CN114677653A - 模型训练方法、车辆关键点检测方法及相应的装置 - Google Patents
模型训练方法、车辆关键点检测方法及相应的装置 Download PDFInfo
- Publication number
- CN114677653A CN114677653A CN202210210883.3A CN202210210883A CN114677653A CN 114677653 A CN114677653 A CN 114677653A CN 202210210883 A CN202210210883 A CN 202210210883A CN 114677653 A CN114677653 A CN 114677653A
- Authority
- CN
- China
- Prior art keywords
- key point
- target
- thermodynamic diagram
- vehicle
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 238000012549 training Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 85
- 230000004044 response Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000014509 gene expression Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了模型训练方法、车辆关键点检测方法及相应的装置,涉及人工智能领域,尤其涉及计算机视觉、图像识别和深度学习领域,可应用于智慧城市和智能交通场景。具体技术方案包括:通过样本图像进行目标检测,得到样本图像中目标车辆的目标边界框;根据目标边界框和预先标注的目标车辆的关键点,生成第一关键点热力图;通过关键点检测模型对样本图像进行检测,得到第二关键点热力图;根据第一关键点热力图和第二关键点热力图,对关键点检测模型进行训练,直至关键点检测模型收敛。本公开的技术方案可提高关键点检测模型对真实车辆的自适应能力,提高关键点检测精度。
Description
技术领域
本公开涉及人工智能领域,尤其涉及计算机视觉、图像识别和深度学习领域,可应用于智慧城市和智能交通场景下,具体涉及一种模型训练方法、车辆关键点检测方法及相应的装置。
背景技术
车辆关键点检测技术在智能交通场景中具有重要的作用,真实的交通场景中涉及小汽车、卡车、巴士等不同类别的车辆,而目前车辆关键点检测的相关技术对车辆的类别不敏感,无法适应不同类别的目标。
发明内容
本公开提供了一种模型训练方法、车辆关键点检测方法及相应的装置。
根据本公开的第一方面,提供了一种模型训练方法,包括:
通过样本图像进行目标检测,得到样本图像中目标车辆的目标边界框;
根据目标边界框和预先标注的目标车辆的关键点,生成第一关键点热力图;
通过关键点检测模型对样本图像进行检测,得到第二关键点热力图;
根据第一关键点热力图和第二关键点热力图,对关键点检测模型进行训练,直至关键点检测模型收敛。
根据本公开的第二方面,提供了一种车辆关键点检测方法,包括:
获取待检测图像;
通过关键点检测模型对待检测图像中的车辆进行关键点检测;关键点检测模型是通过本公开任一实施例提供的模型训练方法预先训练出的。
根据本公开的第三方面,提供了一种模型训练装置,包括:
目标检测模块,用于通过样本图像进行目标检测,得到样本图像中目标车辆的目标边界框;
第一热力图生成模块,用于根据目标边界框和预先标注的目标车辆的关键点,生成第一关键点热力图;
第二热力图生成模块,用于通过关键点检测模型对样本图像进行检测,得到第二关键点热力图;
训练模块,用于根据第一关键点热力图和第二关键点热力图,对关键点检测模型进行训练,直至关键点检测模型收敛。
根据本公开的第四方面,提供了一种车辆关键点检测装置,包括:
图像获取模块,用于获取待检测图像;
关键点检测模块,用于通过关键点检测模型对待检测图像中的车辆进行关键点检测;关键点检测模型是通过本公开任一实施例提供的模型训练装置预先训练出的。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行本公开任一实施例提供的模型训练方法或车辆关键点检测方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开任一实施例提供的模型训练方法或车辆关键点检测方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现本公开任一实施例提供的模型训练方法或车辆关键点检测方法。
本公开的技术方案可至少实现如下有益效果:
本公开的技术方案可提高关键点检测模型对真实车辆的自适应能力,提高关键点检测精度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的一种模型训练方法的流程示意图;
图2是本公开实施例提供的一种车辆关键点检测方法的流程示意图;
图3是本公开实施例提供的一种模型训练装置的结构框架示意图;
图4是本公开实施例提供的一种车辆关键点检测装置的结构框架示意图;
图5是本公开实施例提供的一种电子设备的结构框架示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
在本公开实施例的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
应该进一步理解的是,本公开实施例中使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,本公开实施例使用的所有术语(包括技术术语和科学术语),具有与本公开所属领域中的普通技术人员的一般理解相同的意义。
本公开的发明人在研究中发现在相关技术中,车辆关键点检测的主要方法是基于高斯热力图的关键点检测方法,该类方法在训练阶段基于真值热力图和关键点检测模型输出的预测热力图进行训练,在测试阶段对预测热力图进行非极大值抑制得到最终的关键点坐标信息。然而,该方法在生成真值热力图时,针对不同尺度的目标采用相同的高斯方差值,导致不同尺度目标的关键点具有相同的响应区域,尺度较小的目标的响应区域反而较大,导致关键点检测对尺度不敏感,在某些尺度的检测中存在关键点定位不准,检测精度较低的问题。
下面以具体实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。
根据本公开的实施例,本公开提供了一种模型训练方法,可用于训练关键点检测模型,如图1所示,该方法包括:
S101,通过样本图像进行目标检测,得到样本图像中目标车辆的目标边界框;
S102,根据目标边界框和预先标注的目标车辆的关键点,生成第一关键点热力图;
S103,通过关键点检测模型对样本图像进行检测,得到第二关键点热力图;
S104,根据第一关键点热力图和第二关键点热力图,对关键点检测模型进行训练,直至关键点检测模型收敛。
本公开实施例提供的模型训练方法,可对真实图像中的目标车辆进行检测,基于检测到的目标边界框和预先标注的关键点可生成能够反映真实图像关键点信息的第一关键点热力图,基于该第一关键点热力图对关键点检测模型进行训练,可有效提高关键点检测模型对真实车辆的自适应能力,使关键点检测模型在面对不同类别的车辆时,能够适用于该类别车辆的特点精确地进行关键点检测。
需要说明的是,本公开图1中所示的各步骤的顺序仅作为示例,在实际应用中,可以调整各步骤的顺序,例如,步骤S103可以和步骤S101同步执行,也可以和步骤S102同步执行。
上述样本图像可以是预先采集的包含车辆的图像,样本图像的数量为多个,其具体数量可根据实际需求确定,多个样本图像可涉及不同类别、不同尺度的车辆,以提高训练出的关键点检测模型的适应范围。
上述目标车辆的关键点可以是预先对样本图像进行标注后得到的,预先标注的方式可以是人工标注,也可以是通过半监督学习的方式标注,可根据实际需求确定标注方式,本申请对此不作限定。
目标车辆的关键点可根据车辆的具体类别确定,大型车辆和小型车辆的关键点可以不同。对某一类别的目标车辆,其关键点可根据实际需求确定,例如,可以将目标车辆的以下位置点中的至少一个位置点作为关键点:车胎与地面的接地点(通常有4个接地点)、车辆中心点、车灯(前车灯和/或后车灯)边缘点、车牌(前车牌和/或后车牌)边缘点等。
上述目标检测可通过多种目标检测模型中的至少一种来实现,多个目标检测模型可以包括Faster R-CNN(快速区域卷积神经网络)、SSD(SingleShot MultiBox Detector,单阶段多框预测算法)和YOLO(You Only LookOnce,一种单阶段检测算法)等,还可包括其它模型,本公开对此不作限定。目标检测得到的一个目标边界框通常包含一个车辆。
可选的,在步骤S102中,根据目标边界框和预先标注的目标车辆的关键点,生成第一关键点热力图,包括:
根据目标边界框的真值确定目标边界框的高斯方差;根据预先标注的目标车辆的关键点的真值和高斯方差,在关键点对应的响应区域内确定多个点的响应值;根据响应值生成第一关键点热力图。
目标边界框的真值可有效反映目标车辆的尺度,基于目标边界框的真值确定相应的高斯方差、响应值,进而生成第一关键点热力图,可得到尺度自适应的高斯热力图,作为第一关键点热力图(或称真值热力图),进而可实现尺度自适应的模型训练。
可选的,根据目标边界框的真值确定目标边界框的高斯方差,包括:根据目标边界框的边长确定目标边界框的面积;根据目标边界框的面积、预设的基准面积以及预设的方差基准值确定目标边界框的高斯方差。
在一个示例中,目标边界框的真值和关键点的真值分别表示如下:
bbox=[x,y,w,h] 表达式(1)
keypoints=[x1,y1,x2,y2,x3,y3,x4,y4,x5,y5] 表达式(2)
在表达式(1)中,bbox为目标边界框的真值,x和y为目标边界框的角点坐标(在例如左上角点在样本图像中的坐标),w和h分别为目标边界框的宽和高(即目标边界框的边长)。在表达式(2)中,keypoints为关键点的真值,xi,yi为目标车辆的第i个关键点的坐标,i为1至5之间的任意整数。表达式(2)仅示出5个关键点坐标作为示例,在实际应用中,可根据实际标注出的关键点的数量确定表达式(2)中关键点坐标的数量。
根据上述目标边界框的宽和高,可通过如下方式确定目标边界框的面积:
S=wh 表达式(3)
进而,可通过如下方式确定目标边界框的高斯方差:
σ=r*σ0 表达式(5)
在表达式(3)至(5)中,S为目标边界框的面积,w和h分别为目标边界框的宽和高,S0为预设的基准面积,r为目标边界框的面积和该基准面积的比值,σ0为预设的方差基准值,σ为目标边界框的高斯方差。其中,基准面积S0和方差基准值σ0的具体数值可根据实际需求或经验值设置。
目标边界框的边长可直接反映目标车辆的尺度,进而可通过上述方式针对某一目标车辆的具体尺度,确定高斯方差,目标车辆的尺度越大,目标边界框的高斯方差越大,进而可基于具体尺度的高斯方差生成的尺度自适应的第一关键点热力图。
可选的,根据预先标注的目标车辆的关键点的真值和高斯方差,在关键点对应的响应区域内确定多个点的响应值,包括:将以关键点为中心的指定范围作为关键点对应的响应区域,根据该关键点的真值和目标边界框的高斯方差,在该响应区域内确定多个点的响应值。
可选的,在步骤S104中,根据第一关键点热力图和第二关键点热力图(或称预测热力图),对关键点检测模型进行训练,包括:
确定第一关键点热力图和第二关键点热力图之间的回归损失;根据回归损失调整关键点检测模型的参数。
第一关键点热力图是基于目标车辆的目标边界框生成,基于第一关键点热力图确定关键点检测模型输出的第二关键点热力图的回归损失,进而调整关键点检测模型的参数,可使关键点检测模型适应目标车辆的尺度。
在一种可选的实施方式中,本公开提供的模型训练方法还可包括:根据高斯方差确定距离参数;以关键点为中心,根据距离参数确定响应区域。
在一个示例,可将以目标车辆的第i个关键点为中心、以2*3σ为边长(即距离参数)的正方形范围(即指定范围)作为响应区域,在该响应区域内,对于一个给定点,其响应值可通过如下方式计算出:
在表达式(6)中,g为响应值,可表征给定的点与关键点距离,进而表征给定的点是关键点的概率;σ为目标边界框的高斯方差;u和v为响应区域内给定点的坐标;xi和yi为目标车辆的第i个关键点的坐标;其中,u和xi为同一方向上的坐标,v和yi为同一方向上的坐标。
上述示例以关键点为中心的正方形区域作为响应区域的示例进行说明,在实际使用中,响应区域还可以是以关键点为中心的其它形状的区域,例如圆形、六边形等,相应的,距离参数可以是圆形的半径、六边形的边长等,距离参数的具体数值可以结合高斯分布的特性以及响应区域的形状设置,在上述示例中是2*3σ,在其它示例中,还可以是其它数值,本公开对此不作限定。
基于尺度自适应的高斯方差确定响应区域的方式,可确定出尺度自适应的响应区域,例如当目标车辆的尺度较小时,确定出的响应区域也较小,可缩小关键点的选择范围,进而有利于得到尺度自适应的第一关键点热力图。
根据本公开的实施例,本公开还提供了一种车辆关键点检测方法,如图2所示,该方法包括:
S201,获取待检测图像;
S202,通过关键点检测模型对待检测图像中的车辆进行关键点检测。
上述步骤S202中使用的关键点检测模型,可以是由本公开任一实施例提供的模型训练方法训练出的关键点检测模型,该关键点检测模型可以是沙漏模型(Hour Glass),也可以是其它模型,本公开对此不作限定。
上述待检测图像可以由预先设置的图像采集装置获取得到,例如,可以采用摄像头对有车辆经过或停放的区域进行拍摄,得到至少一帧图像作为待检测图像,该图像可以是彩色图像,相应的,用于训练关键点检测模型的样本图像也可以是彩色图像。
本公开实施例提供的车辆关键点检测方法,在本公开任一实施例提供的模型训练方法训练出的关键点检测模型的基础上,可对不同类别、不尺度的车辆进行检测,提高了检测精度。
根据本公开的实施例,本公开还提供了一种模型训练装置,如图3所示,该装置包括:目标检测模块301、第一热力图生成模块302、第二热力图生成模块303和训练模块304。
目标检测模块301,用于通过样本图像进行目标检测,得到样本图像中目标车辆的目标边界框。
第一热力图生成模块302,用于根据目标边界框和预先标注的目标车辆的关键点,生成第一关键点热力图。
第二热力图生成模块303,用于通过关键点检测模型对样本图像进行检测,得到第二关键点热力图。
训练模块304,用于根据第一关键点热力图和第二关键点热力图,对关键点检测模型进行训练,直至关键点检测模型收敛。
在一种可选的实施方式中,第一热力图生成模块302包括:方差确定单元、响应值确定单元和热力图生成单元。
方差确定单元,用于根据目标边界框的真值确定目标边界框的高斯方差;响应值确定单元,用于根据预先标注的目标车辆的关键点的真值和高斯方差,在关键点对应的响应区域内确定多个点的响应值;热力图生成单元,用于根据响应值生成第一关键点热力图。
可选的,方差确定单元具体用于:根据目标边界框的边长确定目标边界框的面积;根据目标边界框的面积、预设的基准面积以及预设的方差基准值确定目标边界框的高斯方差。
在另一种可选的实施方式中,第一热力图生成模块302还可以包括:响应区域确定单元,其用于根据高斯方差确定距离参数,以关键点为中心,根据距离参数确定响应区域。
可选的,训练模块304具体用于:确定第一关键点热力图和第二关键点热力图之间的回归损失;根据回归损失调整关键点检测模型的参数。
本公开提供的各模型训练装置中的模块和单元的功能可以参照上述模型训练方法实施例中的对应描述,在此不再赘述。
需要说明的是,图3示出的各模块之间的连接关系仅作为示例,在实际应用中,可对各模块的连接关系进行调整,例如第一热力图生成模块、第二热力图生成模块均与训练模块连接,第一热力图生成模块和第二热力图生成模块之间可以不连接。
根据本公开的实施例,本公开还提供了一种车辆关键点检测装置,如图4所示,该装置包括:图像获取模块401和关键点检测模块402。
图像获取模块401,用于获取待检测图像。
关键点检测模块402,用于通过关键点检测模型对待检测图像中的车辆进行关键点检测;该关键点检测模型是通过本公开任一实施例提供的模型训练装置预先训练出的。
本公开提供的车辆关键点检测装置中的模块的功能可以参照上述模型训练方法实施例中的对应描述,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种非瞬时计算机可读存储介质和一种计算机程序产品。
本公开提供的电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行本公开任一实施例提供的模型训练方法或车辆关键点检测方法。
本公开提供的非瞬时计算机可读存储介质,存储有计算机指令,该计算机指令用于使计算机执行本公开任一实施例提供的模型训练方法或车辆关键点检测方法。
本公开提供的计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现本公开任一实施例提供的模型训练方法或车辆关键点检测方法。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理。例如,在一些实施例中,上述方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种模型训练方法,包括:
通过样本图像进行目标检测,得到所述样本图像中目标车辆的目标边界框;
根据所述目标边界框和预先标注的所述目标车辆的关键点,生成第一关键点热力图;
通过关键点检测模型对所述样本图像进行检测,得到第二关键点热力图;
根据所述第一关键点热力图和所述第二关键点热力图,对所述关键点检测模型进行训练,直至所述关键点检测模型收敛。
2.根据权利要求1所述的模型训练方法,其中,所述根据所述目标边界框和预先标注的所述目标车辆的关键点,生成第一关键点热力图,包括:
根据所述目标边界框的真值确定所述目标边界框的高斯方差;
根据预先标注的所述目标车辆的关键点的真值和所述高斯方差,在所述关键点对应的响应区域内确定多个点的响应值;
根据所述响应值生成第一关键点热力图。
3.根据权利要求2所述的模型训练方法,其中,所述根据所述目标边界框的真值确定所述目标边界框的高斯方差,包括:
根据所述目标边界框的边长确定所述目标边界框的面积;
根据所述目标边界框的面积、预设的基准面积以及预设的方差基准值确定所述目标边界框的高斯方差。
4.根据权利要求2或3所述的模型训练方法,还包括:
根据所述高斯方差确定距离参数;
以所述关键点为中心,根据所述距离参数确定所述响应区域。
5.根据权利要求1-3中任一项所述的模型训练方法,其中,所述根据所述第一关键点热力图和所述第二关键点热力图,对所述关键点检测模型进行训练,包括:
确定所述第一关键点热力图和所述第二关键点热力图之间的回归损失;
根据所述回归损失调整所述关键点检测模型的参数。
6.一种车辆关键点检测方法,包括:
获取待检测图像;
通过关键点检测模型对所述待检测图像中的车辆进行关键点检测;所述关键点检测模型是通过权利要求1-5中任一项所述的模型训练方法预先训练出的。
7.一种模型训练装置,包括:
目标检测模块,用于通过样本图像进行目标检测,得到所述样本图像中目标车辆的目标边界框;
第一热力图生成模块,用于根据所述目标边界框和预先标注的所述目标车辆的关键点,生成第一关键点热力图;
第二热力图生成模块,用于通过关键点检测模型对所述样本图像进行检测,得到第二关键点热力图;
训练模块,用于根据所述第一关键点热力图和所述第二关键点热力图,对所述关键点检测模型进行训练,直至所述关键点检测模型收敛。
8.根据权利要求7所述的模型训练装置,其中,所述第一热力图生成模块,包括:
方差确定单元,用于根据所述目标边界框的真值确定所述目标边界框的高斯方差;
响应值确定单元,用于根据预先标注的所述目标车辆的关键点的真值和所述高斯方差,在所述关键点对应的响应区域内确定多个点的响应值;
热力图生成单元,用于根据所述响应值生成第一关键点热力图。
9.根据权利要求8所述的模型训练装置,其中,所述方差确定单元具体用于:
根据所述目标边界框的边长确定所述目标边界框的面积;
根据所述目标边界框的面积、预设的基准面积以及预设的方差基准值确定所述目标边界框的高斯方差。
10.根据权利要求8或9所述的模型训练装置,所述第一热力图生成模块,还包括:
响应区域确定单元,用于根据所述高斯方差确定距离参数,以所述关键点为中心,根据所述距离参数确定所述响应区域。
11.根据权利要求7-9中任一项所述的模型训练装置,其中,所述训练模块具体用于:
确定所述第一关键点热力图和所述第二关键点热力图之间的回归损失;
根据所述回归损失调整所述关键点检测模型的参数。
12.一种车辆关键点检测装置,包括:
图像获取模块,用于获取待检测图像;
关键点检测模块,用于通过关键点检测模型对所述待检测图像中的车辆进行关键点检测;所述关键点检测模型是通过权利要求7-11中任一项所述的模型训练装置预先训练出的。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行:权利要求1-5中任一项所述的模型训练方法,或,权利要求6所述的车辆关键点检测方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行:权利要求1-5中任一项所述的模型训练方法,或,权利要求6所述的车辆关键点检测方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现:权利要求1-5中任一项所述的模型训练方法,或,权利要求6所述的车辆关键点检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210210883.3A CN114677653A (zh) | 2022-03-04 | 2022-03-04 | 模型训练方法、车辆关键点检测方法及相应的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210210883.3A CN114677653A (zh) | 2022-03-04 | 2022-03-04 | 模型训练方法、车辆关键点检测方法及相应的装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114677653A true CN114677653A (zh) | 2022-06-28 |
Family
ID=82071875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210210883.3A Pending CN114677653A (zh) | 2022-03-04 | 2022-03-04 | 模型训练方法、车辆关键点检测方法及相应的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677653A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861400A (zh) * | 2023-02-15 | 2023-03-28 | 北京百度网讯科技有限公司 | 目标对象检测方法、训练方法、装置以及电子设备 |
CN116486197A (zh) * | 2023-03-29 | 2023-07-25 | 北京百度网讯科技有限公司 | 图像检测模型的训练方法、图像检测方法和图像标注方法 |
-
2022
- 2022-03-04 CN CN202210210883.3A patent/CN114677653A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861400A (zh) * | 2023-02-15 | 2023-03-28 | 北京百度网讯科技有限公司 | 目标对象检测方法、训练方法、装置以及电子设备 |
CN115861400B (zh) * | 2023-02-15 | 2023-05-12 | 北京百度网讯科技有限公司 | 目标对象检测方法、训练方法、装置以及电子设备 |
CN116486197A (zh) * | 2023-03-29 | 2023-07-25 | 北京百度网讯科技有限公司 | 图像检测模型的训练方法、图像检测方法和图像标注方法 |
CN116486197B (zh) * | 2023-03-29 | 2024-03-19 | 北京百度网讯科技有限公司 | 图像检测模型的训练方法、图像检测方法和图像标注方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN114677653A (zh) | 模型训练方法、车辆关键点检测方法及相应的装置 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113688730A (zh) | 障碍物测距方法、装置、电子设备、存储介质及程序产品 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN113901998A (zh) | 模型的训练方法、装置、设备、存储介质以及检测方法 | |
EP4145408A1 (en) | Obstacle detection method and apparatus, autonomous vehicle, device and storage medium | |
CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
CN114511743A (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN115575931A (zh) | 标定方法、装置、电子设备及存储介质 | |
CN114973333A (zh) | 人物交互检测方法、装置、设备以及存储介质 | |
CN113902898A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113688920A (zh) | 模型训练及目标检测方法、装置、电子设备以及路侧设备 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113762397A (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN114049615B (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 | |
CN112507951B (zh) | 指示灯识别方法、装置、设备、路侧设备和云控平台 | |
CN112683216B (zh) | 用于生成车辆长度信息的方法、装置、路侧设备和云控平台 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN114004986A (zh) | 图像处理方法、检测模型的训练方法、装置、设备和介质 |
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 |