CN115294536B - 基于人工智能的违章检测方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供了一种基于人工智能的违章检测方法、装置、设备及存储介质，涉及人工智能领域，具体涉及图像处理、数字孪生以及虚拟现实技术，可应用在智慧城市、城市治理、公安应急场景下。具体实现方案为：将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；根据所述候选检测结果，确定所述候选图像是否为难例图像；采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型。通过上述技术方案，可以提高违章检测模型的检测精度。

Description

基于人工智能的违章检测方法、装置、设备及存储介质

技术领域

本公开涉及人工智能领域，具体涉及图像处理、数字孪生以及虚拟现实技术，可应用在智慧城市、城市治理、公安应急场景下。

背景技术

在智慧城市、城市治理、公安应急等复杂场景下，由于不同城市的街道场景不同，对违章行为的定义也不同，导致相同物体在不同场景图像中的标签不同，从而使得目标检测模型输出的不确定性增加，导致模型的泛化能力很差。在标注预算受限的情况下，如果模型的训练数据中简单数据比例较大，则模型很难泛化至复杂场景。因此，亟需一种有效的违章检测模型的训练方法。

发明内容

本公开提供了一种基于人工智能的违章检测方法、装置、设备及存储介质。

根据本公开的一方面，提供了一种违章检测模型的训练方法，该方法包括：

将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；

根据所述候选检测结果，确定所述候选图像是否为难例图像；

采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型。

根据本公开的另一方面，提供了一种基于人工智能的违章事件检测方法，该方法包括：

获取待检测图像；

将所述待检测图像输入至目标违章检测模型，得到目标检测结果；

其中，所述目标违章检测模型根据本公开任一实施例所述的违章检测模型的训练方法训练得到。

根据本公开的另一方面，提供了一种违章检测模型的训练装置，该装置包括：

候选检测结果确定模块，用于将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；

难例图像确定模块，用于根据所述候选检测结果，确定所述候选图像是否为难例图像；

目标检测模型确定模块，用于采用确定的难例图像，对所述违章检测模型进行训练，得到目标违章检测模型。

根据本公开的另一方面，提供了基于人工智能的违章事件检测装置，包括：

待检测图像获取模块，用于获取待检测图像；

目标检测结果确定模块，用于将所述待检测图像输入至目标违章检测模型，得到目标检测结果；

其中，所述目标违章检测模型根据本公开任一实施例所述的违章检测模型的训练方法训练得到。

根据本公开的另一方面，提供了一种电子设备，该电子设备包括：

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本公开任一实施例所述违章检测模型的训练方法或基于人工智能的违章事件检测方法。

根据本公开的另一方面，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，所述计算机指令用于使计算机执行本公开任一实施例所述的违章检测模型的训练方法或基于人工智能的违章事件检测方法。

根据本公开的另一方面，提供了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本公开任一实施例所述的违章检测模型的训练方法或基于人工智能的违章事件检测方法。

根据本公开的技术，能够提高违章检测模型的检测精度。

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是根据本公开实施例提供的一种违章检测模型的训练方法的流程图；

图2是根据本公开实施例提供的另一种违章检测模型的训练方法的流程图；

图3A是根据本公开实施例提供的又一种违章检测模型的训练方法的流程图；

图3B是根据本公开实施例提供的一种违章检测模型的训练过程的示意图；

图4是根据本公开实施例提供的一种基于人工智能的违章事件检测方法的流程图；

图5是根据本公开实施例提供的一种违章检测模型的训练装置的结构示意图；

图6是根据本公开实施例提供的一种基于人工智能的违章事件检测装置的结构示意图；

图7是用来实现本公开实施例的违章检测模型的训练方法或基于人工智能的违章事件检测方法的电子设备的框图。

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。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“样本”、“候选”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

此外，本公开的技术方案中，所涉及的候选图像等的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

图1是根据本公开实施例提供的一种违章检测模型的训练方法的流程图。本公开实施例适用于如何对违章检测模型进行训练的情况，尤其适用于在智慧城市、城市治理、公安应急场景等定制化场景中，如何对违章检测模型进行训练的情况。该方法可以由违章检测模型的训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载违章检测模型的训练功能的电子设备中，例如服务器中。如图1所示，本实施例的违章检测模型的训练方法可以包括：

S101，将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果。

本实施例中，候选图像是指可以用于进行违章检测的图像；可选的，可以是从城市摄像头采集的图像。进一步的，候选图像的数量可以是一张或多张。

违章检测模型是指用于进行违章检测的深度学习模型；可选的，违章检测模型可以包括特征提取网络和目标检测网络；其中，特征提取网络用于提取图像特征；目标检测网络用于基于所提取的图像特征进行目标物体检测。需要说明的是，特征提取网络和目标检测网络可以是卷积神经网络，本公开不作具体限定。

候选检测结果是指对候选图像中的物体的检测结果；可选的，候选检测结果可以包括物体的类别预测概率和/或预测位置信息。

具体的，可以将候选图像输入待训练的违章检测模型中，经过模型处理，得到候选图像的候选检测结果。

S102，根据候选检测结果，确定候选图像是否为难例图像。

本实施例中，难例图像是指物体识别率较低的图像，例如由于视觉区分度低造成的物体识别率低的图像。

具体的，可以基于一定的难例确定规则，根据候选检测结果，确定候选图像是否为难例图像。例如，若候选检测结果中的类别预测概率小于设定检测阈值，则确定候选图像为难例图像。又如，若候选检测结果中的类别预测概率小于设定检测阈值，且预测位置信息不符合预设标准，则确定候选图像为难例图像。

S103，采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型。

本实施例中，目标违章检测模型是指训练好的违章检测模型。

可选的，可以获取专业人士基于图像标注软件对确定的难例图像的标注结果，即难例图像的监督数据(比如类别标签、物体的候选框位置等)。之后可以对确定的难例图像进行预处理，使其满足违章检测模型的输入要求，例如，可以对确定的难例图像的尺寸信息进行处理，使其满足违章检测模型的图像输入尺寸要求。进而，将处理后的难例图像输入违章检测模型，对违章检测模型进行训练，直到达到迭代停止条件，停止对违章检测模型的训练，将停止训练时对应的违章检测模型，作为目标检测模型。其中，迭代停止条件可以是迭代次数达到设定次数，或者，训练损失达到预设范围。

进一步的，可以采用目标违章检测模型进行违章检测。

需要说明的是，在城市定制化违章检测场景中，由于不同城市的定制化需求不同(比如A城市的露天烧烤不违规，B城市违规)，会造成视觉特征相近的物体在不同的城市场景中的标注不同，对于纯基于视觉图片输入的卷积神经网络来说，这种标注冲突会造成模型监督信号的不一致，从而导致模型预测的不确定性增加。与之相对的则是各城市标准一致的场景，则模型的标注和监督信号也是统一的，经过充分训练的模型便能学到相关视觉特征，输出较低的不确定性。因此，可以通过对于模型不确定性的度量，即能较为准确的挖掘出因为城市定制标准或视觉区分度低等原因造成的难例图像。

本公开实施例提供的技术方案，通过将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果，之后根据候选检测结果，确定候选图像是否为难例图像，进而采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型。上述技术方案，相比于随机或者简单策略筛选图像以进行模型训练，造成大量简单数据组成训练集使得难例图像无法得到充分训练，影响模型检测效果的问题，本公开先基于违章检测模型来筛选难例图像，再基于筛选的难例图像对模型进行训练，可以使得难例图像得到充分训练，从而提高了模型的泛化能力和检测精度。

在上述实施例的基础上，作为本公开的一种可选方式，候选图像属于目标场景，待训练的违章检测模型与除目标场景之外的其他场景关联，目标违章检测模型与目标场景关联。

本实施例中，目标场景是指需要进行违章检测的场景。可选的，候选图像属于目标场景，即候选图像从目标场景中采集而来。目标违章检测模型与目标场景关联，即目标违章检测模型用于检测目标场景中的违章事件。

待训练的违章检测模型与除目标场景之外的其他场景关联，也即将其他场景关联的违章检测模型迁移至目标场景中，用于对候选图像进行检测，以及确定目标场景中的难例图像。

可以理解的是，采用其他场景中的违章检测模型，来对目标场景中的图像进行检测，以确定难例图像，可以提高难例图像的确定效率，从而为目标违章检测模型的确定奠定了基础。

图2是根据本公开实施例提供的另一种违章检测模型的训练方法的流程图。本实施例在上述实施例的基础上，对“根据候选检测结果，确定候选图像是否为难例图像”进一步优化，提高一种可选实施方案。如图2所示，本实施例的违章检测模型的训练方法可以包括：

S201，将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果。

本实施例中，违章检测模型包括第一检测网络和第二检测网络；第一检测网络和第二检测网络的网络结构相同。

S202，分别确定候选检测结果中的第一检测结果和第二检测结果。

本实施例中，第一检测结果通过违章检测模型中第一检测网络输出，第二检测结果通过违章检测模型中第二检测网络输出。其中，第一检测结果可以包括第一检测网络预测的物体的类别预测概率和/或预测位置信息；第二检测结果可以包括第二检测网络预测的物体的类别预测概率和/或预测位置信息。

具体的，可以分别确定候选检测结果中的第一检测结果和第二检测结果。

S203，根据第一检测结果和/或第二检测结果，确定候选图像是否为难例图像。

可选的，可以确定第一检测结果的熵或第二检测结果的熵，之后根据所确定的熵，来确定候选图像是否为难例图像。例如，可以确定第一检测结果中预测类别概率的熵或第二检测结果中预测类别概率的熵，若所确定熵大于设定阈值，则确定候选图像为难例图像。又如，可以确定第一检测结果中预测位置信息的熵或第二检测结果中预测位置信息的熵，若所确定熵大于设定阈值，则确定候选图像为难例图像。其中，设定阈值可以由本领域技术人员根据实际需求设定。

进一步的，还可以对第一检测结果的熵和第二检测结果的熵进行加权求和，根据求和后的结果，来确定候选图像是否为难例图像。例如可以确定第一检测结果中预测类别概率的熵和第二检测结果中预测类别概率的熵，将两个熵进行加权求和，若求和结果大于设定阈值，则确定候选图像为难例图像。又如，可以确定第一检测结果中预测位置信息的熵和第二检测结果中预测位置信息的熵，并将两个熵进行加权求和，若求和结果大于设定阈值，则确定候选图像为难例图像。

可选的，可以确定第一检测结果和第二检测结果之间的差异度，并根据差异度确定候选图像是否为难例图像。例如，可以确定第一检测结果的预测类别概率与第二检测结果的预测类别概率之间的差值的绝对值，将该差值绝对值作为第一检测结果和第二检测结果之间的差异度，若差异度大于设定差异度阈值，则确定候选图像为难例图像。

又如，可以确定第一检测结果的预测位置信息与第二检测结果的预测位置信息之间的差值的绝对值，将该差值绝对值作为第一检测结果和第二检测结果之间的差异度，若差异度大于设定差异度阈值，则确定候选图像为难例图像。

再如，还可以确定第一检测结果的预测类别概率与第二检测结果的预测类别概率值之间的差值绝对值，确定第一检测结果的预测位置信息与第二检测结果的预测位置信息之间的差值绝对值，之后将两个差值绝对值进行加权求和，将求和后的结果作为第一检测结果和第二检测结果之间的差异度，若差异度大于设定差异度阈值，则确定候选图像为难例图像。

S204，采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型。

本公开实施例提供的技术方案，通过将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果，之后分别确定候选检测结果中的第一检测结果和第二检测结果，进而确定第一检测结果和第二检测结果之间的差异度，并根据差异度确定候选图像是否为难例图像，最后采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型。上述技术方案，通过同构的两个检测网络输出结果的差异性，来确定难例图像，可以进一步准确的挖掘出难例图像，从而为违章检测模型的训练奠定基础。

在上述实施例的基础上，作为本公开的一种可选方式，采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型可以是，基于预设的难例图像在样本图像中的占比，从确定的难例图像和候选图像中选择样本图像；采用样本图像，对违章检测模型进行训练，得到目标违章检测模型。

具体的，可以基于预设的难例图像在样本图像中的占比，从确定的难例图像中选择适量的难例图像，从候选图像中选择适量的简单图像，来组成样本图像，之后采用样本图像，对违章检测模型进行训练，得到目标违章检测模型。

可以理解的是，通过选择合适比例的难例图像，来构成样本图像，可以保证简单图像和难例图像都可以得到充分训练，从而提高违章检测模型的泛化能力。

图3A是根据本公开实施例提供的又一种违章检测模型的训练方法的流程图；图3B是根据本公开实施例提供的一种违章检测模型的训练过程的示意图。本实施例在上述实施例的基础上，对“采用样本图像，对违章检测模型进行训练”进一步优化，提供一种可选实施方案。如图3A和图3B所示，本实施例的违章检测模型的训练方法可以包括：

S301，将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果。

S302，根据候选检测结果，确定候选图像是否为难例图像。

S303，基于预设的难例图像在样本图像中的占比，从确定的难例图像和候选图像中选择样本图像。

S304，将样本图像输入违章检测模型中的特征提取网络，得到样本图像特征。

具体的，可以将样本图像输入至违章检测模型中的特征提取网络，得到样本图像的样本图像特征。

S305，分别将样本图像特征输入违章检测模型中的第一检测网络和第二检测网络，得到样本图像的第三检测结果和第四检测结果。

本实施例中，第三检测结果是指在对违章检测模型训练过程中第一检测网络输出的检测结果。第四检测结果是指在对违章检测模型训练过程中第二检测网络输出的检测结果。

具体的，分别将样本图像特征输入至违章检测模型中的第一检测网络和第二检测网络，经过网络处理，得到样本图像的第三检测结果和第四检测结果。

S306，根据第三检测结果、第四检测结果和样本图像的监督数据，确定训练损失。

具体的，可以基于预设的损失函数，根据第三检测结果和样本图像的监督数据，确定第一损失；基于预设的损失函数，根据第四检测结果和样本图像的监督数据，确定第二损失；之后将第一损失和第二损失进行加权求和，得到训练损失。

S307，根据训练损失，对违章检测模型进行训练，得到目标检测模型。

具体的，采用训练损失，对违章检测模型进行训练，得到目标检测模型。

本公开实施例提供的技术方案，通过将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果，之后根据候选检测结果，确定候选图像是否为难例图像，进而基于预设的难例图像在样本图像中的占比，从确定的难例图像和候选图像中选择样本图像，最后，将样本图像输入违章检测模型中的特征提取网络，得到样本图像特征，分别将样本图像特征输入违章检测模型中的第一检测网络和第二检测网络，得到样本图像的第三检测结果和第四检测结果，根据第三检测结果、第四检测结果和样本图像的监督数据，确定训练损失，根据训练损失，对违章检测模型进行训练。上述技术方案，采用难例图像对违章检测模型进行训练，可以得到更加准确的目标违章检测模型。

在上述实施例的基础上，作为本公开的一种可选方式，根据第三检测结果、第四检测结果和样本图像的监督数据，确定训练损失可以是，根据第三检测结果和样本图像的监督数据，确定第一损失，以及根据第四检测结果和样本图像的监督数据，确定第二损失；根据第一损失和第二损失，确定监督损失；根据第三检测结果和第四检测结果，确定差异损失；根据监督损失和差异损失，确定训练损失。

具体的，可以基于预设的损失函数，根据第三检测结果和样本图像的监督数据，确定第一损失，以及根据第四检测结果和样本图像的监督数据，确定第二损失；对第一损失和第二损失进行加权求和，以得到监督损失。之后，可以确定第三检测结果与第四检测结果之间的差值绝对值，将该差值绝对值作为差异损失；进而可以根据监督损失和差异损失，确定训练损失，例如可以是对监督损失和差异损失进行加权求和，将求和结果作为训练损失；或者，可以为差异损失赋予一定的权重，将赋权重的差异损失和监督损失相加，得到训练损失。

可以理解的是，通过监督损失来保障模型受到正确的监督以学习到正确的东西，同时引入差异损失，可以差异化两个检测网络的输出，从而可以对模型进行充分训练，得到更加准确的目标违章检测模型。

图4是根据本公开实施例提供的一种基于人工智能的违章事件检测方法的流程图。本实施例适用于如何进行违章事件检测的情况，尤其适用于在智慧城市、城市治理、公安应急场景等定制化场景中，如何进行违章事件检测的情况。该方法可以由基于人工智能的违章事件检测装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载基于人工智能的违章事件检测功能的电子设备中，例如服务器中。如图4所示，本实施例的基于人工智能的违章事件检测方法可以包括：

S401，获取待检测图像。

本实施例中，待检测图像是指需要进行违章事件检测的图像。

具体的，可以基于城市中的图像采集设备，例如城市摄像头，来获取待检测图像。

S402，将待检测图像输入至目标违章检测模型，得到目标检测结果。

本实施例中，目标违章检测模型根据本公开中上述任一实施例所提供的违章检测模型的训练方法训练得到。

目标检测结果是指通过目标检测模型对待检测图像进行处理得到的检测结果。

具体的，可以将待检测图像输入至目标违章检测模型中，经过模型处理，得到待检测图像的目标检测结果。

本公开实施例提供的技术方案，通过获取待检测图像，之后将待检测图像输入至目标违章检测模型，得到目标检测结果。上述技术方案，通过目标违章检测模型来实现对待检测图像的违章事件的检测，可以提高违章事件的检测精度。

图5是根据本公开实施例提供的一种违章检测模型的训练装置的结构示意图。本公开实施例适用于如何对违章检测模型进行训练的情况，尤其适用于在智慧城市、城市治理、公安应急场景等定制化场景中，如何对违章检测模型进行训练的情况。该装置可以采用软件和/或硬件的方式实现，并可集成于承载违章检测模型的训练功能的电子设备中。如图5所示，本实施例的违章检测模型的训练装置500可以包括：

候选检测结果确定模块501，用于将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果；

难例图像确定模块502，用于根据候选检测结果，确定候选图像是否为难例图像；

目标检测模型确定模块503，用于采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型。

本公开实施例提供的技术方案，通过将候选图像输入待训练的违章检测模型，得到候选图像的候选检测结果，之后根据候选检测结果，确定候选图像是否为难例图像，进而采用确定的难例图像，对违章检测模型进行训练，得到目标违章检测模型。上述技术方案，相比于随机或者简单策略筛选图像以进行模型训练，造成大量简单数据组成训练集使得难例图像无法得到充分训练，影响模型检测效果的问题，本公开先基于违章检测模型来筛选难例图像，再基于筛选的难例图像对模型进行训练，可以使得难例图像得到充分训练，从而提高了模型的泛化能力和检测精度。

进一步地，难例图像确定模块502具体用于：

分别确定候选检测结果中的第一检测结果和第二检测结果；其中，第一检测结果通过违章检测模型中第一检测网络输出，第二检测结果通过违章检测模型中第二检测网络输出；第一检测网络和第二检测网络的网络结构相同；

根据第一检测结果和/或第二检测结果，确定候选图像是否为难例图像。

进一步地，目标检测模型确定模块503，包括：

样本图像确定单元，用于基于预设的难例图像在样本图像中的占比，从确定的难例图像和候选图像中选择样本图像；

目标检测模型确定单元，用于采用样本图像，对违章检测模型进行训练，得到目标违章检测模型。

进一步地，目标检测模型确定单元，包括：

样本图像特征确定子单元，用于将样本图像输入违章检测模型中的特征提取网络，得到样本图像特征；

检测结果确定子单元，用于分别将样本图像特征输入违章检测模型中的第一检测网络和第二检测网络，得到样本图像的第三检测结果和第四检测结果；

训练损失确定子单元，用于根据第三检测结果、第四检测结果和样本图像的监督数据，确定训练损失；

模型训练子单元，用于根据训练损失，对违章检测模型进行训练。

进一步地，训练损失确定子单元具体用于：

根据第三检测结果和样本图像的监督数据，确定第一损失，以及根据第四检测结果和样本图像的监督数据，确定第二损失；

根据第一损失和第二损失，确定监督损失；

根据第三检测结果和第四检测结果，确定差异损失；

根据监督损失和差异损失，确定训练损失。

进一步地，候选图像属于目标场景，待训练的违章检测模型与除目标场景之外的其他场景关联，目标违章检测模型与目标场景关联。

图6是根据本公开实施例提供的一种基于人工智能的违章事件检测装置的结构示意图。本实施例适用于如何进行违章事件检测的情况，尤其适用于在智慧城市、城市治理、公安应急场景等定制化场景中，如何进行违章事件检测的情况。该装置可以采用软件和/或硬件的方式实现，并可集成于承载基于人工智能的违章事件检测功能的电子设备中，例如服务器中。如图6所示，本实施例的基于人工智能的违章事件检测装置600可以包括：

待检测图像获取模块601，用于获取待检测图像；

目标检测结果确定模块602，用于将待检测图像输入至目标违章检测模型，得到目标检测结果；

其中，目标违章检测模型根据本公开任一实施例所述的违章检测模型的训练方法训练得到。

本公开实施例提供的技术方案，通过获取待检测图像，之后将待检测图像输入至目标违章检测模型，得到目标检测结果。上述技术方案，通过目标违章检测模型来实现对待检测图像的违章事件的检测，可以提高违章事件的检测精度。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7是用来实现本公开实施例的违章检测模型的训练方法或基于人工智能的违章事件检测方的电子设备的框图。图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理，例如违章检测模型的训练方法或基于人工智能的违章事件检测方法。例如，在一些实施例中，违章检测模型的训练方法或基于人工智能的违章事件检测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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的违章检测模型的训练方法或基于人工智能的违章事件检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行违章检测模型的训练方法或基于人工智能的违章事件检测方法。

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、现场可编程门阵列(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。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。

云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

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 (12)

1.一种违章检测模型的训练方法，包括：

将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；

根据所述候选检测结果，确定所述候选图像是否为难例图像；

从所确定的难例图像中确定样本图像，并将所述样本图像输入违章检测模型中的特征提取网络，得到样本图像特征；

分别将所述样本图像特征输入所述违章检测模型中的第一检测网络和第二检测网络，得到所述样本图像的第三检测结果和第四检测结果；

根据所述第三检测结果和所述样本图像的监督数据，确定第一损失，以及根据所述第四检测结果和所述样本图像的监督数据，确定第二损失；

根据所述第一损失和所述第二损失，确定监督损失；

根据所述第三检测结果和所述第四检测结果，确定差异损失；

根据所述监督损失和所述差异损失，确定训练损失；

根据所述训练损失，对所述违章检测模型进行训练，得到目标违章检测模型。

2.根据权利要求1所述的方法，其中，所述根据所述候选检测结果，确定所述候选图像是否为难例图像，包括：

分别确定候选检测结果中的第一检测结果和第二检测结果；其中，所述第一检测结果通过所述违章检测模型中第一检测网络输出，所述第二检测结果通过所述违章检测模型中第二检测网络输出；所述第一检测网络和所述第二检测网络的网络结构相同；

根据所述第一检测结果和/或所述第二检测结果，确定所述候选图像是否为难例图像。

3.根据权利要求1所述的方法，其中，从所述确定的难例图像中确定样本图像，包括：

基于预设的难例图像在样本图像中的占比，从确定的难例图像和所述候选图像中选择所述样本图像。

4.根据权利要求1所述的方法，其中，所述候选图像属于目标场景，待训练的违章检测模型与除所述目标场景之外的其他场景关联，所述目标违章检测模型与所述目标场景关联。

5.一种基于人工智能的违章事件检测方法，包括：

获取待检测图像；

将所述待检测图像输入至目标违章检测模型，得到目标检测结果；

其中，所述目标违章检测模型根据权利要求1-4中任一项所述的违章检测模型的训练方法训练得到。

6.一种违章检测模型的训练装置，包括：

候选检测结果确定模块，用于将候选图像输入待训练的违章检测模型，得到所述候选图像的候选检测结果；

难例图像确定模块，用于根据所述候选检测结果，确定所述候选图像是否为难例图像；

目标检测模型确定模块包括目标检测模型确定单元，所述目标检测模型确定单元包括：

样本图像特征确定子单元，用于从所确定的难例图像中确定样本图像，并将所述样本图像输入违章检测模型中的特征提取网络，得到样本图像特征；

检测结果确定子单元，用于分别将所述样本图像特征输入所述违章检测模型中的第一检测网络和第二检测网络，得到所述样本图像的第三检测结果和第四检测结果；

训练损失确定子单元，用于根据所述第三检测结果和所述样本图像的监督数据，确定第一损失，以及根据所述第四检测结果和所述样本图像的监督数据，确定第二损失；根据所述第一损失和所述第二损失，确定监督损失；根据所述第三检测结果和所述第四检测结果，确定差异损失；根据所述监督损失和所述差异损失，确定训练损失；

模型训练子单元，用于根据所述训练损失，对所述违章检测模型进行训练，得到目标违章检测模型。

7.根据权利要求6所述的装置，其中，所述难例图像确定模块具体用于：

分别确定候选检测结果中的第一检测结果和第二检测结果；其中，所述第一检测结果通过所述违章检测模型中第一检测网络输出，所述第二检测结果通过所述违章检测模型中第二检测网络输出；所述第一检测网络和所述第二检测网络的网络结构相同；

根据所述第一检测结果和/或所述第二检测结果，确定所述候选图像是否为难例图像。

8.根据权利要求6所述的装置，其中，所述目标检测模型确定模块，包括：

样本图像确定单元，用于基于预设的难例图像在样本图像中的占比，从确定的难例图像和所述候选图像中选择所述样本图像。

9.根据权利要求6所述的装置，其中，所述候选图像属于目标场景，待训练的违章检测模型与除所述目标场景之外的其他场景关联，所述目标违章检测模型与所述目标场景关联。

10.一种基于人工智能的违章事件检测装置，包括：

待检测图像获取模块，用于获取待检测图像；

目标检测结果确定模块，用于将所述待检测图像输入至目标违章检测模型，得到目标检测结果；

其中，所述目标违章检测模型根据权利要求1-4中任一项所述的违章检测模型的训练方法训练得到。

11. 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1-4中任一项所述的违章检测模型的训练方法，或权利要求5所述的基于人工智能的违章事件检测方法。

12.一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计算机执行根据权利要求1-4中任一项所述的违章检测模型的训练方法，或权利要求5所述的基于人工智能的违章事件检测方法。