技术特征：
1.一种基于信息融合的目标检测后处理方法，其特征在于，包括：将目标检测结果中所有的预测框聚类成多个簇，获得每个簇的代表预测框及簇内检测置信度的统计信息；将所述每个簇的代表预测框进行类别置信度计算，计算其类别预测为正确的概率，作为类别置信度；根据所述类别置信度以及每个簇内检测置信度的统计信息，计算每个预测框属于正确预测的概率，保留概率大于预设阈值的预测框，舍弃概率小于预设阈值的预测框。2.根据权利要求1所述的基于信息融合的目标检测后处理方法，其特征在于，所述将目标检测结果中所有的预测框聚类成多个簇，其中：通过一个迭代的聚类方法将所有的预测框分到多个簇中。3.根据权利要求2所述的基于信息融合的目标检测后处理方法，其特征在于，所述聚类方法，包括：使用交并比作为两个框之间相似度的度量，以检测置信度为权重计算每个簇中预测框的加权平均值作为该簇的代表预测框；统计每个簇中所有检测置信度的最大值以及总和，作为簇内检测置信度的统计信息。4.根据权利要求1所述的基于信息融合的目标检测后处理方法，其特征在于，将所述每个簇的代表预测框进行类别置信度计算，其中，使用一个卷积神经网络计算代表预测框内物体属于预测类别的置信度。5.根据权利要求4所述的基于信息融合的目标检测后处理方法，其特征在于，所述卷积神经网络为一个具有18个卷积层和2个全连接层的神经网络。6.根据权利要求1所述的基于信息融合的目标检测后处理方法，其特征在于，所述根据所述类别置信度以及每个簇内检测置信度的统计信息，计算每个预测框属于正确预测的概率，其中，使用一个全连接神经网络计算代表预测框是正确预测的概率。7.根据权利要求6所述的基于信息融合的目标检测后处理方法，其特征在于，所述使用一个全连接神经网络计算代表预测框是正确预测的概率，其中，以代表预测框检测置信度最大值、总和以及类别置信度作为输入，通过一个含有3个全连接层的神经网络计算该代表预测框是正确预测的概率。8.一种基于信息融合的目标检测后处理系统，其特征在于，包括：聚类模块：将目标检测结果中所有的预测框聚类成多个簇，获得每个簇的代表预测框及簇内检测置信度的统计信息；类别置信度计算模块：将所述聚类模块得到的每个簇的代表预测框进行类别置信度计算，计算其类别预测为正确的概率，作为类别置信度；预测框筛选模块：根据所述类别置信度计算模块得到的类别置信度以及所述聚类模块得到的每个簇内检测置信度的统计信息，计算每个预测框属于正确预测的概率，保留概率大于预设阈值的预测框，舍弃概率小于预设阈值的预测框。9.一种电子终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时用于执行权利要求1-7任一所述的基于信息融合的目标检测后处理方法。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，该程序被处理器
执行时用于执行权利要求1-7任一所述的基于信息融合的目标检测后处理方法。
技术总结
本发明提供了一种基于信息融合的目标检测后处理方法、系统、终端及介质，包括：将目标检测结果中所有的预测框聚类成多个簇，获得每个簇的代表预测框及簇内检测置信度的统计信息；将所述每个簇的代表预测框进行类别置信度计算，计算其类别预测为正确的概率，作为类别置信度；根据所述类别置信度以及每个簇内检测置信度的统计信息，计算每个预测框属于正确预测的概率，保留概率大于预设阈值的预测框，舍弃概率小于预设阈值的预测框。本发明参考了多种不同类型的置信度信息，相比于以非极大抑制为代表的传统后处理方法有着更加鲁棒的优势，同时，其融合了针对同一物体的多个预测结果，使得对物体边界的定位更加准确。使得对物体边界的定位更加准确。使得对物体边界的定位更加准确。
技术研发人员：乔宇 李子昊
受保护的技术使用者：上海交通大学
技术研发日：2022.07.20
技术公布日：2022/10/25