[发明专利]一种用于区分前景与背景的目标检测方法及系统

说明书

本申请公开了一种用于区分前景与背景的目标检测方法及系统，其中方法步骤包括：基于多尺度特征融合，提取待检测目标的前景特征图和背景特征图；对前景特征图和背景特征图进行增强，得到第一前景特征图和第一背景特征图；基于第一前景特征图，生成预测框；利用预测框和第一前景特征图，计算前景特征向量；利用第一背景特征图，计算背景特征向量；利用真实框和第一前景特征图，计算真实特征向量；基于前景特征向量、背景特征向量、真实特征向量和预测框，构建对比损失函数、前景显著性引导损失函数和预测框损失函数；结合对比损失函数、前景显著性引导损失函数和预测框损失函数，提高目标的前景与背景的区分度，完成目标检测。

技术领域

本申请涉及图像识别领域，具体涉及一种用于区分前景与背景的目标检测方法及系统。

背景技术

随着深度学习的不断发展，目标检测已经从需要基于手动特征提取的传统目标检测算法，发展到了可以自发学习图像特征的基于深度学习的目标检测算法。基于深度学习的目标检测的核心是找出图像或视频中感兴趣的目标，并检测出它们的位置和大小，而目标识别的准确程度直接影响预测框的定位精度。背景特征的复杂性、多变性以及背景与前景目标样本的不均衡分布特征是影响前景目标识别的关键因素。为了提高网络模型对感兴趣目标的识别能力，将目标视为前景，与图像或视频中的背景区分开来，以期利用前景-背景的特征对比提高目标识别能力，并为预测框定位提供基础信息。

目前，大多数强化目标检测网络对前景与背景的区分能力是通过对网络模型添加约束实现的。现存的技术当中：

1)通过局部蒸馏的方式分离前景背景，然后强制学生模型学习教师模型学习到的前景特征，以提升学生模型在目标检测任务中的前景目标识别能力。

上述方法只让学生模型学习前景特征虽然能够提升网络模型的目标识别能力，但是在局部蒸馏中使用二进制掩码的方式将强制去除背景信息，削弱了前景与背景之间的差异。之后虽然其也使用了全局蒸馏对局部蒸馏丢失的信息进行补全，但在补全的过程中没有强调前景信息的重要性，使网络模型在全局蒸馏的过程中赋予了前景信息和背景信息相同的关注度，进而影响网络模型的目标识别能力。

2)通过计算图像实际灰度值与全局平均灰度值的欧氏距离差，以此突出前景像素点，抑制背景像素点，增大前景背景的对比度，减小了背景对后续目标检测的干扰。

但是，在图像中前景和背景的分布不平衡，导致在训练过程中背景样本占主导地位，该方法没有进一步突出少量前景信息的重要性，可能会导致网络模型对较难的前景样本的学习效果差。

发明内容

为解决上述背景中的技术问题，本申请提供一种前景背景特征对比学习下的深度学习目标检测网络模型，旨在解决背景特征复杂、多变且样本数远多于目标样本导致的现有深度学习网络模型对前景目标识别能力差等问题，有效提高深度学习网络模型的目标检测精度。

为实现上述目的，本申请提供了一种用于区分前景与背景的目标检测方法，步骤包括：

基于多尺度特征融合，提取待检测目标的前景特征图和背景特征图；

对所述前景特征图和所述背景特征图使用注意力模块进行增强，得到第一前景特征图和第一背景特征图；

基于所述第一前景特征图，生成预测框；

利用所述预测框和所述第一前景特征图，计算前景特征向量；利用所述第一背景特征图，计算背景特征向量；利用真实框和所述第一前景特征图，计算真实特征向量；

基于所述前景特征向量、所述背景特征向量、所述真实特征向量和所述预测框，构建对比损失函数、前景显著性引导损失函数和预测框损失函数；

结合所述对比损失函数、所述前景显著性引导损失函数和所述预测框损失函数，提高目标的前景与背景的区分度，完成目标检测。