CN112766487A - 一种目标检测模型的更新方法及服务器 - Google Patents
一种目标检测模型的更新方法及服务器 Download PDFInfo
- Publication number
- CN112766487A CN112766487A CN202110021780.8A CN202110021780A CN112766487A CN 112766487 A CN112766487 A CN 112766487A CN 202110021780 A CN202110021780 A CN 202110021780A CN 112766487 A CN112766487 A CN 112766487A
- Authority
- CN
- China
- Prior art keywords
- detection model
- server
- camera
- radar
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种目标检测模型的更新方法及服务器,该方法和服务器能够解决现有技术中对原始目标检测模型进行更新时因需要重新对新的训练样本进行人工标注所引起的工作量较大的问题,从而提高目标检测模型的更新效率。其中,目标检测模型的更新方法包括:针对任一被检测目标,服务器从摄像机检测模型和雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型;服务器基于第一检测模型的检测结果以及被检测目标对第二检测模型进行更新,第二检测模型为摄像机检测模型与雷达检测模型中除第一检测模型以外的检测模型。
Description
技术领域
本发明涉及目标检测领域,尤其涉及一种目标检测模型的更新方法及服务器。
背景技术
目前,通常基于摄像机或者雷达装置来实现目标检测,但是无论是哪一种目标检测方式都需要预先采集特定场景下的大量数据并进行标注后对目标检测模型进行训练,然后将存储有已训练的目标检测模型的摄像机或雷达装置应用到特定场景中对出现的目标进行检测。一旦摄像机或雷达装置的应用场景发生变化,就需要重新采集数据并标注,以对存储的目标检测模型进行更新,工作量较大。
可见,现有技术中在对目标检测模型进行更新时,需要人工重新采集数据并标注,这个过程工作量较大,导致目标检测模型更新的效率较低。
发明内容
本发明提供了一种目标检测模型的更新方法及服务器,该方法和服务器能够解决现有技术中对原始目标检测模型进行更新时因需要重新对新的训练样本进行人工标注所引起的工作量较大的问题,从而提高目标检测模型的更新效率。
第一方面,本发明实施例提供了一种目标检测模型的更新方法,应用于服务器,该服务器存储有用于对摄像机所采集图像中的目标进行检测的摄像机检测模型以及用于对雷达装置所采集图像中的目标进行检测的雷达检测模型,所述方法包括:
针对任一被检测目标,所述服务器从所述摄像机检测模型和所述雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型;
所述服务器基于所述第一检测模型的检测结果以及所述被检测目标对第二检测模型进行更新,所述第二检测模型为所述摄像机检测模型与所述雷达检测模型中除所述第一检测模型以外的检测模型。
本发明实施例中,服务器中可以认为存储有能够对摄像机所采集的图像中的目标进行检测的摄像机检测模型,以及能够对雷达装置所采集图像中的目标进行检测的雷达检测模型,并且摄像机检测模型与雷达检测模型所采用的目标检测机制不相同。那么针对任一被检测目标而言,可以认为摄像机检测模型与雷达检测模型中存在第一检测模型对上述被检测目标的检测结果的置信度较高,即检测结果的准确度较高,而第二检测模型对上述被检测目标的检测结果置信度较低,即检测结果的准确度较低,那么可以利用第一检测模型的检测结果以及上述被检测目标对第二检测模型进行更新,从而提高第二检测模型目标检测的准确度。该方法将摄像机检测模型与雷达检测模型结合起来,将准确度较高的检测模型的检测结果作为“标签”对当前被检测目标进行自动标注,并将标注后的被检测目标作为训练样本用于对准确度较低的检测模型进行更新,从而提供了目标检测模型的更新效率。
可选的,针对任一被检测目标,所述服务器从所述摄像机检测模型和所述雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型,包括:
所述服务器利用所述摄像机检测模型与所述雷达检测模型分别对所述被检测目标进行目标检测,并分别获得检测结果以及所述检测结果对应的置信度;
所述服务器将所述摄像机检测模型和所述雷达检测模型中所对应置信度大的检测模型确定为第一检测模型。
本发明实施例中,针对任一被检测目标,服务器可以利用摄像机检测模型与雷达检测模型分别对上述被检测目标进行目标检测,并将检测结果的置信度较大的检测模型作为第一检测模型,以便于能够更为准确的确定上述被检测目标的实际类别。
可选的,所述服务器中保存了环境类型与第一检测模型的对应关系,针对任一被检测目标,所述服务器从所述摄像机检测模型和所述雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型包括:
所述服务器基于环境类型与第一检测模型的对应关系,以及所述被检测目标所处的环境类型,从所述摄像机检测模型和所述雷达检测模型中选择与所述环境类型相对应的第一检测模型。
本发明实施例中,服务器中可以认为保存了环境类型与第一检测模型的对应关系,即在不同的环境类型中,摄像机检测模型与雷达检测模型对于被检测目标的检测准确度是动态变化的。那么根据被检测目标所处的环境类型,就可以从摄像机检测模型与雷达检测模型中确定出哪一个检测模型作为第一检测模型,以便于能够更为准确的确定上述被检测目标的实际类别。
可选的,所述方法还包括:
若所述服务器确定所述摄像机检测模型与所述雷达检测模型对所述被检测目标的检测结果的置信度均不大于所述设定置信度,则所述服务器输出提示信息,所述提示信息用于提醒用户需人工确认所述被检测目标的类别;
所述服务器接收用户输入的所述被检测目标的类别,并将所述被检测目标的类别以及所述被检测目标分别用于对所述摄像机检测模型以及所述雷达检测模型进行更新。
本发明实施例中,若摄像机检测模型与雷达检测模型对于被检测目标的检测结果的置信度未超过设定的阈值,则表明摄像机检测模型与雷达检测模型均未能对该被检测目标实现较为准确的检测。此时用户可以在服务器的提示下输入该被检测目标的类别,并将该被检测目标的类别以及被检测目标分别用于对摄像机检测模型与雷达检测模型进行更新,从而提高上述两个检测模型的检测准确度。
第二方面,本发明实施例提供了一种服务器,该服务器存储有用于对摄像机所采集图像中的目标进行检测的摄像机检测模型以及用于对雷达装置所采集图像中的目标进行检测的雷达检测模型,所述服务器包括:
确定单元,针对任一被检测目标,用于从所述摄像机检测模型和所述雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型;
更新单元,用于基于所述第一检测模型的检测结果以及所述被检测目标对第二检测模型进行更新,所述第二检测模型为所述摄像机检测模型与所述雷达检测模型中除所述第一检测模型以外的检测模型。
可选的,所述确定单元具体用于:
利用所述摄像机检测模型与所述雷达检测模型分别对所述被检测目标进行目标检测,并分别获得检测结果以及所述检测结果对应的置信度;
将所述摄像机检测模型和所述雷达检测模型中所对应置信度大的检测模型确定为第一检测模型。
可选的,所述服务器中保存了环境类型与第一检测模型的对应关系,所述确定单元具体用于:
基于环境类型与第一检测模型的对应关系,以及所述被检测目标所处的环境类型,从所述摄像机检测模型和所述雷达检测模型中选择与所述环境类型相对应的第一检测模型。
可选的,所述服务器还包括:
输出单元,用于确定所述摄像机检测模型与所述雷达检测模型对所述被检测目标的检测结果的置信度均不大于所述设定置信度,则所述服务器输出提示信息,所述提示信息用于提醒用户需人工确认所述被检测目标的类别;
所述更新单元还用于:接收用户输入的所述被检测目标的类别,并将所述被检测目标的类别以及所述被检测目标分别用于对所述摄像机检测模型以及所述雷达检测模型进行更新。
第三方面,本发明实施例提供一种服务器,所述服务器包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如第一方面实施例所述方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面实施例所述方法的步骤。
附图说明
图1为本发明实施例提供的一种目标检测系统的架构图;
图2为本发明实施例提供的一种目标检测模型的更新方法的流程示意图;
图3为本发明实施例提供的一种服务器的结构示意图;
图4为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
目前,基于摄像机或者雷达装置来实现目标检测是较为常用的方法,其基本思路都是采用离线训练与在线检测相结合的方式,即预先采集特定场景下的大量样本并进行标注后对目标检测模型进行训练,然后将训练完成后的目标检测模型用于该场景中,以达到较高的目标检测准确度。但是一旦应用场景变化,就需要再次重复上述步骤,即采集新的场景中的大量样本并进行标注后对原始目标检测模型进行更新。考虑到承载上述目标检测模型的装置的应用场景可能是多样化的,若每次应用于新的场景时都需要人工收集样本以及人工对样本进行标注,显然工作量较大,导致目标检测模型的更新效率较低。
鉴于此,本发明实施例提供了一种目标检测模型的更新方法,该方法通过将摄像机检测模型与雷达检测模型结合起来,将准确度较高的检测模型的检测结果作为“标签”对当前被检测目标进行自动标注,并将标注后的被检测目标作为训练样本用于对准确度较低的检测模型进行更新,从而提供了目标检测模型的更新效率。
为了便于理解,首先介绍本发明实施例的一种应用场景。请参见图1,为本发明实施例提供的一种目标检测系统的架构图。图1包括服务器101、摄像机102以及雷达装置103。服务器101分别与摄像机102以及雷达装置103连接,从而可以分别接收来自摄像机102以及雷达装置103在同一时刻采集的图像。应理解,摄像机102与雷达装置103的视域范围应设置为相同,或者被检测目标应来自摄像机102与雷达装置103的共同视域范围。并且摄像机102所采集的图像与雷达装置103所采集的图像中针对同一被检测目标建立有对应关系。也就是说,服务器101可以根据摄像机102所采集的图像中出现的被检测目标,以及上述对应关系,可以在雷达装置103所采集的图像中确定出同一被检测目标。同理,服务器101可以根据雷达装置103所采集的图像中出现的被检测目标,以及上述对应关系,可以在摄像机102所采集的图像中确定出同一被检测目标。另外,服务器101还可能与其他类型的服务器相连接,以获取在进行目标检测时所需要的信息,具体内容在后文中会重点介绍,此处不再赘述。
基于图1所示的目标检测系统的架构图,下面结合附图对本发明实施例提供的技术方案进行介绍。请参见图2,本发明实施例提供了一种目标检测模型的更新方法,该方法的流程描述如下:
步骤201:针对任一被检测目标,服务器101从摄像机检测模型和雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型。
本发明实施例中,服务器101中存储有能够对摄像机102所采集图像中的目标进行检测的摄像机检测模型,以及能够对雷达装置103所采集图像中的目标进行检测的雷达检测模型。例如,摄像机检测模型可以为YOLO系列的检测模型(YOLO V3或者YOLO V4)或者SSD模型,雷达检测模型可以为基于激光雷达的三维物体检测的混合体素网络(HVNet)。此处不对摄像机检测模型与雷达检测模型的具体类型进行特别限制。应理解,服务器101中现有的摄像机检测模型与雷达检测模型是基于原始应用场景中所采集的样本训练所获得的,因此可以认为现有的摄像机检测模型与雷达检测模型在原始应用场景中具有较高的检测准确度。
在上述摄像机102以及雷达装置103的安装位置发生变化时,即摄像机102与雷达装置103的应用场景发生变化,那么可以认为现有的摄像机检测模型与雷达检测模型针对新的场景中出现的被检测目标的检测准确度均会受到影响。
同时考虑到由于摄像机检测模型与雷达检测模型各自在进行目标检测时所采用的检测机制不相同,例如,摄像机检测模型是基于摄像机102所采集图像中的被检测目标的外观特征进行检测的,而对于雷达检测模型而言,经雷达装置103所采集的图像中被检测目标是以“点云”的方式呈现,即同一被检测目标由相邻的多个点构成,因此,雷达检测模型在进行目标检测时是以被检测目标的距离、角度、速度、信号强度(反映被检测目标大小、材质以及外形结构等),聚类下点数量(反映被检测目标的大小)以及聚类下点的速度方差(反映构成被检测目标的各个点的速度)。因此可以认为摄像机检测模型与雷达检测模型在应用到新的场景后,各自检测准确度受到影响的程度是不相同的。
例如,若新的场景中光照充足,那么当被检测目标数量较多且较为密集时,摄像机检测模型仍然能够保持较高的检测准确度,而雷达检测模型的检测准确度则会变得较低;或者,若在新的场景中光照较弱,那么雷达检测模型可以对被检测目标保持较高的检测准确度,而摄像机检测模型对被检测目标的检测准确度则会变得较低。
考虑到摄像机检测模型与雷达检测模型在应用到新的场景后,各自具有因自身特有的检测机制所带来的检测准确度的优势,那么本发明实施例中,可以充分利用摄像机检测模型与雷达检测模型各自的优势,从而对对方的劣势进行弥补。也就是说,利用检测准确度较高的检测模型辅助检测准确度较低的模型完成应用场景变化后的检测模型更新。那么首先需要确定在新的应用场景中哪一个检测模型的检测准确度更高。
作为一种可能的实施方式,针对新场景中任一被检测目标而言,服务器101可以从摄像机检测模型和雷达检测模型中确定出检测结果的置信度高于设定阈值的第一检测模型。
例如,设定的阈值为90%,那么只要摄像机检测模型与雷达检测模型中任一检测模型对于被检测目标的检测结果的置信度超过了90%,就可以将该检测模型确定为第一检测模型。下面针对如何确定第一检测模型进行具体介绍。
第一种情况,考虑到新的场景中可能出现各种不同类型的被检测目标,且不同类型的被检测目标的状态也是各不相同,那么无法预知针对不同的被检测目标,哪个检测模型的检测准确度更高。因此本发明实施例中,服务器101可以利用摄像机检测模型与雷达检测模型同时对同一被检测目标进行目标检测,并分别获得检测结果以及检测结果所对应的置信度。在此基础上,服务器就可以将摄像机检测模型与雷达检测模型中所对应的置信度大的检测模型作为第一检测模型。
例如,服务器101在利用摄像机检测模型与雷达检测模型对第一被检测目标进行目标检测后,确定摄像机检测模型判断第一被检测目标为“自行车”的置信度为95%,而雷达检测模型判断第一被检测目标为“自行车”的置信度75%,显然摄像机检测模型对应的置信度高于雷达检测模型对应的置信度,那么就可以将摄像机检测模型作为第一检测模型。
第二种情况,考虑到无论新的场景中出现何种类型的待检测目标,待检测目标的检测准确度受到新的场景中环境因素的影响更大,例如,环境因素包括光照强度、天气类型等。因此本发明实施例中,可以认为服务器中预先保存了环境类型与第一检测模型的对应关系,即在不同的环境类型下,分别将摄像机检测模型与雷达检测模型中检测准确度较高的检测模型作为第一检测模型。那么在实际检测过程中,就可以根据上述环境类型与第一检测模型的对应关系,以及待检测目标所处环境类型,从摄像机检测模型与雷达检测模型中确定出与当前环境类型相对应的第一检测模型。例如,服务器101可以从其他类型的服务器获取气象信息从而确定待检测目标所处环境的类型(晴天、雨天或者下雪等),又或者,服务器101可以根据待检测目标的定位判断出该待检测目标所处的环境类型(室内或者室外)。此处不进行特别限制。
例如,通常摄像机检测模型受环境中光照因素影响较大,而雷达检测模型受环境中光照因素影响较小,且在光照适宜的情况下,摄像机检测模型的检测准确度高于雷达检测模型的检测准确度。因此可以在光照较为适宜时,可以将摄像机检测模型作为第一检测模型;在光照较弱时,可以将雷达检测模型作为第一检测模型。应理解,室内的光照强度变化更多取决于用户的使用习惯,而室外的光照变化更多取决于时间变化以及实时的气象参数,因此可以根据新的场景中的具体情况来设置环境类型与第一检测模型的对应关系,此处不作特别限制。
步骤202:服务器101基于第一检测模型的检测结果以及被检测目标对第二检测模型进行更新,第二检测模型为摄像机检测模型与雷达检测模型中除第一检测模型以外的检测模型。
本发明实施例中,在服务器101从摄像机检测模型与雷达检测模型中确定出哪一个是第一检测模型之后,那么另一个检测模型就被确定为第二检测模型。第二检测模型可以认为无法对当前的被检测目标进行较为准确的检测,也就是说,第二检测模型被作为当前需要进行更新的模型。那么为了快速对第二检测模型进行更新,可以将第一检测模型的检测结果作为“标签”对当前被检测目标进行自动标注,并将标注后的被检测目标作为训练样本用于对第二检测模型进行训练,以完成第二检测模型的更新。
作为一种可能的实施方式,服务器101可以基于第一检测模型的检测结果以及当前的被检测目标对第二检测模型进行更新。
应理解,服务器101可以将当前被检测目标作为训练样本,立刻对第二检测模型进行更新;或者,也可以对多个待检测目标进行累积,即对训练样本进行累积,当训练样本的数量超过预设阈值时,才对第二检测模型进行更新,此处不作特别限制。
在一些实施例中,可能出现摄像机检测模型与雷达检测模型对于当前被检测目标的检测结果的置信度均较低的情况,此时则表明摄像机检测模型与雷达检测模型均无法对当前被检测目标实现较为准确的检测,那么该被检测目标应该分别作为用于更新摄像机检测模型与雷达检测模型的训练样本,从而提高摄像机检测模型与雷达检测模型各自的检测准确度。
作为一种可能的实施方式,当服务器101确定摄像机检测模型与雷达检测模型对当前被检测目标的检测结果的置信度均不大于设定置信度时,服务器101可以输出提示信息,该提示信息用于提醒用户需要人工确定当前被检测目标的类别。用户根据服务器101的提示信息为当前被检测目标输入类别信息后,服务器101就可以将当前被检测目标的类别以及当前被检测目标各自作为摄像机检测模型与雷达检测模型的训练样本,以实现摄像机检测模型与雷达检测模型的更新。
请参见图3,基于同一发明构思,本发明实施例提供了一种服务器,该服务器存储有用于对摄像机所采集图像中的目标进行检测的摄像机检测模型以及用于对雷达装置所采集图像中的目标进行检测的雷达检测模型,该服务器包括:确定单元301与更新单元302。
确定单元301,针对任一被检测目标,用于从摄像机检测模型和雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型;
更新单元302,用于基于第一检测模型的检测结果以及被检测目标对第二检测模型进行更新,第二检测模型为摄像机检测模型与雷达检测模型中除第一检测模型以外的检测模型。
可选的,确定单元301具体用于:
利用摄像机检测模型与雷达检测模型分别对被检测目标进行目标检测,并分别获得检测结果以及检测结果对应的置信度;
将摄像机检测模型和雷达检测模型中所对应置信度大的检测模型确定为第一检测模型。
可选的,服务器中保存了环境类型与第一检测模型的对应关系,确定单元301具体用于:
基于环境类型与第一检测模型的对应关系,以及被检测目标所处的环境类型,从摄像机检测模型和雷达检测模型中选择与环境类型相对应的第一检测模型。
可选的,服务器还包括:
输出单元,用于确定摄像机检测模型与雷达检测模型对被检测目标的检测结果的置信度均不大于设定置信度,则输出提示信息,提示信息用于提醒用户需人工确认被检测目标的类别;
更新单元302还用于:接收用户输入的被检测目标的类别,并将被检测目标的类别以及被检测目标分别用于对摄像机检测模型以及雷达检测模型进行更新。
请参见图4,基于同一发明构思,本发明实施例提供了一种服务器,该服务器包括至少一个处理器401,处理器401用于执行存储器中存储的计算机程序,实现本发明实施例提供的如图2所示的目标检测模型的更新方法的步骤。
可选的,处理器401具体可以是中央处理器、特定ASIC,可以是一个或多个用于控制程序执行的集成电路。
可选的,该服务器还可以包括与至少一个处理器401连接的存储器402,存储器402可以包括ROM、RAM和磁盘存储器。存储器402用于存储处理器401运行时所需的数据,即存储有可被至少一个处理器401执行的指令,至少一个处理器401通过执行存储器402存储的指令,执行如图2所示的方法。其中,存储器402的数量为一个或多个。其中,存储器402在图4中一并示出,但需要知道的是存储器402不是必选的功能模块,因此在图4中以虚线示出。
其中,确定单元301与更新单元302所对应的实体设备均可以是前述的处理器401。该服务器可以用于执行图2所示的实施例提供的方法。因此关于该服务器中各功能模块所能够实现的功能,可参考图2所示的实施例中的相应描述,不多赘述。
本发明实施例还提供一种计算机存储介质,其中,计算机存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如图2所述的方法。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种目标检测模型的更新方法,其特征在于,应用于服务器,所述服务器存储有用于对摄像机所采集图像中的目标进行检测的摄像机检测模型以及用于对雷达装置所采集图像中的目标进行检测的雷达检测模型,所述方法包括:
针对任一被检测目标,所述服务器从所述摄像机检测模型和所述雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型;
所述服务器基于所述第一检测模型的检测结果以及所述被检测目标对第二检测模型进行更新,所述第二检测模型为所述摄像机检测模型与所述雷达检测模型中除所述第一检测模型以外的检测模型。
2.如权利要求1所述的方法,其特征在于,针对任一被检测目标,所述服务器从所述摄像机检测模型和所述雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型,包括:
所述服务器利用所述摄像机检测模型与所述雷达检测模型分别对所述被检测目标进行目标检测,并分别获得检测结果以及所述检测结果对应的置信度;
所述服务器将所述摄像机检测模型和所述雷达检测模型中所对应置信度大的检测模型确定为第一检测模型。
3.如权利要求1所述的方法,其特征在于,所述服务器中保存了环境类型与第一检测模型的对应关系,针对任一被检测目标,所述服务器从所述摄像机检测模型和所述雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型包括:
所述服务器基于环境类型与第一检测模型的对应关系,以及所述被检测目标所处的环境类型,从所述摄像机检测模型和所述雷达检测模型中选择与所述环境类型相对应的第一检测模型。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述服务器确定所述摄像机检测模型与所述雷达检测模型对所述被检测目标的检测结果的置信度均不大于所述设定置信度,则所述服务器输出提示信息,所述提示信息用于提醒用户需人工确认所述被检测目标的类别;
所述服务器接收用户输入的所述被检测目标的类别,并将所述被检测目标的类别以及所述被检测目标分别用于对所述摄像机检测模型以及所述雷达检测模型进行更新。
5.一种服务器,其特征在于,所述服务器存储有用于对摄像机所采集图像中的目标进行检测的摄像机检测模型以及用于对雷达装置所采集图像中的目标进行检测的雷达检测模型,所述服务器包括:
确定单元,针对任一被检测目标,用于从所述摄像机检测模型和所述雷达检测模型中确定检测结果的置信度大于设定置信度的第一检测模型;
更新单元,用于基于所述第一检测模型的检测结果以及所述被检测目标对第二检测模型进行更新,所述第二检测模型为所述摄像机检测模型与所述雷达检测模型中除所述第一检测模型以外的检测模型。
6.如权利要求5所述的服务器,其特征在于,所述确定单元具体用于:
利用所述摄像机检测模型与所述雷达检测模型分别对所述被检测目标进行目标检测,并分别获得检测结果以及所述检测结果对应的置信度;
将所述摄像机检测模型和所述雷达检测模型中所对应置信度大的检测模型确定为第一检测模型。
7.如权利要求5所述的服务器,其特征在于,所述服务器中保存了环境类型与第一检测模型的对应关系,所述确定单元具体用于:
基于环境类型与第一检测模型的对应关系,以及所述被检测目标所处的环境类型,从所述摄像机检测模型和所述雷达检测模型中选择与所述环境类型相对应的第一检测模型。
8.如权利要求5所述的服务器,其特征在于,所述服务器还包括:
输出单元,用于确定所述摄像机检测模型与所述雷达检测模型对所述被检测目标的检测结果的置信度均不大于所述设定置信度,则所述服务器输出提示信息,所述提示信息用于提醒用户需人工确认所述被检测目标的类别;
所述更新单元还用于:接收用户输入的所述被检测目标的类别,并将所述被检测目标的类别以及所述被检测目标分别用于对所述摄像机检测模型以及所述雷达检测模型进行更新。
9.一种服务器,其特征在于,所述服务器包括至少一个处理器以及与所述至少一个处理器连接的存储器,所述至少一个处理器用于执行存储器中存储的计算机程序时实现如权利要求1-4任一项所述方法的步骤。
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,所述计算机程序被处理器执行是实现如权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110021780.8A CN112766487A (zh) | 2021-01-08 | 2021-01-08 | 一种目标检测模型的更新方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110021780.8A CN112766487A (zh) | 2021-01-08 | 2021-01-08 | 一种目标检测模型的更新方法及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766487A true CN112766487A (zh) | 2021-05-07 |
Family
ID=75700931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110021780.8A Pending CN112766487A (zh) | 2021-01-08 | 2021-01-08 | 一种目标检测模型的更新方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766487A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838196A (zh) * | 2021-11-24 | 2021-12-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 点云数据的处理方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846336A (zh) * | 2018-05-31 | 2018-11-20 | 深圳市易成自动驾驶技术有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
AU2020101941A4 (en) * | 2020-08-22 | 2020-10-01 | Dr. Ashutosh Dixit | I-automobile: intelligent automobile with combination of camera, radar and radio frequency communication work together with sensor fusion. |
-
2021
- 2021-01-08 CN CN202110021780.8A patent/CN112766487A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846336A (zh) * | 2018-05-31 | 2018-11-20 | 深圳市易成自动驾驶技术有限公司 | 目标检测方法、装置及计算机可读存储介质 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
AU2020101941A4 (en) * | 2020-08-22 | 2020-10-01 | Dr. Ashutosh Dixit | I-automobile: intelligent automobile with combination of camera, radar and radio frequency communication work together with sensor fusion. |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838196A (zh) * | 2021-11-24 | 2021-12-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 点云数据的处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111780763B (zh) | 一种基于视觉地图的视觉定位方法、装置 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN108734120A (zh) | 标注图像的方法、装置、设备和计算机可读存储介质 | |
CN110869559A (zh) | 用于自动驾驶车辆中的集成的全局式与分布式学习的方法和系统 | |
US11972578B2 (en) | Method and system for object tracking using online training | |
CN110175519B (zh) | 一种变电站的分合标识仪表识别方法、装置与存储介质 | |
CN111882583B (zh) | 一种运动目标检测方法、装置、设备及介质 | |
CN111881908A (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
CN113112542A (zh) | 一种视觉定位方法、装置、电子设备及存储介质 | |
CN112991389A (zh) | 一种目标跟踪方法、装置及移动机器人 | |
CN114926726A (zh) | 基于多任务网络的无人船感知方法及相关设备 | |
CN112766487A (zh) | 一种目标检测模型的更新方法及服务器 | |
CN113895460B (zh) | 行人轨迹预测方法、装置及存储介质 | |
CN111126209A (zh) | 车道线检测方法及相关设备 | |
CN110659545A (zh) | 车辆识别模型的训练方法、车辆识别方法、装置和车辆 | |
CN112837384A (zh) | 车辆标记方法、装置和电子设备 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
CN116107591A (zh) | 基于corner cases的部署模型构建方法 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN113642642B (zh) | 控件识别方法及装置 | |
CN112179359B (zh) | 一种地图匹配方法、装置、电子设备和存储介质 | |
CN116433715A (zh) | 基于多传感器前融合结果的时序追踪方法、装置及介质 | |
CN116433712A (zh) | 基于多传感器时序感知结果前融合的融合追踪方法及装置 | |
CN113361524B (zh) | 图像处理方法及装置 | |
CN113030934B (zh) | 一种基于平均距离最近原理的车检雷达数据预处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |