(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 202210588021.4 (22)申请日 2022.05.27 (71)申请人 中国科学技术大学 地址 230026 安徽省合肥市包河区金寨路 96号 (72)发明人 韩文廷　易会特　石军　赵敏帆　 朱子琦　王朝晖　安虹　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 张影 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种目标检测方法及装置 (57)摘要 本申请提供了一种目标检测方法及装置， 该 方法通过 获取待处理图像， 将待处理图像输入到 第一卷积神经网络模型， 得到第一卷积神经网络 模型获得的待处理图像的类别概率， 若类别概率 表征待处理图像为异常切片， 则将待处理图像输 入到第二卷积神经网络模型， 减少非异常切片 对 第二卷积神经网络模型的干扰， 使第二卷积神经 网络模型对待处理图像进行处理， 提升结节区域 的分割准确性， 并减少第二卷积神经网络模型的 工作量， 提高分割效率。 权利要求书3页 说明书10页 附图6页 CN 115035054 A 2022.09.09 CN 115035054 A 1.一种目标检测方法， 其特 征在于， 包括： 获取待处 理图像； 将所述待处理图像输入到第 一卷积神经网络模型， 得到所述第 一卷积神经网络模型获 得的所述待处 理图像的类别概 率； 若所述类别概率表征所述待处理图像为异常切片， 则将所述待处理图像输入到第 二卷 积神经网络模型的编码器， 得到所述编 码器对所述待处理图像进 行下采样处理获得的浅层 特征； 将所述待处理图像和所述浅层特征输入到所述第 二卷积神经网络模型的解码器， 得到 所述解码 器对所述待处理图像进 行上采样处理获得的深层特征， 及 对所述浅层特征和所述 深层特征进行融合处 理， 得到的融合特 征； 将所述融合特征输入到所述第 二卷积神经网络模型的输出层， 得到所述输出层获得的 所述待处 理图像的结节区域。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述待处理图像输入到第 二卷积神 经网络模型的编码器， 得到所述编码器对所述待处理图像进行下采样处理获得的浅层特 征， 包括： 将所述待处理图像输入到第 二卷积神经网络模型的编码器， 所述编码器对所述待处理 图像的输入通道进行随机分组， 得到多个第一组； 所述编码器分别对各个所述第 一组中输入通道进行随机分组， 得到所述第 一组对应的 多个第二组； 所述编码器利用残差网络模型基于所述第 二组中的输入通道， 提取所述待处理图像的 特征， 将提取的特 征作为所述第二组对应的特 征； 所述编码器将所述第 一组对应的所述第 二组对应的特征输入到注意力模型， 得到所述 注意力模型获得的所述第一组对应的特 征； 所述编码器的连接层对各个所述第 一组对应的特征进行拼接， 得到所述待处理图像的 浅层特征。 3.根据权利要求1或2所述的方法， 其特征在于， 所述将所述待处理图像和所述浅层特 征输入到所述第二卷积神经网络模型的解码 器， 得到所述解码器对所述待处理图像进 行上 采样处理获得 的深层特征， 及对所述浅层特征和所述深层特征进行融合处理， 得到的融合 特征， 包括： 将所述待处理图像和所述浅层特征输入到所述第 二卷积神经网络模型的解码器， 所述 解码器对所述待处理图像进行上采样处理， 获得深层特征， 并使用密集跳跃连接， 对所述浅 层特征和所述深层特 征进行融合处 理， 得到融合特 征。 4.根据权利要求1所述的方法， 其特征在于， 所述第 一卷积神经网络模型通过以下方式 训练得到， 包括： 获取第一训练图像， 所述第一训练图像标注有真实类别概率， 所述真实类别概率表征 所述第一训练图像包 含结节或不包 含结节； 对所述第一训练图像进行 数据增强、 标签平 滑和随机擦除， 得到第一目标训练图像； 将所述第一目标训练图像输入到第 一卷积神经网络模型， 得到所述第 一卷积神经网络 模型对所述第一目标训练图像进行 预测的类别预测概 率；权　利　要　求　书 1/3 页 2 CN 115035054 A 2判断所述第 一卷积神经网络模型的损失函数值是否收敛， 所述第 一卷积神经网络模型 的损失函数值表征 所述类别预测概 率和所述真实类别概 率之间的差异； 若收敛， 则结束训练； 若未收敛， 则更新所述第一卷积神经网络模型的参数。 5.根据权利要求1所述的方法， 其特征在于， 所述第 二卷积神经网络模型通过以下方式 训练得到： 获取标注有结节的真实框位置的第二训练图像； 对所述第二训练图像进行 数据增强， 得到第二目标训练图像； 将所述第二目标训练图像输入到第 二卷积神经网络模型， 得到所述第 一卷积神经网络 模型对所述第二目标训练图像进行 预测的感兴趣区域； 判断所述第 二卷积神经网络模型的损失函数值是否收敛， 所述第 二卷积神经网络模型 的损失函数值表征 所述真实框位置与所述感兴趣区域之间的差异； 若收敛， 则结束训练； 若未收敛， 则更新所述第二卷积神经网络模型的参数。 6.一种目标检测装置， 其特 征在于， 包括： 获取模块， 用于获取待处 理图像； 分类模块， 用于将所述待处理图像输入到第一卷积神经网络模型， 得到所述第一卷积 神经网络模型获得的所述待处 理图像的类别概 率； 分割模块， 用于： 若所述类别概率表征所述待处理图像为异常切片， 则将所述待处理图像输入到第 二卷 积神经网络模型的编码器， 得到所述编 码器对所述待处理图像进 行下采样处理获得的浅层 特征； 将所述待处理图像和所述浅层特征输入到所述第 二卷积神经网络模型的解码器， 得到 所述解码 器对所述待处理图像进 行上采样处理获得的深层特征， 及 对所述浅层特征和所述 深层特征进行融合处 理， 得到的融合特 征； 将所述融合特征输入到所述第 二卷积神经网络模型的输出层， 得到所述输出层获得的 所述待处 理图像的结节区域。 7.根据权利要求6所述的装置， 其特 征在于， 所述分割模块， 具体用于： 将所述待处理图像输入到第 二卷积神经网络模型的编码器， 所述编码器对所述待处理 图像的输入通道进行随机分组， 得到多个第一组； 所述编码器分别对各个所述第 一组中输入通道进行随机分组， 得到所述第 一组对应的 多个第二组； 所述编码器利用残差网络模型基于所述第 二组中的输入通道， 提取所述待处理图像的 特征， 将提取的特 征作为所述第二组对应的特 征； 所述编码器将所述第 一组对应的所述第 二组对应的特征输入到注意力模型， 得到所述 注意力模型获得的所述第一组对应的特 征； 所述编码器的连接层对各个所述第 一组对应的特征进行拼接， 得到所述待处理图像的 浅层特征。 8.根据权利要求6或7 所述的装置， 其特 征在于， 所述分割模块， 具体用于：权　利　要　求　书 2/3 页 3 CN 115035054 A 3