(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 202211080072.2 (22)申请日 2022.09.05 (71)申请人 上海高德威智能交通系统有限公司 地址 201821 上海市嘉定区云谷路59 9弄6 号620室J 1452 (72)发明人 刘珂瑞　 (74)专利代理 机构 北京博思佳知识产权代理有 限公司 1 1415 专利代理师 杨春香 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) (54)发明名称 一种目标检测方法、 装置及设备 (57)摘要 本申请提供一种目标检测方法、 装置及设 备， 该方法包括： 获取查询样本图像， 确定查询样 本图像对应的查询特征； 针对目标检测任务支持 的每个预测类别， 获取所述预测类别对应的支撑 样本图像， 确定支撑样本图像对应的多尺度支撑 特征， 基于多尺度支撑特征和查询特征生成所述 预测类别对应的检测特征； 基于每个预测类别对 应的检测特征训练目标网络模型； 目标网络模型 用于对待检测图像进行目标检测， 得到待检测图 像对应的目标预测类别。 通过本申请的技术方 案， 使得目标网络模型的训练时间短， 训练速度 快， 且资源消耗小。 权利要求书2页 说明书13页 附图4页 CN 115497020 A 2022.12.20 CN 115497020 A 1.一种目标检测方法， 其特 征在于， 所述方法包括： 获取查询样本图像， 并确定所述 查询样本图像对应的查询特 征； 针对目标检测任务支持的每个预测类别， 获取所述预测类别对应的支撑样本 图像， 确 定所述支撑样本图像对应的多尺度支撑特征， 并基于所述多尺度支撑特征和所述查询特征 生成所述预测类别对应的检测特征； 其中， 所述预测类别对应的支撑样本图像包括所述预 测类别的目标对象； 基于每个预测类别对应的检测特征训练目标网络模型； 其中， 所述目标网络模型用于 对待检测图像进行目标检测， 得到待检测图像对应的目标 预测类别。 2.根据权利要求1所述的方法， 其特 征在于， 所述获取 所述预测类别对应的支撑样本图像， 包括： 从所有查询 样本图像中选取出目标查询 样本图像， 所述目标查询 样本图像中至少包括 所述预测类别的目标对象； 从所述目标查询样本图像中截取 所述预测类别的目标对象对应的子图像； 基于所述子图像确定所述预测类别对应的支撑样本图像。 3.根据权利要求1所述的方法， 其特 征在于， 所述确定所述支撑样本图像对应的多尺度支撑特 征， 包括： 基于所述支撑样本图像生成多个不同尺度的缩放图像； 针对每个尺度的缩放图像， 确定该缩放图像对应的子支撑特 征； 基于每个尺度的缩放图像对应的子支撑特 征确定所述多尺度支撑特 征。 4.根据权利要求1所述的方法， 其特 征在于， 所述确定所述支撑样本图像对应的多尺度支撑特 征， 包括： 将所述支撑样本图像输入给多尺度 特征提取网络， 由多尺度特征提取网络从所述支撑 样本图像中提取多尺度支撑特 征， 并输出多尺度支撑特 征。 5.根据权利要求1所述的方法， 其特征在于， 所述基于所述多尺度支撑特征和所述查询 特征生成所述预测类别对应的检测特 征， 包括： 确定所述多尺度支撑特 征与所述 查询特征之间的相似度矩阵； 对所述多尺度支撑特征和所述相似度矩阵进行特征嵌入， 得到嵌入支撑特征， 并对所 述查询特征和所述嵌入支撑特 征进行特征融合， 得到所述检测特 征。 6.根据权利要求5所述的方法， 其特 征在于， 所述确定所述多尺度支撑特 征与所述 查询特征之间的相似度矩阵， 包括： 基于所述多尺度支撑特 征和所述 查询特征确定初始相似度； 基于所述多尺度支撑特 征的通道数确定出 方差控制参数； 基于所述初始相似度和所述方差控制参数确定目标相似度； 对所述目标相似度进行归一 化操作， 得到所述相似度矩阵。 7.根据权利要求6所述的方法， 其特 征在于， 所述基于所述初始相似度和所述方差控制参数确定目标相似度包括： 采用如下公式确定所述目标相似度： 其中， Q表示所述查询特征， S表示所述多尺度支 撑特征， Q ×ST表示所述初 始相似度， C表权　利　要　求　书 1/2 页 2 CN 115497020 A 2示所述通道数， 表示所述方差控制参数。 8.一种目标检测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取查询样本图像； 针对目标检测任务支持的每个预测类别， 获取所述 预测类别对应的支撑样本图像， 所述支撑样本图像包括所述预测类别的目标对象； 确定模块， 用于确定所述 查询样本图像对应的查询特 征； 以及， 确定所述支撑样本 图像对应的多尺度支撑特征， 并基于所述多尺度支撑特征和 所述查询特征生成所述预测类别对应的检测特 征； 训练模块， 用于基于每 个预测类别对应的检测特 征训练目标网络模型； 其中， 所述目标网络模型用于对待检测图像进行目标检测， 得到所述待检测图像对应 的目标预测类别。 9.根据权利要求8所述的装置， 其特 征在于， 其中， 所述获取模块获取所述预测类别对应的支撑样本 图像时具体用于： 从所有查询 样本图像中选取出目标查询样本图像， 目标查询样本图像中至少包括所述预测类别的目标 对象； 从目标查询样本图像中截取所述预测类别的目标对 象对应的子图像； 基于所述子图 像确定所述预测类别对应的支撑样本图像； 其中， 所述确定模块确定所述支撑样本 图像对应的多尺度支撑特征时具体用于： 基于 所述支撑样本图像生成多个不同尺度的缩放图像； 针对每个尺度的缩放图像， 确定所述尺 度的缩放图像对应的子支撑特征； 基于每个尺度的缩放图像对应的子支撑特征确定所述多 尺度支撑特 征； 其中， 所述确定模块确定所述支撑样本 图像对应的多尺度支撑特征时具体用于： 将所 述支撑样本图像输入给多尺度特征提取网络， 由多尺度特征提取网络从所述支撑样本图像 中提取多尺度支撑特 征， 并输出多尺度支撑特 征； 其中， 所述确定模块基于所述多尺度支撑特征和所述查询特征生成所述预测类别对应 的检测特征时具体用于： 确定多尺度支撑特征与查询特征之间的相似度矩阵； 对多尺度支 撑特征和相似度矩阵进行特征嵌入， 得到嵌入支撑特征， 并对所述查询特征和所述嵌入支 撑特征进行特征融合， 得到所述检测特 征； 其中， 所述确定模块确定多尺度支撑特征与查询特征之间的相似度矩阵时具体用于： 基于多尺度支撑特征和查询特征确定初始相似度； 基于多尺度支撑特征的通道数确定出方 差控制参数； 基于所述初始相似度和所述方差控制参数确定目标相似度； 对所述 目标相似 度进行归一 化操作， 得到所述相似度矩阵； 其中， 所述确定模块基于所述初始相似度和所述方差控制参数确定目标相似度时具体 用于： 采用如下公式确定所述目标相似度： 其中， 所述Q表示所述查询特征， 所述S表 示所述多尺度支撑特征， 所述Q ×ST表示所述初始相似度， 所述C表示所述通道数， 表示 所述方差控制参数。 10.一种电子设备， 其特征在于， 包括： 处理器和机器可读存储介质， 所述机器可读存储 介质存储有能够被所述处理器执行的机器可执行指 令； 所述处理器用于执行机器可执行指 令， 以实现权利要求1 ‑7任一所述的方法步骤。权　利　要　求　书 2/2 页 3 CN 115497020 A 3