基于人工智能的目标检测优化方法、装置、设备及介质与流程

技术特征：
1.一种基于人工智能的目标检测优化方法，其特征在于，所述方法包括：获取样本图像，并对获取到的所有样本图像进行预处理得到图像训练集和图像标签集，所述图像训练集和所述图像标签集一一对应；基于所述图像标签集筛选所述图像训练集获得参考图像，并基于所述参考图像构建特征坐标矩阵；对所述特征坐标矩阵进行编码以生成查询特征矩阵、键值特征矩阵和基础特征矩阵，并计算所述查询特征矩阵和键值特征矩阵的有效注意力评分值得到注意力评分矩阵；依据归一化指数函数处理所述注意力评分矩阵获得特征权重矩阵，并基于所述特征权重矩阵和所述基础特征矩阵进行加权求和得到目标特征矩阵；基于所述目标特征矩阵和所述图像标签集构建损失函数，并基于所述损失函数对每一次的目标检测过程进行迭代优化以获得目标检测优化结果。2.如权利要求1所述的基于人工智能的目标检测优化方法，其特征在于，所述获取样本图像，并对获取到的所有样本图像进行预处理得到图像训练集和图像标签集，所述图像训练集和所述图像标签集一一对应，包括：获取样本图像，并依据双线性插值算法调整所有的样本图像至统一尺寸得到图像训练集；依据预设方式对所述图像训练集中的样本图像进行框选和标注来获得目标框，并将所有具有目标框和标注的样本图像作为图像标签集。3.如权利要求1所述的基于人工智能的目标检测优化方法，其特征在于，所述基于所述图像标签集筛选所述图像训练集获得参考图像，并基于所述参考图像构建特征坐标矩阵包括：将所述图像标签集中所有目标框的标注按照标签值的类别进行划分得到多个标注类别的列表；随机选择一个标注类别，并依据该标注类别对应的目标框从所述图像训练集中选取对应的图像作为该类别的参考图像集合；从所述参考图像集合中随机选择一张参考图像，对该参考图像中所有像素的坐标同时进行多维度扩充，并根据扩充后的所有像素的坐标构建所述参考图像的特征坐标矩阵；遍历所有的标注类别以使所有的标注类别的每个参考图像都构建一个特征坐标矩阵。4.如权利要求1所述的基于人工智能的目标检测优化方法，其特征在于，所述对所述特征坐标矩阵进行编码以生成查询特征矩阵、键值特征矩阵和基础特征矩阵，并计算所述查询特征矩阵和键值特征矩阵的有效注意力评分值得到注意力评分矩阵，包括：依据三个一维卷积核分别对所述特征坐标矩阵进行编码以分别生成查询特征矩阵、键值特征矩阵和基础特征矩阵；依据预设的注意力评分模型计算所述查询特征矩阵中每一个元素与键值特征矩阵中各元素的注意力评分值作为基础注意力评分值，遍历所述查询特征矩阵中的所有元素获得每一个元素的基础注意力评分值；计算每一个基础注意力评分值的注意力权重，并基于所述注意力权重和所述基础注意力评分值获得注意力评分矩阵。5.如权利要求4所述的基于人工智能的目标检测优化方法，其特征在于，所述计算每一
个基础注意力评分值的注意力权重，并基于所述注意力权重和所述基础注意力评分值获得注意力评分矩阵包括：计算所述查询特征矩阵中每一个元素与键值特征矩阵中各元素的欧氏距离，并基于所述欧氏距离计算每一个基础注意力评分值的注意力权重；对所述基础注意力评分值和对应的注意力权重进行加权求和以获取所述查询特征矩阵中每一个元素的有效注意力评分值，并根据所述查询特征矩阵中所有元素的有效注意力评分值构建注意力评分矩阵。6.如权利要求1所述的基于人工智能的目标检测优化方法，其特征在于，所述依据归一化指数函数处理所述注意力评分矩阵获得特征权重矩阵，并基于所述特征权重矩阵和所述基础特征矩阵进行加权求和得到目标特征矩阵包括：依据归一化指数函数对所述注意力评分矩阵中所有元素的有效注意力评分值进行计算得到各元素的归一化权重以获得特征权重矩阵；对目标元素的归一化权重和所述目标元素在所述基础特征矩阵中相同位置的元素的像素值进行加权求和作为目标特征元素，所述目标元素为所述特征权重矩阵中的任意一个元素；遍历所述特征权重矩阵中的所有元素以获取每一个元素对应的目标特征元素，并根据所有的目标特征元素构建目标特征矩阵。7.如权利要求1所述的基于人工智能的目标检测优化方法，其特征在于，所述基于所述目标特征矩阵和所述图像标签集构建损失函数，并基于所述损失函数对每一次的目标检测过程进行迭代优化以获得目标检测优化结果包括：计算所述目标特征矩阵中每一个元素的坐标与所述图像标签集中对应元素的坐标的差值作为基础损失值；基于所述基础损失值和所述参考图像中所有像素的坐标的扩充维度构建损失函数，并基于所述损失函数对每一次的目标检测过程进行迭代优化以获得目标检测优化结果。8.一种基于人工智能的目标检测优化装置，其特征在于，所述装置包括：获取单元，用于获取样本图像，并对获取到的所有样本图像进行预处理得到图像训练集和图像标签集，所述图像训练集和所述图像标签集一一对应；筛选单元，用于基于所述图像标签集筛选所述图像训练集获得参考图像，并基于所述参考图像构建特征坐标矩阵；生成单元，用于对所述特征坐标矩阵进行编码以生成查询特征矩阵、键值特征矩阵和基础特征矩阵，并计算所述查询特征矩阵和键值特征矩阵的有效注意力评分值得到注意力评分矩阵；处理单元，用于依据归一化指数函数处理所述注意力评分矩阵获得特征权重矩阵，并基于所述特征权重矩阵和所述基础特征矩阵进行加权求和得到目标特征矩阵；构建单元，用于基于所述目标特征矩阵和所述图像标签集构建损失函数，并基于所述损失函数对每一次的目标检测过程进行迭代优化以获得目标检测优化结果。9.一种电子设备，其特征在于，所述电子设备包括：存储器，存储有计算机可读指令；及处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项
所述的基于人工智能的目标检测优化方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的目标检测优化方法。

技术总结
本申请提出一种基于人工智能的目标检测优化方法、装置、电子设备及存储介质，基于人工智能的目标检测优化方法包括：获取样本图像，并对获取到的所有样本图像进行预处理得到图像训练集和图像标签集；基于所述图像标签集筛选所述图像训练集获得参考图像以构建特征坐标矩阵；编码所述特征坐标矩阵以获取注意力评分矩阵；依据归一化指数函数处理所述注意力评分矩阵获得特征权重矩阵以获取目标特征矩阵；基于所述目标特征矩阵和所述图像标签集构建损失函数以获得目标检测优化结果。本申请能够对目标检测的训练和检测过程进行整体优化，从而有效提高目标检测结果的准确率。而有效提高目标检测结果的准确率。而有效提高目标检测结果的准确率。


技术研发人员：严正 刘鹏 刘玉宇 肖京
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2022.06.17
技术公布日：2022/9/13