(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 202111636768.4 (22)申请日 2021.12.2 9 (71)申请人 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 宋忠浩　 (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 何倚雯 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/08(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 图像目标的检索方法、 检索设备、 电子设备 和存储介质 (57)摘要 本申请公开了一种图像目标的检索方法、 检 索设备、 电子设备和存储介质， 其中检索方法包 括： 对预处理图像进行特征提取， 得到多尺度特 征图像； 对多尺度特征图像进行自适应加权融 合， 得到增强图像； 基于增强图像， 输出原始图像 的目标特征， 以检索图像目标。 通过上述方式， 本 申请通过对多尺度特征图像进行自适应加权融 合， 提高了图像目标的检测精度。 权利要求书2页 说明书11页 附图7页 CN 114462490 A 2022.05.10 CN 114462490 A 1.一种图像目标的检索方法， 其特 征在于， 所述检索方法包括： 对所述预处 理图像进行 特征提取， 得到多尺度特 征图像； 对所述多尺度特 征图像进行自适应加权融合， 得到增强图像； 基于所述增强图像， 输出 所述原始图像的目标 特征， 以检索所述图像目标。 2.根据权利要求1所述的检索方法， 其特 征在于， 所述对所述多尺度特 征图像进行自适应加权融合， 得到增强图像， 包括： 基于所述加权节点以及所述加权节点对应的加权系数， 对所述多尺度 特征图像进行加 权融合， 以得到所述增强图像。 3.根据权利要求2所述的检索方法， 其特 征在于， 所述基于所述加权节点以及所述加权节点对应的加权系数， 对所述多尺度特征图像进 行加权融合， 以得到所述增强图像， 包括： 获取加权节点和所述加权系数， 其中， 所述加权节点由特征图像的细粒度信息和所述 特征图像的语义信息决定； 将所述多尺度特 征图像处 理成多个相同分辨 率的特征图像； 基于所述加权节点以及所述加权系数， 对所述相同分辨率的特征图像进行加权融合， 其中所述加权系数不断迭代更新得到 。 4.根据权利要求3所述的检索方法， 其特 征在于， 所述加权系数不断迭代更新得到， 包括： 获取所述加权系数的估计目标值以及实际值； 将所述估计目标值和所述实际值进行相比， 得到误差值； 基于所述误差值， 利用 梯度下降算法对多个所述加权系数求偏导， 得到多个所述加权 系数分别对应的多个参数 更新值； 利用多个所述更新值对多个所述加权系数进行相加更新， 以迭代前一 次获取的多个所 述加权系数， 直至所述 误差值小于预设值。 5.根据权利要求 4所述的检索方法， 其特 征在于， 所述获取 所述加权系数的估计目标值以及实际值， 包括： 基于神经网络模型， 对多个所述加权系数进行推理， 得到所述估计目标值； 基于多个所述加权节点和所述加权节点对应的加权系数， 对所述多个相同分辨率的图 像特征进行加权融合， 得到多个融合特 征值； 将多个所述融合特 征值分别进行 卷积， 得到多个目标 特征； 将多个所述目标 特征输入损失函数中进行处 理， 得到所述实际值。 6.根据权利要求3所述的检索方法， 其特 征在于， 所述对所述相同分辨 率的特征图像进行加权融合， 包括： 判断所述特征图像的节点的细粒度信 息是否满足细粒度信 息预设值， 以及所述特征图 像的语义信息是否满足语义信息预设值； 若是， 则确定所述节点为所述加权节点， 以获取所述加权节点对应的多个所述加权系 数， 并采用多个所述加权系数对所述相同分辨 率的特征图像进行加权融合。 7.根据权利要求6所述的检索方法， 其特 征在于， 所述基于所述增强图像， 输出 所述原始图像的目标 特征， 以检索所述图像目标， 包括：权　利　要　求　书 1/2 页 2 CN 114462490 A 2基于所述增强图像和检测尺度， 输出候选框的目标类别信息、 目标位置信息以及置信 度得分， 其中， 所述检测尺度至少大于或等于4。 8.根据权利要求7 所述的检索方法， 其特 征在于， 所述基于所述增强图像， 输出 所述原始图像的目标 特征， 以检索所述图像目标， 包括： 判断置信度得分对应的所述 候选框的交并比是否大于交并比预设值； 若是， 则去除所述 候选框； 若否， 则按权 重函数对所述 候选框进行衰减， 得到检索结果。 9.根据权利要求1所述的检索方法， 其特 征在于， 所述对所述预处 理图像进行 特征提取， 得到多尺度特 征图像， 包括： 将所述预处理图像输入预设卷积神经网络模块中进行特征提取， 得到第一特征图像， 其中所述预设卷积神经网络模块包括输入层 模块、 卷积层 模块、 降采样层 模块、 反卷积层模 块以及输出层模块， 所述卷积层模块至少执行卷积、 批量归一化以及激活函数中的一种操 作； 对所述第一特征图像进行多次降采样， 得到所述多尺度特征图像， 其中降采样采用预 设残差模块。 10.根据权利要求5所述的检索方法， 其特 征在于， 所述神经网络模型包括特征增强模块， 所述特征增强模块包括多个所述特征图像对应 的加权层， 其中， 除第一层和最后一层以外的每个所述加权层均加权融合其他加权层的所 述特征图像。 11.根据权利要求10所述的检索方法， 其特 征在于， 所述除第一层和最后一层以外的每个所述加权层均加权融合其他加权层的所述特征 图像， 包括： 除第一层和最后一层以外的每个所述加权层均加权融合相邻的上下两层对应的加权 层的所述特 征图像。 12.一种检索设备， 其特 征在于， 所述检索设备包括： 提取模块， 用于对所述预处 理图像进行 特征提取， 得到多尺度特 征图像； 自适应加权融合模块， 用于对所述多尺度特征图像进行自适应加权融合， 得到增强图 像； 输出模块， 用于基于所述增强图像， 输出所述原始图像的目标特征， 以检索所述图像目 标。 13.一种电子设备， 其特征在于， 包括： 处理器和存储器， 所述存储器中存储有计算机程 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 ‑11任一项所述的检索方法。 14.一种计算机可读存储介质， 其特征在于， 该计算机可读存储介质存储有计算机程 序， 计算机程序能够被处 理器执行时实现如权利要求1 ‑11任一项所述的检索方法。权　利　要　求　书 2/2 页 3 CN 114462490 A 3