(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210358349.7 (22)申请日 2022.04.06 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 郑喜民　王颖妮　舒畅　陈又新　 (74)专利代理 机构 深圳市明日今典知识产权代 理事务所(普通 合伙) 44343 专利代理师 王杰辉　曹勇 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 基于人工智能的目标检测方法、 装置、 设备 及存储介质 (57)摘要 本申请涉及人工智能技术领域， 揭示了一种 基于人工智 能的目标检测方法、 装置、 设备及存 储介质， 其中方法包括： 将待检测图像特征输入 预设的关键目标检测模型进行关键目标热力图 检测， 关键目标检测模型包括： 类激活映射模块 和关键目标热力图映射模块； 将待检测图像特征 和等间隔锚点位置数据输入预设的锚点特征提 取模型进行锚点图像特征提取； 将各个 关键目标 热力图和锚点图像特征进行融合处理得到锚点 融合特征； 根据锚点融合特征和预设的锚点热力 阈值确定每个锚点的锚点分类； 根据各个锚点对 应的各个锚点分类生成目标检测结果。 降低了人 工标注的成本， 使得模型具有可解释性， 向使用 者解释了模型做出决策的原因， 提高了对小目标 和非刚性物体的鲁棒 性。 权利要求书2页 说明书11页 附图3页 CN 114742990 A 2022.07.12 CN 114742990 A 1.一种基于人工智能的目标检测方法， 其特 征在于， 所述方法包括： 获取初始图像对应的待检测图像特 征及等间隔锚点 位置数据； 将所述待检测图像特征输入预设的关键目标检测模型进行关键目标热力图检测， 其 中， 所述关键目标检测模型包括： 类激活映射模块和关键目标 热力图映射模块； 将所述待检测图像特征和所述等间隔锚点位置数据输入预设的锚点特征提取模型进 行锚点图像特 征提取； 将各个所述关键目标 热力图和所述锚点图像特 征进行融合处 理， 得到锚点融合特 征； 根据所述锚点融合特 征和预设的锚点热力阈值， 确定每 个锚点的锚点分类； 根据各个所述锚点对应的各个所述锚点分类， 生成目标检测结果。 2.根据权利要求1所述的基于人工智能的目标检测方法， 其特征在于， 所述将所述待检 测图像特 征输入预设的关键目标检测模型进行关键目标 热力图检测的步骤， 包括： 将所述待检测图像特 征输入所述类激活映射模块的解码器， 以生成特 征映射数据； 将所述特征映射数据输入所述类激活映射模块的全局 平均池化层， 以生成分类预测向 量； 将所述分类预测向量输入所述关键目标热力图映射模块的热力图生成子模块， 以生成 初始目标 热力图； 将所述初始目标热力图输入所述关键目标热力图映射模块的上采样子模块进行上采 样， 以生成所述关键目标 热力图。 3.根据权利要求2所述的基于人工智能的目标检测方法， 其特征在于， 所述初始目标热 力图的计算公式K为： 其中， N是所述 分类预测向量中的向量元素的总数量， sn是所述分类预测向量中的第n个 向量元素的值， σ(Mn)是对Mn进行归一化计算， C是所述解码器的最后一个卷积层的通道数， ωi,n是W由(i,n)索引得到的值， W∈RC×N， RC×N是所述全局平均池化层的权重矩阵， Fi是所述 特征映射数据中的第i个特 征， Fi对应所述 解码器的最后一个卷积层的第i个通道。 4.根据权利要求1所述的基于人工智能的目标检测方法， 其特征在于， 所述将所述待检 测图像特征和所述等间隔锚点位置数据输入预设的锚点特征提取模型进行锚点图像特征 提取的步骤， 包括： 将所述待检测图像特征输入所述锚点特征提取模型的特征提取模块进行特征提取， 以 形成待分析图像特征， 其中， 所述特征提取模块依次包括： 第一卷积层、 第二卷积层、 第三卷 积层、 第四卷积层和第五卷积层； 采用所述锚点特征提取模型的特征融合模块， 对所述待分析图像特征和所述等间隔锚 点位置数据进行相乘处 理， 以形成所述锚点图像特 征。权　利　要　求　书 1/2 页 2 CN 114742990 A 25.根据权利要求4所述的基于人工智能的目标检测方法， 其特征在于， 所述第一卷积 层、 所述第二卷积层和所述第三卷积层的通道数均为25 6； 所述第四卷积层的通道数为128； 所述第五卷积层的通道数为512。 6.根据权利要求1所述的基于人工智能的目标检测方法， 其特征在于， 所述将各个所述 关键目标 热力图和所述锚点图像特 征进行融合处 理， 得到锚点融合特 征的步骤， 包括： 根据各个所述关键目标 热力图， 对每 个锚点进行影响权 重计算； 根据各个所述影响权重和所述锚点图像特征进行相同锚点位置的数据相乘 处理， 得到 所述锚点融合特 征。 7.根据权利要求1所述的基于人工智能的目标检测方法， 其特征在于， 所述根据 各个所 述锚点对应的各个所述锚点分类， 生成目标检测结果的步骤， 包括： 采用OPENCV回归方法， 对各个所述锚点对应的各个所述锚点分类进行矩形框的回归， 得到每个目标对应的锚定矩形框； 将每个所述锚定矩形框的四个顶点的坐标， 作为顶点 坐标集； 将各个所述顶点 坐标集， 作为所述目标检测结果。 8.一种基于人工智能的目标检测装置， 其特 征在于， 所述装置包括： 数据获取模块， 用于获取初始图像对应的待检测图像特 征及等间隔锚点 位置数据； 关键目标热力图确定模块， 用于将所述待检测图像特征输入预设的关键目标检测模型 进行关键目标热力图检测， 其中， 所述关键目标检测模型包括： 类激活映射模块和关键目标 热力图映射模块； 锚点图像特征确定模块， 用于将所述待检测图像特征和所述等间隔锚点位置数据输入 预设的锚点特 征提取模型进行锚点图像特 征提取； 锚点融合特征确定模块， 用于将各个所述关键目标热力图和所述锚点图像特征进行融 合处理， 得到锚点融合特 征； 锚点分类确定模块， 用于根据所述锚点融合特征和预设的锚点热力 阈值， 确定每个锚 点的锚点分类； 目标检测结果确定模块， 用于根据各个所述锚点对应的各个所述锚点分类， 生成目标 检测结果。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114742990 A 3