本申请涉及图像处理，尤其涉及一种目标检测方法、装置、电子设备和存储介质。
背景技术：
1、交通标识检测与识别对于道路安全维护、交通流畅性提升和自动驾驶技术发展都具有关键性作用。传统方案是一般是通过边缘检测与霍夫变换对图像进行交通标识检测。但传统方案只能对特定情况下的图片进行特征提取，无法有效的对交通标识遮挡、模糊、弯曲等复杂情况进行检测。
2、随着深度学习的发展，hr-net、bis-net、unet、deeplab等深度学习网络算法相继问世，深度学习网络通常包含非常多层，当网络层太深时，网络的训练会丢失大量的细节信息且不容易收敛。
技术实现思路
1、本申请实施例提供了一种目标检测方法、装置、电子设备和存储介质，以提高模型收敛速度和检测精度。
2、本申请实施例采用下述技术方案：
3、第一方面，本申请实施例提供一种目标检测方法，所述方法包括：
4、获取包含具有确定边缘的目标的待检测图像；
5、利用训练好的目标检测模型对所述待检测图像进行目标检测，获得目标检测结果；
6、其中，所述目标检测模型包括浅层卷积网络、池化网络、边缘特征提取模块和优化模块，所述浅层卷积网络通过卷积层提取目标的多尺度卷积特征向量，所述边缘特征提取模块提取目标的边缘特征向量，所述池化网络对所述多尺度卷积特征向量和所述边缘特征向量进行特征池化处理，所述优化模块通过每层卷积层的特征损失和目标检测模型的预测损失进行模型参数优化。
7、第二方面，本申请实施例还提供一种目标检测装置，所述装置包括：
8、图像获取单元，用于获取包含具有确定边缘的目标的待检测图像；
9、图像检测单元，用于利用训练好的目标检测模型对所述待检测图像进行目标检测，获得目标检测结果；
10、其中，所述目标检测模型包括浅层卷积网络、池化网络、边缘特征提取模块和优化模块，所述浅层卷积网络通过卷积层提取目标的多尺度卷积特征向量，所述边缘特征提取模块提取目标的边缘特征向量，所述池化网络对所述多尺度卷积特征向量和所述边缘特征向量进行特征池化处理，所述优化模块通过每层卷积层的特征损失和目标检测模型的预测损失进行模型参数优化。
11、第三方面，本申请实施例还提供一种电子设备，包括：
12、处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行目标检测方法。
13、第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行目标检测方法。
14、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
15、本申请实施例以浅层卷积层为主干网络设计目标检测模型，一方面通过浅层卷积网络提取目标的多尺度卷积特征向量，另一方通过边缘特征提取模块提取目标的边缘特征向量，使得池化网络能够以边缘特征向量为约束对多尺度卷积特征向量进行池化，以更加细腻的方式提取待检测图像中不同区域的特征，进而提高检测精度；此外，相比于现有技术仅利用模型的预测损失进行模型参数优化，本申请实施例还通过优化模块计算每层卷积层的特征损失，结合每层卷积层的特征损失和模型的预测损失对模型参数进行优化，进而提升模型收敛速度。
1.一种目标检测方法，其特征在于，所述目标检测方法包括：
2.根据权利要求1所述的目标检测方法，其特征在于，所述利用训练好的目标检测模型对所述待检测图像进行目标检测，包括：
3.根据权利要求2所述的目标检测方法，其特征在于，所述池化网络包括aspp网络，所述通过所述池化网络对所述多尺度卷积特征向量和所述边缘特征向量进行特征池化处理，包括：
4.根据权利要求3所述的目标检测方法，其特征在于，所述通过1×1卷积核和concat操作对所述多尺度卷积特征向量进行通道数量变换和卷积特征融合，获得融合卷积特征向量，包括：
5.根据权利要求1所述的目标检测方法，其特征在于，不同目标具有不同的目标检测模型，所述方法还包括：
6.根据权利要求1所述的目标检测方法，其特征在于，通过下述步骤训练目标检测模型：
7.根据权利要求6所述的目标检测方法，其特征在于，所述通过所述优化模块获取每层卷积层的特征损失，包括：
8.一种目标检测装置，其特征在于，所述目标检测装置包括：
9.一种电子设备，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行权利要求1～7任一项所述的目标检测方法。
