目标检测方法和装置、计算机设备及存储介质与流程

本技术涉及金融科技(fintech)，尤其涉及一种目标检测方法和装置、计算机设备及存储介质。

背景技术：

1、随着深度学习取得了飞快的发展，需要金融场景都研发了各种检测器进行目标检测。以保险广告图片的推荐为例，需要对保险广告图片进行目标检测以确定保险广告图片的图片类别，以根据图片类别推荐适配用户喜好的保险广告图片。

2、相关技术中，通过目标检测器对图像进行目标检测，若图像中不存在干扰，目标检测器的检测表现良好；若图像中存在干扰，例如存在攻击噪声的干扰，目标检测器检测效果不理想。

技术实现思路

1、本技术实施例的主要目的在于提出一种目标检测方法和装置、计算机设备及存储介质，旨在提高目标检测的准确性。

2、为实现上述目的，本技术实施例的第一方面提出了一种目标检测方法，所述方法包括：

3、获取图像训练数据和预设参考特征；其中，所述图像训练数据包括：样本图像、对抗图像；其中，所述对抗图像由所述样本图像加入预设噪声得到；

4、将所述样本图像和所述对抗图像输入至预设的原始对抗网络进行图像特征分布计算，得到图像特征分布信息；

5、对所述图像特征分布信息进行编码处理，得到图像预测特征；

6、根据所述图像特征分布信息进行图像重构，得到验证图像；

7、将所述图像特征分布信息、所述验证图像、所述样本图像、所述图像预测特征和所述预设参考特征进行损失计算，得到目标损失数据；

8、根据所述目标损失数据对所述原始对抗网络进行参数调整，得到目标对抗网络；

9、将获取的目标图像输入至所述目标对抗网络进行图像特征分布计算，得到目标特征分布信息；

10、根据所述目标特征分布信息进行目标检测，得到目标对象的目标检测信息；其中，所述目标检测信息用于定位所述目标对象及用于对所述目标对象进行分类。

11、在一些实施例，所述原始对抗网络包括：可学习模型和编码器；所述将所述样本图像和所述对抗图像输入至预设的原始对抗网络进行图像特征分布计算，得到图像特征分布信息，包括：

12、将所述样本图像和所述对抗图像输入至所述可学习模型进行图像类别预测，得到图像类别预测信息；

13、将所述图像类别预测信息、所述样本图像和所述对抗图像输入至所述编码器进行编码处理，得到图像编码特征；

14、通过所述可学习模型、预设的鲁棒参数对所述图像编码特征进行特征分布计算，得到所述图像特征分布信息。

15、在一些实施例，所述鲁棒参数包括：第一网络参数和第二网络参数；所述特征分布信息包括：特征均值和特征方差值；所述通过所述可学习模型、预设的鲁棒参数对所述图像编码特征进行特征分布计算，得到所述图像特征分布信息，包括：

16、将所述图像编码特征输入至所述可学习模型；

17、通过所述可学习模型、所述第一网络参数对所述图像编码特征进行均值计算，得到所述特征均值；

18、通过所述可学习模型、所述第二网络参数对所述图像编码特征进行方差计算，得到所述特征方差值。

19、在一些实施例，所述将所述图像特征分布信息、所述验证图像、所述样本图像、所述图像预测特征和所述预设参考特征进行损失计算，得到目标损失数据，包括：

20、对所述图像特征分布信息进行损失计算，得到分布损失数据；

21、对所述验证图像和所述样本图像进行损失计算，得到图像损失数据；

22、对所述图像预测特征和所述预设参考特征进行损失计算，得到特征损失数据；

23、根据预设的损失权重参数对所述分布损失数据、所述图像损失数据和所述特征损失数据进行加权求和计算，得到所述目标损失数据。

24、在一些实施例，在所述将所述图像特征分布信息、所述验证图像、所述样本图像、所述图像预测特征和所述预设参考特征进行损失计算，得到目标损失数据之后，所述方法还包括：

25、根据所述分布损失数据对所述可学习模型进行参数调整，直至所述目标损失数据收敛。

26、在一些实施例，所述根据所述目标特征分布信息进行目标检测，得到目标对象的目标检测信息，包括：

27、对所述目标特征分布信息进行编码处理，得到目标图像特征；

28、根据所述目标图像特征进行目标对象定位，得到目标定位信息；

29、根据所述目标图像特征进行类别识别，得到目标图像类别；

30、根据所述目标定位信息、所述目标图像类别生成目标对象的所述目标检测信息。

31、在一些实施例，所述获取图像训练数据，包括：

32、获取所述样本图像；

33、根据预设的扰动数据对所述样本图像进行扰动处理，得到所述对抗图像。

34、为实现上述目的，本技术实施例的第二方面提出了一种目标检测装置，所述装置包括：

35、获取模块，用于获取图像训练数据和预设参考特征；其中，所述图像训练数据包括：样本图像、对抗图像；其中，所述对抗图像由所述样本图像加入预设噪声得到；

36、图像分布计算模块，用于将所述样本图像和所述对抗图像输入至预设的原始对抗网络进行图像特征分布计算，得到图像特征分布信息；

37、编码模块，用于对所述图像特征分布信息进行编码处理，得到图像预测特征；

38、图像重构模块，用于根据所述图像特征分布信息进行图像重构，得到验证图像；

39、损失计算模块，用于将所述图像特征分布信息、所述验证图像、所述样本图像、所述图像预测特征和所述预设参考特征进行损失计算，得到目标损失数据；

40、参数调整模块，用于根据所述目标损失数据对所述原始对抗网络进行参数调整，得到目标对抗网络；

41、目标分布计算模块，用于将获取的目标图像输入至所述目标对抗网络进行图像特征分布计算，得到目标特征分布信息；

42、目标检测模块，用于根据所述目标特征分布信息进行目标检测，得到目标对象的目标检测信息；其中，所述目标检测信息用于定位所述目标对象及用于对所述目标对象进行分类。

43、为实现上述目的，本技术实施例的第三方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

44、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

45、本技术提出的目标检测方法和装置、计算机设备及存储介质，通过将样本图像和对抗图像构建图像对，将图像对输入至原始对抗网络进行特征分布计算得到图像特征分布信息，并对图像特征分布信息进行编码处理得到图像预测特征，再根据图像特征分布信息进行图像重构得到验证图像。将验证图像、样本图像、图像预测特征、预设参考特征和图像特征分布信息进行损失计算得到目标损失数据，以根据目标损失数据对原始对抗网络进行参数调整，直至目标损失数据收敛以得到目标对抗网络。因此，构建能够输出合理的图像特征分布信息的目标对抗网络，目标对抗网络对目标图像进行特征分布计算得到具备鲁棒性的目标特征分布信息，对目标特征分布信息进行目标检测得到目标检测信息，以应对无干扰图像和加入攻击噪声的对抗图像，从而提高目标检测的准确性。