CN114842441A - 模型性能的确定方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开涉及一种模型性能的确定方法、装置、电子设备及可读存储介质，该方法包括：获取目标车辆所在位置，根据目标车辆所在位置划分待检测图像中的多个关注区域，关注区域为待检测图像中包含不同实体的区域，利用多个关联模型对待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果，一个所述关注区域对应一个关联模型，根据第一检测结果确定多个关联模型的性能；根据目标车辆的位置及目标车辆的任务场景筛选出关注区域，然后利用对应的关联模型对筛选出的关注区域进行识别，得到识别结果，融合了目标车辆的位置和任务场景的识别结果能够更加精准的体现关联模型的真实性能。

Description

模型性能的确定方法、装置、电子设备及可读存储介质

技术领域

本公开涉及自动驾驶技术领域，尤其涉及一种模型性能的确定方法、装置、电子设备及可读存储介质。

背景技术

相关技术中，准确率是计算机视觉中衡量模型的黄金标准，深度学习模型广泛使用这种指标的一个原因是，它们在很大程度上是任务不可知的，用户通常力求检测结果的零错误或者尽量低的错误率。

但是在无人驾驶的车辆检测中，用准确率作为车辆检测模型的衡量指标存在一定的弊端，不管在什么任务或场景的情况下，该衡量指标对所有不正确的检测一视同仁，如在某些特定场景下，一些不重要区域的漏检或者错检对模型的功能使用毫无影响，但是却大大降低了模型的正确率，而虚高的正确率也会导致不重要区域的正确掩盖关键区域的漏检，从而导致对模型评测结果的不够精准。

发明内容

为克服相关技术中存在的问题，本公开提供一种模型性能的确定方法、装置、电子设备及可读存储介质。

根据本公开实施例的第一方面，提供一种模型性能的确定方法，包括获取目标车辆所在位置；根据所述目标车辆所在位置划分待检测图像中的多个关注区域；所述多个关注区域为所述待检测图像中包含不同实体的区域；利用多个关联模型对所述待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果；一个所述关注区域对应一个关联模型；根据所述多个第一检测结果分别确定多个所述关联模型的性能。

可选的，所述关注区域的调整方式包括：通过所述关注区域对应的关联模型对所述关注区域进行调整，得到多个所述调整后的关注区域。

可选的，所述获取目标车辆所在位置的步骤包括：根据相机和/或激光雷达获取所述待检测图像；根据所述待检测图像定位所述目标车辆的位置。

可选的，所述多个关注区域包括交通灯关注区域、道路标识关注区域、车辆/行人检测关注区域、障碍物关注区域、交通标牌关注区域和/或轨迹预测关注区域；所述根据所述目标车辆所在位置划分待检测图像中的多个关注区域的步骤包括：根据所述目标车辆所在位置定位所述交通灯关注区域、所述道路标识关注区域、所述车辆/行人检测关注区域、所述障碍物关注区域、所述交通标牌关注区域和/或所述轨迹预测关注区域的位置。

可选的，所述通过所述关注区域对应的关联模型对所述关注区域进行调整，得到多个所述调整后的关注区域的步骤包括：通过多个所述关注区域的对应的关联模型分别识别所述待检测图像，得到多个第二检测结果；所述多个第二检测结果包括所述待检测图像中多个所述关注区域的位置信息；根据所述多个第二检测结果对多个所述关注区域进行调整。

可选的，所述根据所述多个第一检测结果分别确定多个所述关联模型的性能的步骤包括：根据对应的第一检测结果确定所述关联模型的性能；所述对应的第一检测结果为所述关联模型对所述待检测图像中对应的所述关注区域进行目标检测得到的；所述对应的第一检测结果包括准确率和召回率。

根据本公开实施例的第二方面，提供一种模型性能的确定装置，包括：获取模块，被配置为获取目标车辆所在位置；处理模块，被配置为根据所述目标车辆所在位置划分所述待检测图像中的多个关注区域；所述多个关注区域为所述待检测图像中包含不同实体的区域；检测模块，被配置为利用多个关联模型对所述待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果；一个所述关注区域对应一个关联模型；所述处理模块，还被配置为根据所述多个第一检测结果分别确定多个所述关联模型的性能。

可选的，所述处理模块，还被配置为通过所述关注区域对应的关联模型对所述关注区域进行调整，得到多个所述调整后的关注区域。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述可执行指令实现前述的模型性能的确定方法的步骤。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现本公开第一方面所提供的模型性能的确定方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：能够获取目标车辆所在位置，根据目标车辆所在位置划分待检测图像中的多个关注区域，关注区域为待检测图像中包含不同实体的区域，利用多个关联模型对待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果，一个所述关注区域对应一个关联模型；根据目标车辆的位置及目标车辆的任务场景筛选出关注区域，然后利用对应的关联模型对筛选出的关注区域进行识别，得到识别结果，融合了目标车辆的位置和任务场景的识别结果能够更加精准的体现关联模型的真实性能。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本公开示例性实施例示出的计算机系统的结构示意图。

图2是本公开示例性实施例提供的目标车辆的行驶的场景示意图。

图3是本公开示例性实施例示出的一种模型性能的确定方法的流程图。

图4是本公开示例性实施例示出的一种模型性能的确定方法的流程框图。

图5是根据一示例性实施例示出的一种模型性能的确定装置的框图。

图6是根据一示例性实施例示出的一种用于模型性能的确定的装置的框图。

图7是根据一示例性实施例示出的一种用于模型性能的确定的装置的框图。

附图标记说明

120-终端；140-服务器；10-目标车辆；20-模型性能的确定装置；201-获取模块；202-处理模块；204-检测模块；800-装置；802-处理组件；804-存储器；806-电源组件；808-多媒体组件；810-音频组件；812- I/ O接口；814-传感器组件；816-通信组件。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

需要说明的是，本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

图1示出了本公开一个示例性实施例提供的计算机系统的结构示意图，该计算机系统包括终端120和服务器140。

终端120与服务器140之间通过有线或者无线网络相互连接。

终端120可以包括智能手机、笔记本电脑、台式电脑、平板电脑、智能音箱、智能机器人中的至少一种。

终端120包括显示器；显示器可以用于显示关联模型的检测结果。

终端120包括第一存储器和第一处理器。第一存储器中存储有第一程序；上述第一程序被第一处理器调用执行以实现本公开提供的模型性能的确定方法。第一存储器可以包括但不限于以下几种：随机存取存储器(Random Access Memory，RAM)、只读存储器 (ReadOnly Memory，ROM)、可编程只读存储器 (Programmable Read-Only Memory，PROM)、可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)、以及电可擦除只读存储器 (Electric Erasable Programmable Read-Only Memory，EEPROM)。

第一处理器可以是一个或者多个集成电路芯片组成。可选地，第一处理器可以是通用处理器，比如，中央处理器(Central Processing Unit，CPU)或者网络处理器(NetworkProcessor，NP)。示例性的，终端中的训练的关联模型可以是由终端训练得到的；或，由服务器训练得到，终端从服务器获取。

服务器140包括第二存储器和第二处理器。第二存储器中存储有第二程序，上述第二程序被第二处理器调用来实现本公开提供的模型性能的确定方法。可选地，第二存储器可以包括但不限于以下几种：RAM、ROM、PROM、EPROM、EEPROM。可选地，第二处理器可以是通用处理器，比如，CPU或者NP。

服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。

示例性的，请参阅图2，图2是本公开一个示例性实施例提供的目标车辆的行驶的场景示意图。在以草坪分隔的两条双向公路上，目标车辆10（自车）在右侧公路行驶，目标车辆10只需要识别右侧公路上的车辆，那么左侧车辆的识别对于目标车辆行驶是没有实际意义的，它可以在一定程度上反应车辆检测模型的性能，但实际上右侧车辆识别的准确率对目标车辆10行驶更有意义。即假设左侧有100辆车，右侧有100辆车，一个车辆检测模型对左侧有10辆漏检，右侧有5辆误检，另一个车辆检测模型左侧有20辆漏检，右侧有0辆误检，那么从整体来看第二个车辆检测模型的漏检率更高，但实际上第二个车辆检测模型的实际效果更好。在实际场景中，因为由于存在车道方向（车头和车尾对车辆识别影响）以及距离原因（左侧车辆较小，像素分辨率低），是很容易出现这样的结果的。

基于上述原因，本公开提供了一种模型性能的确定方法。图3是根据一示例性实施例示出的一种模型性能的确定方法的流程图，该方法由计算机设备来执行，例如，由图1所示的计算机系统中的终端或服务器来执行，图3所示的模型性能的确定方法包括以下步骤：

在步骤S101中，获取目标车辆所在位置。

示例性的，如图2所示，目标车辆在双向公路上的右侧行驶时，可以通过相机和/或激光雷达等设备获取到行驶过程中目标车辆视角场景的实时图像，作为待检测图像。根据待检测图像结合一些车辆定位技术，定位到目标车辆所在位置；目标车辆为自身所在的车辆，或者可以称为自车。

在步骤S102中，根据目标车辆所在位置划分待检测图像中的多个关注区域。

示例性的，关注区域为待检测图像中包含不同实体的区域，实体可以是待检测图像中车辆/行人、交通灯、道路标识、障碍物或交通标牌等，如关注区域可以包括交通灯关注区域、道路标识关注区域、车辆/行人检测关注区域、障碍物关注区域、交通标牌关注区域和/或轨迹预测关注区域。交通灯关注区域为对应的关联模型检测待检测图像中的交通灯需要关注的区域，或者可以称为待检测图像中的交通灯所在的区域；道路标识关注区域为对应的关联模型检测待检测图像中的道路标识需要关注的区域，或者可以称为待检测图像中的道路标识所在的区域；车辆/行人关注区域为对应的关联模型检测待检测图像中的车辆/行人需要关注的区域，或者可以称为待检测图像中的车辆/行人所在的区域；以此类推，障碍物关注区域、交通标牌关注区域分别对应为待检测图像中的障碍物所在的区域、待检测图像中的交通标牌所在的区域；需要说明的是，轨迹预测关注区域对应的关联模型为：根据待检测图像预测目标车辆的轨迹需要关注的区域，预测目标车辆的轨迹需要关注的区域包括道路标识关注区域、车辆/行人检测关注区域、障碍物关注区域和交通标牌关注区域。

在步骤S103中，利用多个关联模型对待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果。

对关注区域进行调整，旨在得到更加精准的关注区域，进而调整后的关注区域能够得到更加准确的第一检测结果。

在本实施例中，对应的关联模型对调整后的关注区域进行目标检测，进而得到检测结果，并记为第一检测结果。第一检测结果包括关联模型的准确率和召回率，如道路标识检测模型识别道路标识的准确率和召回率，交通灯检测模型识别交通灯的准确率和召回率等。

在步骤S104中，根据多个第一检测结果分别确定多个关联模型的性能。

根据第一检测结果分别确定多个关联模型的性能，示例性的，根据道路标识检测结果确定道路标识检测模型的性能；根据交通灯检测结果确定交通灯检测模型的性能；根据道路标识检测结果确定道路标识检测模型的性能；根据车辆/行人检测结果确定车辆/行人检测模型的性能；根据障碍物检测结果确定障碍物检测模型的性能；根据交通标牌检测结果确定交通标牌检测模型的性能；根据轨迹预测结果确定轨迹预测模型的性能。

本公开根据一示例性实施例示出另一种模型性能的确定方法。请参阅图4，图4是根据一示例性实施例示出的一种模型性能的确定方法的流程图，该方法由计算机设备来执行，例如，由图1所示的计算机系统中的终端或服务器来执行，图4所示的模型性能的确定方法与图3的内容一致，未描述之处可以参考图3的内容，图4所示的模型性能的确定方法包括以下步骤：

在步骤S201中，获取目标车辆所在位置。

示例性的，如图2所示，目标车辆在双向公路上的右侧行驶时，可以通过相机和/或激光雷达等设备获取到行驶过程中目标车辆视角场景的实时图像，作为待检测图像。然后从待检测图像提取出关键帧，关键帧为多帧图像中能代表目标车辆视角场景的图像帧；提取该关键帧的特征点，根据特征点定位目标车辆的位置；例如可以根据特征点定位待检测图像中车道线和拍照位置（拍摄待检测图像的位置），根据车道线和拍照位置确定目标车辆在待检测图像道路中的位置，检测出目标车辆相对车道线的关系之后，就有了目标车辆相对车道线的定位，就可以得出目标车辆在右侧道路的具体位置。

在步骤S202中，根据目标车辆所在位置划分待检测图像中的多个关注区域。

示例性的，关注区域为待检测图像中包含不同实体的区域，实体可以是待检测图像中车辆/行人、交通灯、道路标识、障碍物或交通标牌等，如关注区域可以包括交通灯关注区域、道路标识关注区域、车辆/行人检测关注区域、障碍物关注区域、交通标牌关注区域和/或轨迹预测关注区域。交通灯关注区域为对应的关联模型检测待检测图像中的交通灯需要关注的区域，或者可以称为待检测图像中的交通灯所在的区域；道路标识关注区域为对应的关联模型检测待检测图像中的道路标识需要关注的区域，或者可以称为待检测图像中的道路标识所在的区域；车辆/行人关注区域为对应的关联模型检测待检测图像中的车辆/行人需要关注的区域，或者可以称为待检测图像中的车辆/行人所在的区域；以此类推，障碍物关注区域、交通标牌关注区域分别对应为待检测图像中的障碍物所在的区域、待检测图像中的交通标牌所在的区域；需要说明的是，轨迹预测关注区域对应的关联模型为：根据待检测图像预测目标车辆的轨迹需要关注的区域，预测目标车辆的轨迹需要关注的区域包括道路标识关注区域、车辆/行人检测关注区域、障碍物关注区域和交通标牌关注区域。

在前述步骤中已经获取到了目标车辆所在位置，因此可以根据目标车辆所在位置去划分各个关注区域。如前述的右侧行驶的车辆，其任务是在右侧向前行驶，针对车辆检测模型来说，右侧的车辆所在的区域为其关注区域，已经定位出了目标车辆相对车道线的位置，针对交通灯检测模型来说，右侧车道上方的红绿灯为其关注区域。需要说明的是，结合目标车辆所在位置划分的关注区域是粗粒度的划分，需要在后续步骤里面进行调整，以使得关注区域的界限更加精确。

在步骤S203中，通过关注区域对应的关联模型对关注区域进行调整，得到多个调整后的关注区域。

需要说明的是，每个关注区域对应一个关联模型。如交通灯关注区域对应的关联模型为交通灯检测模型，如道路标识关注区域对应的关联模型为道路标识检测模型，车辆/行人检测关注区域对应的关联模型为车辆/行人检测模型，障碍物关注区域对应的关联模型为障碍物检测模型，交通标牌关注区域对应的关联模型为交通标牌检测模型，轨迹预测关注区域对应的关联模型为轨迹预测模型。

通过关注区域的对应的关联模型对关注区域进行调整的步骤包括：通过多个关注区域的对应的关联模型分别识别待检测图像，得到多个第二检测结果，其中，第二检测结果包括待检测图像的多个关注区域的位置信息，然后根据多个第二检测结果对多个关注区域进行调整。

例如通过交通灯检测模型识别待检测图像中的交通灯关注区域，记为第二交通灯关注区域，然后根据识别到的第二交通灯关注区域去调整交通灯关注区域；又例如可以通过道路标识检测模型识别待检测图像中的道路标识关注区域，记为第二道路标识关注区域，然后根据识别到的第二道路标识关注区域去调整道路标识关注区域；以此类推，对车辆/行人检测关注区域、障碍物关注区域、交通标牌关注区域和轨迹预测关注区域的调整方式也是如此，在此不再赘述。

在步骤S204中，利用多个关联模型对待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果。

在本实施例中，与步骤S203中不同的是，步骤S203是对应的关联模型对整个待检测图像进行检测，而本实施例是对应的关联模型仅对调整后的关注区域进行目标检测，进而得到检测结果，并记为第一检测结果。第一检测结果包括关联模型的准确率和召回率，如道路标识检测模型识别道路标识的准确率和召回率，交通灯检测模型识别交通灯的准确率和召回率等。

在步骤S205中，根据多个第一检测结果分别确定多个关联模型的性能。

根据第一检测结果分别确定多个关联模型的性能，示例性的，根据道路标识检测结果确定道路标识检测模型的性能；根据交通灯检测结果确定交通灯检测模型的性能；根据道路标识检测结果确定道路标识检测模型的性能；根据车辆/行人检测结果确定车辆/行人检测模型的性能；根据障碍物检测结果确定障碍物检测模型的性能；根据交通标牌检测结果确定交通标牌检测模型的性能；根据轨迹预测结果确定轨迹预测模型的性能。

相关技术中，是根据模型识别整个待检测图像的检测结果来衡量模型的性能的，实际上对待检测图像中的非必要区域的检测是不必要的，如前述的右侧行驶的车辆，此时对左侧的车辆进行识别就是非必要。本公开中根据目标车辆的位置及目标车辆的任务场景筛选出关注区域，如右侧行驶的车辆，其任务是在右侧道路向前行驶，针对车辆检测模型来说右侧的车辆为其关注区域，然后车辆检测模型对其关注区域进行识别，得到识别结果，根据该识别结果来确定该车辆检测模型的性能。

示例性的，可以参考图5，图5是根据一示例性实施例示出的另一种模型性能的确定方法的流程框图。图5中，首先进行自车定位，即获取目标车辆的位置，然后执行区域分解，即根据目标车辆的位置进行划分关注区域，具体可以如图划分为交通灯关注区域、道路标识关注区域、车辆/行人检测关注区域、障碍物关注区域、交通标牌关注区域和轨迹预测关注区域，这些关注区域对应的关联模型为交通灯关注模型、道路标识关注模型、车辆/行人检测关注模型、障碍物关注模型、交通标牌关注模型和轨迹预测模型，关联模型分别进行对应的关注区域的识别，得到交通灯检测结果、道路标识检测结果、车辆/行人检测检测结果、障碍物检测结果、交通标牌检测结果和轨迹预测结果，进而根据这些检测结果分别评估对应的模型的性能。

综上所述，本公开提供的模型性能的确定方法，包括获取目标车辆所在位置，根据目标车辆所在位置划分待检测图像中的多个关注区域，关注区域为待检测图像中包含不同实体的区域，利用多个关联模型对待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果，一个所述关注区域对应一个关联模型，根据第一检测结果确定多个关联模型的性能；根据目标车辆的位置及目标车辆的任务场景筛选出关注区域，然后利用对应的关联模型对筛选出的关注区域进行识别，得到识别结果，融合了目标车辆的位置和任务场景的识别结果能够更加精准的体现关联模型的真实性能。

图6是根据一示例性实施例示出的一种模型性能的确定装置框图。参照图6，该装置20包括获取模块201、处理模块202和检测模块204。

该获取模块201被配置为获取目标车辆所在位置；

该处理模块202被配置为根据所述目标车辆所在位置划分所述待检测图像中的多个关注区域；所述多个关注区域为所述待检测图像中包含不同实体的区域；

该检测模块204被配置为利用多个关联模型对所述待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果；一个所述关注区域对应一个关联模型；

该处理模块202还被配置为根据所述多个第一检测结果分别确定多个所述关联模型的性能。

可选的，该处理模块202还被配置为通过所述关注区域对应的关联模型对所述关注区域进行调整，得到多个所述调整后的关注区域。

可选的，所述获取模块，还被配置为根据相机和/或激光雷达获取所述待检测图像；根据所述待检测图像定位所述目标车辆的位置。

可选的，所述多个关注区域包括交通灯关注区域、道路标识关注区域、车辆/行人检测关注区域、障碍物关注区域、交通标牌关注区域和/或轨迹预测关注区域；

所述处理模块，还被配置为根据所述目标车辆所在位置定位所述交通灯关注区域、所述道路标识关注区域、所述车辆/行人检测关注区域、所述障碍物关注区域、所述交通标牌关注区域和/或所述轨迹预测关注区域的位置。

可选的，所述处理模块，还被配置为通过多个所述关注区域的对应的关联模型分别识别所述待检测图像，得到多个第二检测结果；所述多个第二检测结果包括所述待检测图像中多个所述关注区域的位置信息；

根据所述多个第二检测结果对多个所述关注区域进行调整。

可选的，所述处理模块，还被配置为根据对应的第一检测结果确定所述关联模型的性能；所述对应的第一检测结果为所述关联模型对所述待检测图像中对应的所述关注区域进行目标检测得到的；所述对应的第一检测结果包括准确率和召回率。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的模型性能的确定方法的步骤。

图7是根据一示例性实施例示出的一种用于模型性能的确定的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图7，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出（I/ O）接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述模型性能的确定方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风（MIC），当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/ O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的模型性能的确定方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述的模型性能的确定方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种模型性能的确定方法，其特征在于，包括：

获取目标车辆所在位置；

根据所述目标车辆所在位置划分待检测图像中的多个关注区域；所述多个关注区域为所述待检测图像中包含不同实体的区域；

利用多个关联模型对所述待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果；一个所述关注区域对应一个关联模型；

根据所述多个第一检测结果分别确定多个所述关联模型的性能。

2.根据权利要求1所述的方法，其特征在于，所述关注区域的调整方式包括：

通过所述关注区域对应的关联模型对所述关注区域进行调整，得到多个所述调整后的关注区域。

3.根据权利要求1所述的方法，其特征在于，所述获取目标车辆所在位置的步骤包括：

根据相机和/或激光雷达获取所述待检测图像；

根据所述待检测图像定位所述目标车辆的位置。

4.根据权利要求3所述的方法，其特征在于，所述多个关注区域包括交通灯关注区域、道路标识关注区域、车辆/行人检测关注区域、障碍物关注区域、交通标牌关注区域和/或轨迹预测关注区域；

所述根据所述目标车辆所在位置划分待检测图像中的多个关注区域的步骤包括：

根据所述目标车辆所在位置定位所述交通灯关注区域、所述道路标识关注区域、所述车辆/行人检测关注区域、所述障碍物关注区域、所述交通标牌关注区域和/或所述轨迹预测关注区域的位置。

5.根据权利要求2所述的方法，其特征在于，所述通过所述关注区域对应的关联模型对所述关注区域进行调整，得到多个所述调整后的关注区域的步骤包括：

通过多个所述关注区域的对应的关联模型分别识别所述待检测图像，得到多个第二检测结果；所述多个第二检测结果包括所述待检测图像中多个所述关注区域的位置信息；

根据所述多个第二检测结果对多个所述关注区域进行调整。

6.根据权利要求1所述的方法，其特征在于，

所述根据所述多个第一检测结果分别确定多个所述关联模型的性能的步骤包括：

根据对应的第一检测结果确定所述关联模型的性能；所述对应的第一检测结果为所述关联模型对所述待检测图像中对应的所述关注区域进行目标检测得到的；所述对应的第一检测结果包括准确率和召回率。

7.一种模型性能的确定装置，其特征在于，包括：

获取模块，被配置为获取目标车辆所在位置；

处理模块，被配置为根据所述目标车辆所在位置划分待检测图像中的多个关注区域；所述多个关注区域为所述待检测图像中包含不同实体的区域；

检测模块，被配置为利用多个关联模型对所述待检测图像中对应的、调整后的关注区域分别进行目标检测，得到多个第一检测结果；一个所述关注区域对应一个关联模型；

所述处理模块，还被配置为根据所述多个第一检测结果分别确定多个所述关联模型的性能。

8.根据权利要求7所述的装置，其特征在于，

所述处理模块，还被配置为通过所述关注区域对应的关联模型对所述关注区域进行调整，得到多个所述调整后的关注区域。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述可执行指令实现权利要求1-6中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指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1-6中任一项所述方法的步骤。

Images