目标检测方法及应用其的城市违规事件监测方法与流程

技术特征：
1.目标检测方法，其特征在于，包括以下步骤：获取待检测图像；将所述待检测图像输入主干网络以获取不同尺度的初级特征图，并将所有所述初级特征图输入颈部网络以获取不同尺度的聚合特征图；将所有所述聚合特征图输入解耦预测网络以获取预测结果，其中，所述解耦预测网络包括并行的不同深度的预测层，每一所述预测层对所述聚合特征图进行卷积，将卷积输出的结果分别输入目标分类分支、目标置信度分支以及边框回归分支得到对应每一所述分支的特征图，堆叠各个所述分支输出的特征图得到三维特征图，将所述三维特征图进行特征重塑得到预测特征子图，堆叠各个所述预测层输出的预测特征子图后进行向量转置得到预测特征图，根据所述预测特征图输出所述预测结果。2.根据权利要求1所述的目标检测方法，其特征在于，“将卷积输出的结果分别输入目标分类分支、目标置信度分支以及边框回归分支得到对应每一所述分支的特征图”包括：将卷积输出的结果输入目标分类分支得到分类特征图，将卷积输出的结果输入目标置信度分支得到置信度特征图，将卷积输出的结果输入目标边框回归分支得到边框回归特征图；所述目标分类分支和所述目标置信度分支的结构相同，包括依次连接的两个cbs模块、dc模块和sigmoid激活函数；所述目标边框回归分支包括依次连接的两个cbs模块和dc模块；其中，所述cbs模块中c表示卷积、b表示批量归一化、s表示smu激活函数，所述dc模块表示可变形卷积。3.根据权利要求1所述的目标检测方法，其特征在于，“所述解耦预测网络包括并行的不同深度的预测层，每一所述预测层对所述聚合特征图进行卷积”包括：所述解耦预测网络包括浅层预测层、中层预测层和深层预测层，所述浅层预测层和所述中层预测层对所述聚合特征图进行并行可变形卷积得到第一特征图，所述深层预测层对所述聚合特征图进行并行交叉卷积得到第二特征图。4.根据权利要求3所述的目标检测方法，其特征在于，所述并行可变形卷积用于将输入的所述聚合特征图按照通道数均分为多个聚合特征子图，并将所述聚合特征子图进行不同尺度的可变形卷积得到对应各个所述聚合特征子图的第一特征子图，融合所述第一特征子图并进行通道混洗得到具有多尺度特征信息的所述第一特征图。5.根据权利要求3所述的目标检测方法，其特征在于，所述并行交叉卷积用于将输入的所述聚合特征图进行不同尺度的逐行卷积，再对每一所述逐行卷积进行相同尺度的逐列卷积得到不同尺度的第二特征子图，融合所述第二特征子图并进行通道混洗得到具有多个感受野的所述第二特征图。6.根据权利要求1所述的目标检测方法，其特征在于，所述主干网络包括cbs模块、多个cspx模块和dc模块，将所述主干网络分为多个串联的主干层，不同的所述主干层用于输出不同尺度的所述初级特征图；其中，所述cbs模块中c表示卷积、b表示批量归一化、s表示smu激活函数，所述dc模块表示可变形卷积。7.根据权利要求6所述的目标检测方法，其特征在于，所述cspx模块包括第一dcbs模块、并行连接于所述dcbs模块后的第一分支和第二分支、用于堆叠所述第一分支和所述第二分支输出特征的concat模块和连接于所述concat模块后的第二dcbs模块；其中，所述第一分支包括依次连接的第一cbs模块、x个残差组件组成的卷积层和第二cbs模块，所述第二
分支采用的是多感受野注意力机制。8.根据权利要求7所述的目标检测方法，其特征在于，所述第二分支包括并行交叉卷积、se权重模块和softmax函数；所述第二分支采用并行交叉卷积对输入图的特征图进行特征提取得到具有多个感受野的第七特征图；利用se权重模块提取不同尺度特征图的通道注意力得到每个不同尺度上的通道注意力向量，采用softmax函数对不同尺度上的通道注意力向量进行特征重新标定得到不同尺度的通道交互之后的注意力权重，以实现注意力权重的校准；对所述第七特征图和所述注意力权重按元素进行点乘操作，输出一个具有多尺度特征信息注意力加权之后的第二分支特征图。9.根据权利要求1所述的目标检测方法，其特征在于，所述颈部网络采用fpn结合pan的结构，将不同尺度的所述初级特征图进行特征聚合得到不同尺度的所述聚合特征图。10.根据权利要求9所述的目标检测方法，其特征在于，所述颈部网络改进于yolo系列模型的颈部网络，将yolo系列模型中颈部网络的cbm模块的mish激活函数替换为smu激活函数。11.根据权利要求9所述的目标检测方法，其特征在于，所述颈部网络改进于yolo系列模型的颈部网络，将yolo系列模型中颈部网络的spp模块替换为混合深度可分离卷积，所述混合深度可分离卷积由多个不同大小的卷积核组成，采用多采样率和有效视野滤波器的输入卷积特征层,不同的卷积核得到不同的感受野以此获得更多的上下文信息，堆叠不同滤波器大小的深度可分离卷积生成的特征图，输出包含多个接受域大小的神经元的特征图。12.城市违规事件监测方法，其特征在于，包括以下步骤：获取待处理图像；根据权利要求1-11任一项所述的目标检测方法检测所述待处理图像中的违规事件。13.根据权利要求12所述的城市违规事件监测方法，其特征在于，还包括：根据所述违规事件的来源，对应每一所述违规事件形成包括案件信息的待处理案件。14.根据权利要求13所述的城市违规事件监测方法，其特征在于，根据每一所述待处理案件的案件信息生成对应的待执行任务；根据所述待执行任务的反馈结果获取反馈图像，并根据所述反馈图像对所述待处理案件进行复核，其中所述反馈图像为与所述待处理图像同一地点的实时视频图像。15.目标检测装置，其特征在于，包括以下模块：第一获取模块，用于获取待检测图像；特征提取模块，用于将所述待检测图像输入主干网络以获取不同尺度的初级特征图，并将所有所述初级特征图输入颈部网络以获取不同尺度的聚合特征图；预测模块，用于将所有所述聚合特征图输入解耦预测网络以获取预测结果，其中，所述解耦预测网络包括并行的不同深度的预测层，每一所述预测层对所述聚合特征图进行卷积，将卷积输出的结果分别输入目标分类分支、目标置信度分支以及边框回归分支得到对应每一所述分支的特征图，堆叠各个所述分支输出的特征图得到三维特征图，将所述三维特征图进行特征重塑得到预测特征子图，堆叠各个所述预测层输出的预测特征子图后进行向量转置得到预测特征图，根据所述预测特征图输出所述预测结果。16.城市违规事件监测装置，其特征在于，包括以下模块：第二获取模块，用于获取待处理图像；
检测模块，用于根据权利要求1-11任一项所述的目标检测方法检测所述待处理图像中的违规事件。17.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行根据权利要求1至11任一所述的目标检测方法，或者根据权利要求12至14任一所述的城市违规事件监测方法。18.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括权利要求1至11任一所述的目标检测方法，或者根据权利要求12至14任一所述的城市违规事件监测方法。

技术总结
本申请提出了一种目标检测方法，包括：获取待检测图像；将待检测图像输入主干网络以获取不同尺度的初级特征图，并将所有初级特征图输入颈部网络以获取不同尺度的聚合特征图；将所有聚合特征图输入解耦预测网络以获取预测结果，其中，解耦预测网络包括并行的不同深度的预测层，每一预测层对聚合特征图进行卷积，将卷积输出的结果分别输入目标分类分支、目标置信度分支以及边框回归分支得到对应每一分支的特征图，堆叠各个分支输出的特征图得到三维特征图，将三维特征图进行特征重塑得到预测特征子图，堆叠各个预测层输出的预测特征子图后进行向量转置得到预测特征图，根据预测特征图输出预测结果。该方法采用解耦预测网络提高目标检测精度。目标检测精度。目标检测精度。


技术研发人员：郁强 张香伟 毛云青 金仁杰
受保护的技术使用者：城云科技（中国）有限公司
技术研发日：2022.02.21
技术公布日：2022/5/25