模型包括输入层、多个中间层以及输出层，所述方法包括：获取针对目标图像的目标检测结果，所述目标检测结果包括在所述目标图像中生成的每个目标检测对象对应的多个候选检测框和每个候选检测框对应的属性映射数据；将所述目标检测结果输入到所述输入层中对所述输入层中的有向图网络的网络数据进行初始化配置；将初始化配置的网络数据输入到第一个中间层中进行数据处理，并针对所述第一个中间层之后的每个中间层，通过该中间层对上一个中间层输出的网络数据进行数据处理，并将处理后的网络数据输出到下一个中间层中，其中，所述初始化配置的网络数据包括初始化配置的所述有向图网络中与每个候选检测框对应的节点的节点属性、与每个节点连接的每条边的边属性以及全局属性；将最后一个中间层输出的网络数据输入到所述输出层中，计算每个目标检测对象对应的各个候选检测框的类别；根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框。在一种可能的实施方式中，所述将所述目标检测结果输入到所述输入层中对所述有向图网络的网络数据进行初始化配置的步骤，包括：根据所述每个目标检测对象对应的多个候选检测框在所述目标图像中的位置信息和尺寸信息以及每个候选检测框对应的属性映射数据，对所述有向图网络的各个候选检测框对应的节点和每个节点的节点属性进行初始化配置；针对初始化配置后的每两个节点，将该两个节点各自对应的候选检测框之间的距离分别与第一预设距离和第二预设距离进行比较，根据比较结果初始化配置该两个节点之间的连接关系和该两个节点之间的边的边属性；根据初始化配置的每条边的边属性、每个节点的节点属性以及初始全局属性按照设定迭代次数迭代更新全局属性，得到更新后的全局属性。在一种可能的实施方式中，所述将该两个节点各自对应的候选检测框之间的距离分别与第一预设距离和第二预设距离进行比较，根据比较结果初始化配置该两个节点之间的连接关系和该两个节点之间的边的边属性的步骤，包括：若该两个节点各自对应的候选检测框之间的距离小于所述第一预设距离，则初始化配置该两个节点之间的第一类型边，并根据所述第一类型边连接的两个候选检测框在所述目标图像中的位置信息和尺寸信息以及两个候选检测框对应的属性映射数据初始化配置所述第一类型边的边属性；若该两个节点各自对应的候选检测框之间的距离不小于所述第一预设距离且小于所述第二预设距离，则初始化配置该两个节点之间的第二类型边，并根据所述第二类型边连接的两个候选检测框在所述目标图像中的位置信息和尺寸信息以及两个候选检测框对应的属性映射数据初始化配置所述第二类型边的边属性。在一种可能的实施方式中，所述将初始化配置的网络数据输入到第一个中间层中进行数据处理的步骤，包括：将初始化配置的网络数据输入到第一个中间层中，针对每条边，根据该条边的边属性、所述全局属性以及该条边连接的两个节点的节点属性对该条边的边属性进行更新；针对每个节点，根据所述全局属性、该节点的节点属性以及与该节点连接的每条边的边属性对该节点的节点属性进行更新；根据所述全局属性、每条边的边属性以及每个节点的节点属性对全局属性进行更新，得到处理后的网络数据。在一种可能的实施方式中，所述将最后一个中间层输出的网络数据输入到所述输出层中，计算每个目标检测对象对应的各个候选检测框的类别的步骤，包括：将最后一个中间层输出的全局属性、每个节点的节点属性以及与每个节点连接的每条边的边属性输入到所述输出层中，针对每个节点，根据所述全局属性、该节点的节点属性以及与该节点连接的每条边的边属性对该节点的节点属性进行更新，然后通过softmax函数计算每个节点对应的候选检测框的类别置信度；根据计算的每个节点对应的候选检测框的类别置信度，选择最大类别置信度对应的类别作为每个节点对应的候选检测框的类别，其中，所述类别包括目标类别和背景类别。在一种可能的实施方式中，所述根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框的步骤，包括：针对每个目标检测对象，根据该目标检测对象对应的各个候选检测框的类别从该目标检测对象对应的各个候选检测框中去除类别为背景类别的候选检测框。在一种可能的实施方式中，所述输入层和每个中间层使用全连接神经网络更新每条边的边属性、每个节点的节点属性以及全局属性，所述输出层分别使用两层全连接神经网络更新每个节点的节点属性以及计算每个节点对应的候选检测框的类别置信度，所述输出层的最后一层全连接神经网络之外的所有全连接神经网络均采用修正线性单元ReLU函数作为激活函数，每个中间层的全连接神经网络不同。第二方面，本申请实施例还提供一种目标检测去重装置，应用于电子设备，所述电子设备配置有目标检测去重模型，所述目标检测去重模型包括输入层、多个中间层以及输出层，所述装置包括：获取模块，用于获取针对目标图像的目标检测结果，所述目标检测结果包括在所述目标图像中生成的每个目标检测对象对应的多个候选检测框和每个候选检测框对应的属性映射数据；第一输入模块，用于将所述目标检测结果输入到所述输入层中对所述输入层中的有向图网络的网络数据进行初始化配置；数据处理模块，用于将初始化配置的网络数据输入到第一个中间层中进行数据处理，并针对所述第一个中间层之后的每个中间层，通过该中间层对上一个中间层输出的网络数据进行数据处理，并将处理后的网络数据输出到下一个中间层中，其中，所述初始化配置的网络数据包括初始化配置的所述有向图网络中与每个候选检测框对应的节点的节点属性、与每个节点连接的每条边的边属性以及全局属性；第二输入模块，用于将最后一个中间层输出的网络数据输入到所述输出层中，计算每个目标检测对象对应的各个候选检测框的类别；去重模块，用于根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框。第三方面，本申请实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的目标检测去重方法。相对于现有技术而言，本申请具有以下有益效果：本申请实施例提供一种目标检测去重方法及装置，首先根据目标图像的目标检测结果对输入层中的有向图网络的网络数据进行初始化配置，然后将初始化配置的网络数据输入到第一个中间层中进行数据处理，之后的每个中间层对上一个中间层输出的网络数据进行数据处理再输出到下一个中间层中，输出层根据最后一个中间层输出的网络数据计算每个目标检测对象对应的各个候选检测框的类别，然后进行目标检测去重。如此，能够从多个候选检测框中挑选出最准确的结果并删除其它重复错误的结果，无需为候选检测框指定得分，避免了得分不准确导致的去重准确性不高的问题，并且无需设置IOU阈值，避免了目标之间存在重叠部分时导致的去重失败的问题。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。图1为目标检测去重算法的结果示意图之一；图2为目标检测去重算法的结果示意图之二；图3为目标检测去重算法的结果示意图之三；图4为目标检测去重算法的结果示意图之四；图5为本申请实施例提供的目标检测去重方法的流程示意图；图6为本申请实施例提供的目标检测去重模型的结构示意图；图7为本申请实施例提供的目标检测去重装置的功能模块示意图；图8为本申请实施例提供的用于实现上述目标检测去重方法的电子设备的结构示意框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。请参阅图1所述，如前述背景技术获知的技术问题，目标检测去重算法主要是对每个目标检测对象的目标检测结果进行一步地目标去重处理，如挑选出最准确的结果并删除其它重复的结果。比如图1中左图的两个检测目标经过目标检测后分别生成多个候选检测框，经过目标去重处理后，得到右图中两个检测目标的一个目标检测框。然而目前采用的目标检测去重算法仍旧存在诸多问题，在对本申请实施例进行详细阐述之前，下面首先对目前常见的目标检测去重算法进行介绍。目前常见的目标检测去重算法几乎等同于非极大值抑制Non-MaximumSuppression，NMS算法，也包含NMS的一些变种算法。也就是说，几乎所有的目标检测算法，例如Faster-RCNN算法、SSD算法、YOLO算法、Mask-RCNN算法等，都使用了NMS进行目标去重。NMS算法的基本处理流程如下：NMS算法输入：B＝{b1，…，bN},S＝{s1，…，sN}，Nt。其中，B：输入的初始目标检测框，共N个；S：输入的每个初始目标检测框的得分通常为目标检测算法输出的置信度；Nt:重叠度IOUIntersectionOverUnion阈值，IOU表示两个初始目标检测框面积的交集占并集的百分比。NMS算法执行步骤如下：1初始化集合D为空；2如果B为空，则返回D；3从B取出得分最高的成员bm；4将bm加入集合D中；5测试bm与B中每个初始目标检测框的之间的IOU，如果IOU≧Nt则在B中删除相应的初始目标检测框；6返回第2步。经本申请发明人研究发现，采用上述NMS算法进行目标去重如下问题：1NMS算法要求输入每个初始目标检测框的得分，用于表示预测的检测框的质量，NMS会保留得分高的检测框并删除与之相冲突的检测框，也就是说NMS的核心操作是建立在输入的得分之上的。然而，参阅图2所示，当某个检测框的得分评估的不准确，那么NMS算法的输出也会不准确，比如上图中的两个检测框的得分分别为0.91和0.8，此时则去除得分为0.8的检测框，输出的结果为正确的结果；但是下图中的两个检测框的得分分别为0.91和0.9，此时则去除得分为0.9的检测框，输出的结果明显为错误的结果。然而，在目标检测过程中是难以获得准确的检测框的得分，如果NMS参照这个得分进行目标去重，则必然会造成NMS的输出不准确。2上述NMS算法是依据检测框之间的IOU来进行某个检测框是否为重复检测框的判定，如果两个目标检测对象之间存在重叠部分，例如图3所示，左图中两个检测框指向的是不同的目标检测对象，右图中两个框指向的是同一个目标检测对象，此时NMS不能处理左图中两个目标检测对象之间存在重叠部分的情况，而对于右图这种情况NMS也要求有准确输入的检测框得分，同样会存在1中的问题。3上述NMS算法无法删除明显的错误目标检测对象，例如图4所示，为目标检测算法在掌部X片的手指骨检测中的一个应用场景，在该应用场景中的右下角存在一个被误识别为手指的目标检测对象，对于影像科医生甚至是普通人来说，即使不看影像，仅综合考虑其它手指的输出分布也可以确定右下角是一个明显错误的目标，但NMS无法删除这种明显错误。4上述NMS算法需要指定一个非常重要的超参数：IOU阈值，如果目标检测对象是稀疏目标，IOU阈值的指定可以自定义。但是，如果目标检测对象比较密集甚至有大量重叠的时候，IOU阈值的确定对NMS算法的性能会产生很大的影响，很难确定一个最优值的IOU阈值。为此，基于上述技术问题的发现，本申请发明人提出下述技术方案以解决或者改善上述问题。需要注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案，都应该是发明人在发明创造过程中对本申请做出的贡献。本申请发明人提出一种目标检测去重方法及装置，首先根据目标图像的目标检测结果对输入层中的有向图网络的网络数据进行初始化配置后将初始化配置的网络数据输入到第一个中间层中进行数据处理，之后的每个中间层对上一个中间层输出的网络数据进行数据处理后将处理后的网络数据输出到下一个中间层中，输出层根据最后一个中间层输出的网络数据计算每个目标检测对象对应的各个候选检测框的类别后进行目标检测去重。如此，能够从多个候选检测框中挑选出最准确的结果并删除其它重复错误的结果，无需为候选检测框指定得分，避免了得分不准确导致的去重准确性不高的问题，并且无需设置IOU阈值，避免了目标之间存在重叠部分时导致的去重失败的问题。下面结合图5对本申请实施例提供的目标检测去重方法进行详细阐述，应当理解，在其它实施例中，本实施例的目标检测去重方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该目标检测去重方法的详细步骤介绍如下。步骤S210，获取针对目标图像的目标检测结果。本实施例中，目标检测结果可以包括在目标图像中生成的每个目标检测对象对应的多个候选检测框和每个候选检测框对应的属性映射数据。例如，如果目标图像中的目标检测对象分别包括目标A和目标B，则该目标图像通过目标检测后，可以生成目标A和目标B对应的多个候选检测框以及每个候选检测框对应的属性映射数据。步骤S220，将目标检测结果输入到输入层中对输入层中的有向图网络的网络数据进行初始化配置。本实施例预先配置有目标检测去重模型，请参阅图6，目标检测去重模型可包括输入层、多个中间层以及输出层。输入层和每个中间层使用全连接神经网络更新每条边的边属性、每个节点的节点属性以及全局属性。输出层分别使用两层全连接神经网络更新每个节点的节点属性以及计算每个节点对应的候选检测框的类别置信度。输出层的最后一层全连接神经网络之外的所有全连接神经网络均采用修正线性单元ReLU函数作为激活函数，每个中间层的全连接神经网络不同。值得说明的是，可以预先定义该目标检测去重模型的第0层为输入层，第1-L层为中间层、第L+1层为输出层，以下实施例提供的公式中，每个符号的上标用于标记网络所在的层，例如为0则表示所在的层为输入层，为1～L则表示所在的层中间层，为L+1则表示所在的层输出层，每个符号的下标用于表示成员在集合中的标识，例如可以表示目标检测去重模型第k层的第i个节点。下面基于图6所示的目标检测去重模型对输入层中的有向图网络的网络数据的配置过程进行阐述。作为一种可能的实施方式，首先，可以根据每个目标检测对象对应的多个候选检测框在目标图像中的位置信息和尺寸信息以及每个候选检测框对应的属性映射数据，对有向图网络的各个候选检测框对应的节点和每个节点的节点属性进行初始化配置。例如，可以通过如下公式对每个节点的节点属性进行初始化配置：vi0＝F0bi,fi其中，bi表示第i个候选检测框在目标图像中的位置信息，fi表示第i个候选检测框对应的属性映射数据，vi0表示有向图网络中第i个候选检测框对应的第i个节点的节点属性，F0bi,fi表示基于第i个候选检测框的位置和第i个候选检测框对应的属性映射数据获得的第i个节点的全连接神经网络。其中，i，j是正整数。接着，可以针对初始化配置后的每两个节点，将该两个节点各自对应的候选检测框之间的距离分别与第一预设距离和第二预设距离进行比较，根据比较结果初始化配置该两个节点之间的连接关系和该两个节点之间的边的边属性。例如，若该两个节点各自对应的候选检测框之间的距离小于第一预设距离，则初始化配置该两个节点之间的第一类型边，并根据第一类型边连接的两个候选检测框在目标图像中的位置信息和尺寸信息以及两个候选检测框对应的属性映射数据初始化配置第一类型边的边属性。又例如，若该两个节点各自对应的候选检测框之间的距离不小于第一预设距离且小于第二预设距离，则初始化配置该两个节点之间的第二类型边，并根据第二类型边连接的两个候选检测框在目标图像中的位置信息和尺寸信息以及两个候选检测框对应的属性映射数据初始化配置第二类型边的边属性。值得说明的是，两个节点之间可能不存在边连接，也就是说两个节点之间的边的连接是稀疏的。可选地，上述边属性的初始化配置可以通过以下公式配置：其中，bi和bj分别表示第i个候选检测框在目标图像中的位置信息和第j个候选检测框在目标图像中的位置，fi和fj分别是第i个候选检测框对应的属性映射数据和第j个候选检测框对应的属性映射数据，eij是有向图网络中目标检测去重模型的第0层第i个候选检测框的位置信息第i个节点指向第j个候选检测框的位置位置第j个节点的有向边的边属性，G0bi-bj,fi+fj表示基于候选检测框的位置信息和对应的属性映射数据确定的有向边的全连接神经网络。而后，可以根据初始化配置的每条边的边属性、每个节点的节点属性以及初始全局属性按照设定迭代次数迭代更新全局属性，得到更新后的全局属性。本实施例中，全局属性的初始值为一个零向量u0＝zeros，可以根据初始化配置的每条边的边属性、每个节点的节点属性以及初始全局属性zeros按照设定迭代次数N次迭代更新全局属性，具体迭代更新过程可以通过以下公式执行：fork＝1，…N:u0＝Φ0∑eij0,∑vi0,u0其中，u0表示全局属性，u0表示初始全局属性zeros，Φ0∑eij0,∑vi0,u0表示基于节点i的节点属性、与节点i连接的边eij的属性和初始全局属性zeros确定的全局属性的全连接神经网络。可以理解，全局属性的迭代更新次数N可根据实际需要设定，例如经过本申请发明人实际测试，迭代更新次数N设定3次即可取得较佳的结果。步骤S230，将初始化配置的网络数据输入到第一个中间层中进行数据处理，并针对第一个中间层之后的每个中间层，通过该中间层对上一个中间层输出的网络数据进行数据处理，并将处理后的网络数据输出到下一个中间层中。本实施例中，基于前述描述可知，初始化配置的网络数据包括初始化配置的有向图网络中与每个候选检测框对应的节点的节点属性、与每个节点连接的每条边的边属性以及全局属性。作为一种可能的实施方式，首先将初始化配置的网络数据输入到第一个中间层中，针对每条边，根据该条边的边属性、全局属性以及该条边连接的两个节点的节点属性对该条边的边属性进行更新。而后，针对每个节点，根据全局属性、该节点的节点属性以及与该节点连接的每条边的边属性对该节点的节点属性进行更新。接着，根据全局属性、每条边的边属性以及每个节点的节点属性对全局属性进行更新，得到处理后的网络数据。在上述基础上，之后的每个中间层对上一个中间层输出的网络数据按照上述更新方式进行数据处理，并将处理后的网络数据输出到下一个中间层中。如前述所述，中间层的层数为L个，即对应目标检测去重模型的1-L层，可选地，针对每个中间层l，该中间层l进行网络数据处理的过程可以通过以下公式执行：forl＝1，…，L：其中，分别表示第l-1层的第i个节点的节点属性和第j个节点的节点属性，ul-1表示第l-1层的全局属性，表示第l层中与第l-1层的第i个节点和第j个节点之间的边的边属性，ul表示第l层的全局属性；k为正整数，表示第l层的第i个节点。步骤S240，将最后一个中间层输出的网络数据输入到输出层中，计算每个目标检测对象对应的各个候选检测框的类别。作为一种可能的实施方式，本步骤将最后一个中间层输出的全局属性、每个节点的节点属性以及与每个节点连接的每条边的边属性输入到输出层中。然后，针对每个节点，根据全局属性、该节点的节点属性以及与该节点连接的每条边的边属性更新该节点的节点属性，并通过softmax函数计算每个节点对应的候选检测框的类别置信度。接着，根据计算的每个节点对应的候选检测框的类别置信度，选择最大类别置信度对应的类别作为每个节点对应的候选检测框的类别，其中，类别包括目标类别和背景类别。可选地，每个节点对应的候选检测框的类别可以通过以下公式计算得到：其中，oi表示第L+1层每个节点对应的候选检测框的类别，表示第L层中的第i个节点，uL表示第L层中的全局属性，表示对第L层中以第L-1层的第i个节点为起点、与第L-1层的第i个节点连接的每个边进行求和，表示第L层中以第L-1层的第i个节点为终点、与第L-1层的第i个节点连接的每个边进行求和。例如，可以针对计算的每个节点对应的候选检测框的类别置信度，若该节点对应的候选检测框的类别置信度为0.9，0.1，由于最大类别置信度对应的类别为目标类别，则表示该节点对应的候选检测框的类别为目标类别；若该节点对应的候选检测框的类别置信度为0.1，0.9，由于最大类别置信度对应的类别为背景类别，则表示该节点对应的候选检测框的类别为背景类别。步骤S250，根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框。本实施例中，针对每个目标检测对象，根据该目标检测对象对应的各个候选检测框的类别从该目标检测对象对应的各个候选检测框中去除类别为背景类别的候选检测框。由此，本实施例首先根据目标图像的目标检测结果对输入层中的有向图网络的网络数据进行初始化配置，然后将初始化配置的网络数据输入到第一个中间层中进行数据处理，之后的每个中间层对上一个中间层输出的网络数据进行数据处理再输出到下一个中间层中，输出层根据最后一个中间层输出的网络数据计算每个目标检测对象对应的各个候选检测框的类别，然后进行目标检测去重。如此，能够从多个候选检测框中挑选出最准确的结果并删除其它重复错误的结果，无需为候选检测框指定得分，避免了得分不准确导致的去重准确性不高的问题，并且无需设置IOU阈值，避免了目标之间存在重叠部分时导致的去重失败的问题。进一步地，请参阅图7，本申请实施例还提供一种目标检测去重装置200，该目标检测去重装置200实现的功能可以对应上述目标检测去重方法执行的步骤。如图7所示，该目标检测去重装置200可以包括获取模块210、第一输入模块220、数据处理模块230、第二输入模块240以及去重模块250，下面分别对该目标检测去重装置200的各个功能模块的功能进行详细阐述。获取模块210，用于获取针对目标图像的目标检测结果，目标检测结果包括在目标图像中生成的每个目标检测对象对应的多个候选检测框和每个候选检测框对应的属性映射数据。第一输入模块220，用于将目标检测结果输入到输入层中对输入层中的有向图网络的网络数据进行初始化配置。数据处理模块230，用于将初始化配置的网络数据输入到第一个中间层中进行数据处理，并针对第一个中间层之后的每个中间层，通过该中间层对上一个中间层输出的网络数据进行数据处理，并将处理后的网络数据输出到下一个中间层中，其中，初始化配置的网络数据包括初始化配置的有向图网络中与每个候选检测框对应的节点的节点属性、与每个节点连接的每条边的边属性以及全局属性。第二输入模块240，用于将最后一个中间层输出的网络数据输入到输出层中，计算每个目标检测对象对应的各个候选检测框的类别。去重模块250，用于根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框。在一种可能的实施方式中，第一输入模块220具体通过以下方式对有向图网络的网络数据进行初始化配置：根据每个目标检测对象对应的多个候选检测框在目标图像中的位置信息和尺寸信息以及每个候选检测框对应的属性映射数据，对有向图网络的各个候选检测框对应的节点和每个节点的节点属性进行初始化配置；针对初始化配置后的每两个节点，将该两个节点各自对应的候选检测框之间的距离分别与第一预设距离和第二预设距离进行比较，根据比较结果初始化配置该两个节点之间的连接关系和该两个节点之间的边的边属性；根据初始化配置的每条边的边属性、每个节点的节点属性以及初始全局属性按照设定迭代次数迭代更新全局属性，得到更新后的全局属性。在一种可能的实施方式中，第二输入模块240具体通过以下方式计算每个目标检测对象对应的各个候选检测框的类别：将最后一个中间层输出的全局属性、每个节点的节点属性以及与每个节点连接的每条边的边属性输入到输出层中，针对每个节点，根据全局属性、该节点的节点属性以及与该节点连接的每条边的边属性更新该节点的节点属性，然后通过softmax函数计算每个节点对应的候选检测框的类别置信度；根据计算的每个节点对应的候选检测框的类别置信度，选择最大类别置信度对应的类别作为每个节点对应的候选检测框的类别，其中，类别包括目标类别和背景类别。可以理解的是，本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述，在此不再重复赘述。进一步地，请参阅图8，为本申请实施例提供的用于上述目标检测去重方法的电子设备100的结构示意框图。本实施例中，所述电子设备100可以由总线110作一般性的总线体系结构来实现。根据电子设备100的具体应用和整体设计约束条件，总线110可以包括任意数量的互连总线和桥接。总线110将各种电路连接在一起，这些电路包括处理器120、存储介质130和总线接口140。可选地，电子设备100可以使用总线接口140将网络适配器150等经由总线110连接。网络适配器150可用于实现电子设备100中物理层的信号处理功能，并通过天线实现射频信号的发送和接收。用户接口160可以连接外部设备，例如：键盘、显示器、鼠标或者操纵杆等。总线110还可以连接各种其它电路，如定时源、外围设备、电压调节器或者功率管理电路等，这些电路是本领域所熟知的，因此不再详述。可以替换的，电子设备100也可配置成通用处理系统，例如通称为芯片，该通用处理系统包括：提供处理功能的一个或多个微处理器，以及提供存储介质130的至少一部分的外部存储器，所有这些都通过外部总线体系结构与其它支持电路连接在一起。可替换的，电子设备100可以使用下述来实现：具有处理器120、总线接口140、用户接口160的ASIC专用集成电路；以及集成在单个芯片中的存储介质130的至少一部分，或者，电子设备100可以使用下述来实现：一个或多个FPGA现场可编程门阵列、PLD可编程逻辑器件、控制器、状态机、门逻辑、分立硬件部件、任何其它适合的电路、或者能够执行本申请通篇所描述的各种功能的电路的任意组合。其中，处理器120负责管理总线110和一般处理包括执行存储在存储介质130上的软件。处理器120可以使用一个或多个通用处理器和或专用处理器来实现。处理器120的例子包括微处理器、微控制器、DSP处理器和能够执行软件的其它电路。应当将软件广义地解释为表示指令、数据或其任意组合，而不论是将其称作为软件、固件、中间件、微代码、硬件描述语言还是其它。在图8中存储介质130被示为与处理器120分离，然而，本领域技术人员很容易明白，存储介质130或其任意部分可位于电子设备100之外。举例来说，存储介质130可以包括传输线、用数据调制的载波波形、和或与无线节点分离开的计算机制品，这些介质均可以由处理器120通过总线接口140来访问。可替换地，存储介质130或其任意部分可以集成到处理器120中，例如，可以是高速缓存和或通用寄存器。所述处理器120可执行上述实施例，具体地，所述存储介质130中可以存储有所述目标检测去重装置200，所述处理器120可以用于执行所述目标检测去重装置200。进一步地，本申请实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的目标检测去重方法。在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、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，所述模块、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方式中，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，两个连续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动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。可以替换的，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其它可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线例如同轴电缆、光纤、数字用户线DSL或无线例如红外、无线、微波等方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的电子设备、服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带、光介质例如，DVD、或者半导体介质例如固态硬盘SolidStateDiskSSD等。需要说明的是，在本文中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

权利要求：1.一种目标检测去重方法，其特征在于，应用于电子设备，所述电子设备配置有目标检测去重模型，所述目标检测去重模型包括输入层、多个中间层以及输出层，所述方法包括：获取针对目标图像的目标检测结果，所述目标检测结果包括在所述目标图像中生成的每个目标检测对象对应的多个候选检测框和每个候选检测框对应的属性映射数据；将所述目标检测结果输入到所述输入层中对所述输入层中的有向图网络的网络数据进行初始化配置；将初始化配置的网络数据输入到第一个中间层中进行数据处理，并针对所述第一个中间层之后的每个中间层，通过该中间层对上一个中间层输出的网络数据进行数据处理，并将处理后的网络数据输出到下一个中间层中，其中，所述初始化配置的网络数据包括初始化配置的所述有向图网络中与每个候选检测框对应的节点的节点属性、与每个节点连接的每条边的边属性以及全局属性；将最后一个中间层输出的网络数据输入到所述输出层中，计算每个目标检测对象对应的各个候选检测框的类别；根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框。2.根据权利要求1所述的目标检测去重方法，其特征在于，所述将所述目标检测结果输入到所述输入层中对所述有向图网络的网络数据进行初始化配置的步骤，包括：根据所述每个目标检测对象对应的多个候选检测框在所述目标图像中的位置信息和尺寸信息以及每个候选检测框对应的属性映射数据，对所述有向图网络的各个候选检测框对应的节点和每个节点的节点属性进行初始化配置；针对初始化配置后的每两个节点，将该两个节点各自对应的候选检测框之间的距离分别与第一预设距离和第二预设距离进行比较，根据比较结果初始化配置该两个节点之间的连接关系和该两个节点之间的边的边属性；根据初始化配置的每条边的边属性、每个节点的节点属性以及初始全局属性按照设定迭代次数迭代更新全局属性，得到更新后的全局属性。3.根据权利要求2所述的目标检测去重方法，其特征在于，所述将该两个节点各自对应的候选检测框之间的距离分别与第一预设距离和第二预设距离进行比较，根据比较结果初始化配置该两个节点之间的连接关系和该两个节点之间的边的边属性的步骤，包括：若该两个节点各自对应的候选检测框之间的距离小于所述第一预设距离，则初始化配置该两个节点之间的第一类型边，并根据所述第一类型边连接的两个候选检测框在所述目标图像中的位置信息和尺寸信息以及两个候选检测框对应的属性映射数据初始化配置所述第一类型边的边属性；若该两个节点各自对应的候选检测框之间的距离不小于所述第一预设距离且小于所述第二预设距离，则初始化配置该两个节点之间的第二类型边，并根据所述第二类型边连接的两个候选检测框在所述目标图像中的位置信息和尺寸信息以及两个候选检测框对应的属性映射数据初始化配置所述第二类型边的边属性。4.根据权利要求1或2所述的目标检测去重方法，其特征在于，所述将初始化配置的网络数据输入到第一个中间层中进行数据处理的步骤，包括：将初始化配置的网络数据输入到第一个中间层中，针对每条边，根据该条边的边属性、所述全局属性以及该条边连接的两个节点的节点属性对该条边的边属性进行更新；针对每个节点，根据所述全局属性、该节点的节点属性以及与该节点连接的每条边的边属性对该节点的节点属性进行更新；根据所述全局属性、每条边的边属性以及每个节点的节点属性对全局属性进行更新，得到处理后的网络数据。5.根据权利要求1所述的目标检测去重方法，其特征在于，所述将最后一个中间层输出的网络数据输入到所述输出层中，计算每个目标检测对象对应的各个候选检测框的类别的步骤，包括：将最后一个中间层输出的全局属性、每个节点的节点属性以及与每个节点连接的每条边的边属性输入到所述输出层中，针对每个节点，根据所述全局属性、该节点的节点属性以及与该节点连接的每条边的边属性对该节点的节点属性进行更新，然后通过softmax函数计算每个节点对应的候选检测框的类别置信度；根据计算的每个节点对应的候选检测框的类别置信度，选择最大类别置信度对应的类别作为每个节点对应的候选检测框的类别，其中，所述类别包括目标类别和背景类别。6.根据权利要求1所述的目标检测去重方法，其特征在于，所述根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框的步骤，包括：针对每个目标检测对象，根据该目标检测对象对应的各个候选检测框的类别从该目标检测对象对应的各个候选检测框中去除类别为背景类别的候选检测框。7.根据权利要求1所述的目标检测去重方法，其特征在于，所述输入层和每个中间层使用全连接神经网络更新每条边的边属性、每个节点的节点属性以及全局属性，所述输出层分别使用两层全连接神经网络更新每个节点的节点属性以及计算每个节点对应的候选检测框的类别置信度，所述输出层的最后一层全连接神经网络之外的所有全连接神经网络均采用修正线性单元ReLU函数作为激活函数，每个中间层的全连接神经网络不同。8.一种目标检测去重装置，其特征在于，应用于电子设备，所述电子设备配置有目标检测去重模型，所述目标检测去重模型包括输入层、多个中间层以及输出层，所述装置包括：获取模块，用于获取针对目标图像的目标检测结果，所述目标检测结果包括在所述目标图像中生成的每个目标检测对象对应的多个候选检测框和每个候选检测框对应的属性映射数据；第一输入模块，用于将所述目标检测结果输入到所述输入层中对所述输入层中的有向图网络的网络数据进行初始化配置；数据处理模块，用于将初始化配置的网络数据输入到第一个中间层中进行数据处理，并针对所述第一个中间层之后的每个中间层，通过该中间层对上一个中间层输出的网络数据进行数据处理，并将处理后的网络数据输出到下一个中间层中，其中，所述初始化配置的网络数据包括初始化配置的所述有向图网络中与每个候选检测框对应的节点的节点属性、与每个节点连接的每条边的边属性以及全局属性；第二输入模块，用于将最后一个中间层输出的网络数据输入到所述输出层中，计算每个目标检测对象对应的各个候选检测框的类别；去重模块，用于根据计算得到的每个目标检测对象对应的各个候选检测框的类别对每个目标检测对象对应的多个候选检测框进行去重，得到每个目标检测对象对应的目标检测框。9.根据权利要求8所述的目标检测去重装置，其特征在于，所述第一输入模块具体通过以下方式对所述有向图网络的网络数据进行初始化配置：根据所述每个目标检测对象对应的多个候选检测框在所述目标图像中的位置信息和尺寸信息以及每个候选检测框对应的属性映射数据，对所述有向图网络的各个候选检测框对应的节点和每个节点的节点属性进行初始化配置；针对初始化配置后的每两个节点，将该两个节点各自对应的候选检测框之间的距离分别与第一预设距离和第二预设距离进行比较，根据比较结果初始化配置该两个节点之间的连接关系和该两个节点之间的边的边属性；根据初始化配置的每条边的边属性、每个节点的节点属性以及初始全局属性按照设定迭代次数迭代更新全局属性，得到更新后的全局属性。10.根据权利要求8所述的目标检测去重装置，其特征在于，所述第二输入模块具体通过以下方式计算每个目标检测对象对应的各个候选检测框的类别：将最后一个中间层输出的全局属性、每个节点的节点属性以及与每个节点连接的每条边的边属性输入到所述输出层中，针对每个节点，根据所述全局属性、该节点的节点属性以及与该节点连接的每条边的边属性对该节点的节点属性进行更新，然后通过softmax函数计算每个节点对应的候选检测框的类别置信度；根据计算的每个节点对应的候选检测框的类别置信度，选择最大类别置信度对应的类别作为每个节点对应的候选检测框的类别，其中，所述类别包括目标类别和背景类别。

百度查询： 成都医云科技有限公司 目标检测去重方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD