CN116189132B - 道路信息的目标检测模型训练方法、目标检测方法及装置 - Google Patents

道路信息的目标检测模型训练方法、目标检测方法及装置 Download PDF

Info

Publication number
CN116189132B
CN116189132B CN202310436703.8A CN202310436703A CN116189132B CN 116189132 B CN116189132 B CN 116189132B CN 202310436703 A CN202310436703 A CN 202310436703A CN 116189132 B CN116189132 B CN 116189132B
Authority
CN
China
Prior art keywords
target
target detection
data
information
branch
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.)
Active
Application number
CN202310436703.8A
Other languages
English (en)
Other versions
CN116189132A (zh
Inventor
朱晓东
刘国清
郑伟
季思文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Youjia Innovation Technology Co ltd
Original Assignee
Shenzhen Youjia Innovation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Youjia Innovation Technology Co ltd filed Critical Shenzhen Youjia Innovation Technology Co ltd
Priority to CN202310436703.8A priority Critical patent/CN116189132B/zh
Publication of CN116189132A publication Critical patent/CN116189132A/zh
Application granted granted Critical
Publication of CN116189132B publication Critical patent/CN116189132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种道路信息的目标检测模型训练方法、目标检测方法及装置，其中目标检测模型训练方法包括：获取道路图像数据，并对道路图像数据的目标信息进行标注得到标注数据；分别对标注数据中的目标类别信息和目标特征点信息进行编码处理，得到第一编码数据和第二编码数据；将第一编码数据和第二编码数据输入至预设的目标检测框架进行训练，目标检测框架包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支；在训练过程中，分别基于第一编码数据和第二编码数据进行网络前传得到对应的损失值；根据所有的损失值进行反向传播迭代网络参数，得到目标检测模型。本发明能够有效提高道路信息的目标检测效率。

Description

道路信息的目标检测模型训练方法、目标检测方法及装置
技术领域
本发明涉及辅助驾驶技术领域，尤其是涉及一种道路信息的目标检测模型训练方法、目标检测方法及装置。
背景技术
自动驾驶的实现主要依靠各种传感器对车辆周围环境进行感知，通过目标检测，识别与跟踪等处理技术来评估危险性。其中目标检测技术是自动驾驶技术的基础，通过摄像头实时获取前方道路的图像数据，对图像上各种形形色色的目标进行类别及位置的初步判定，为后续车辆进行更精准的识别及控制提供信息。
现有的目标检测模型训练方法通常是将目标检测和特征点回归分为两个步骤，首先将各种道路目标送入检测框架中，获取类别及初步回归框的结果，再将需要进行特征点回归的目标从图像中截取出来，送入预先设计的较小的回归网络中进行特征点的定位。现有的道路信息的目标检测模型训练方法中回归任务为单独的网络，必须串行的执行检测网络和回归网络，导致硬件资源不能一直保持满负荷运行，造成目标检测的效率较低。
发明内容
本发明提供一种道路信息的目标检测模型训练方法、目标检测方法及装置，以解决现有的道路信息的目标检测模型训练方法中回归任务为单独的网络，必须串行的执行检测网络和回归网络，导致硬件资源不能一直保持满负荷运行，造成目标检测的效率较低的技术问题。
本发明的实施例提供了一种道路信息的目标检测模型训练方法，包括：
获取道路图像数据，并对所述道路图像数据的目标信息进行标注得到标注数据，所述目标信息包括目标类别、目标初始框和所述目标初始框对应的特征点信息；
分别对所述标注数据中的目标类别信息和目标特征点信息进行编码处理，得到第一编码数据和第二编码数据；
将所述第一编码数据和所述第二编码数据输入至预设的目标检测框架进行训练，所述目标检测框架包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支；
在训练过程中，分别基于所述第一编码数据和所述第二编码数据进行网络前传，得到对应的损失值；
根据所有的所述损失值进行反向传播迭代网络参数，在所述目标检测框架收敛时，得到目标检测模型。
进一步的，两个所述平行分支包括目标类别分支和目标类别得分分支，所述目标类别得分分支包括regression分支和object分支。
进一步的，分别基于所述第一编码数据和所述第二编码数据进行网络前传，得到对应的损失值，包括：
基于所述第一编码数据进行网络前传，得到目标类别的损失值、目标类别回归框的损失值和目标类别object得分的损失值；基于所述第二编码数据进行网络前传，得到目标object得分的损失值、目标回归框的损失值和目标接地点的损失值。
进一步的，目标检测框架的目标object通道为1，目标初始框通道为4，接地点通道为2。
进一步的，根据所有的所述损失值进行反向传播迭代网络参数，包括：
通过加权求和的方式累加所有的损失值，根据累加之后的损失值进行反向传播迭代网络参数。
进一步的，还包括：
在训练过程中，将所述目标检测框架的anchor初始值累加到对应的4倍anchor值作为真值进行损失函数的计算，在推理时取出人为累加的部分；
所述损失函数包括：
其中，x为最小绝对值误差。
本发明的一个实施例提供了一种道路信息的目标检测方法，包括：
利用上述的道路信息的目标检测模型训练方法训练得到目标检测模型；
将待检测道路图像输入至所述目标检测模型中，利用所述目标检测模型进行检测得到目标类别信息和特征点回归信息。
本发明的一个实施例提供了一种道路信息的目标检测模型训练装置，包括：
标注数据获取模块，用于获取道路图像数据，并对所述道路图像数据的目标信息进行标注得到标注数据，所述目标信息包括目标类别、目标初始框和所述目标初始框对应的特征点信息；
数据编码处理模块，用于分别对所述标注数据中的目标类别信息和目标特征点信息进行编码处理，得到第一编码数据和第二编码数据；
检测框架训练模块，用于将所述第一编码数据和所述第二编码数据输入至预设的目标检测框架进行训练，所述目标检测框架包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支；
损失值计算模块，用于在训练过程中，分别基于所述第一编码数据和所述第二编码数据进行网络前传，得到对应的损失值；
目标检测模型生成模块，用于根据所有的所述损失值进行反向传播迭代网络参数，在所述目标检测框架收敛时，得到目标检测模型。
本发明的一个实施例提供了一种计算机存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的道路信息的目标检测模型训练方法。
本发明实施例通过预设的目标检测框架进行训练，该目标检测框架通过改进后包括用于进行道路目标检测的两个平行分支和用于进行目标特征点定位的point分支，通过两个平行分值检测得到目标的类别，并通过point分支对目标特征点位置进行定位，通过一个目标检测框架实现对目标类别检测和关键点回归，无需设置单独的网络用于实现回归任务，从而能够使得硬件资源能够保持负荷运行，进而能够有效提高目标检测的效率。
进一步的，本发明实施例通过将目标类别检测和特征点回归融合为同一个检测网络，能够同时进行道路目标类别检测和目标特征点的学习，能够充分利用检测网络的优势进行特征点定位，从而能够有效提高目标特征点的回归精确度。
附图说明
图1是本发明实施例提供的道路信息的目标检测模型训练方法的流程示意图；
图2是本发明实施例提供的预设的目标检测框架的结构示意图；
图3是本发明实施例提供的目标检测效果示意图；
图4是本发明实施例提供的道路信息的目标检测方法的流程示意图；
图5是本发明实施例提供的道路信息的目标检测模型训练装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，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。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
请参阅图1，本发明的实施例提供了一种道路信息的目标检测模型训练方法，包括：
S1、获取道路图像数据，并对道路图像数据的目标信息进行标注得到标注数据，目标信息包括目标类别、目标初始框和目标初始框对应的特征点信息；
在本发明实施例中，可以通过设置在车身上的摄像装置获取道路图像数据。
S2、分别对标注数据中的目标类别信息和目标特征点信息进行编码处理，得到第一编码数据和第二编码数据；
在本发明实施例中，在进行编码处理之前，可以对标注数据进行数据增广预处理，包括图像裁剪、图像翻转、Mixup、Mosaic等。
在本发明实施例中，待检测的目标可以为车辆、车轮、行人、三角锥、标识牌和红绿灯等。目标特征点信息可以为目标接地点信息，例如车轮的接地点信息，行人的接地点信息。
在本发明实施例中，给定目标类别及标注框信息，目标特征点给定具体的位置信息，第一编码数据和第二编码数据分别作为数据层送入预设的目标检测框架中。
S3、将第一编码数据和第二编码数据输入至预设的目标检测框架进行训练，目标检测框架包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支；
在本发明实施例中，请参阅图2，可以采用改进后的YOLOv5作为目标检测框架。
在本发明实施例中，对原始YOLOv5检测框架进行改进包括：
首先使用1*1卷积将原本不同channel数的特征图先统一到256，使用两个平行分支进行道路目标检测，一支做为目标的类别分类，另外一支再拆分为regression分支和object分支；额外引入一支能够单独完成需要进行特征点回归的point分支，其中目标的object通道为1，目标的初始框通道为4，额外的接地点通道为2。
S4、在训练过程中，分别基于第一编码数据和第二编码数据进行网络前传，得到对应的损失值；
在本发明实施例中，网络的输出层为2层，在训练过程中，首先使用目标检测的数据层（即第一编码数据）进行一次网络前传，以获得目标类别的损失值、目标回归框的损失值和目标object得分的损失值；
然后再使用目标的数据层（第二编码数据）进行一次网络前传，以获得目标object得分的损失值、目标回归框的损失值和目标接地点的损失值。
S5、根据所有的损失值进行反向传播迭代网络参数，在目标检测框架收敛时，得到目标检测模型。
本发明实施例通过预设的目标检测框架进行训练，该目标检测框架通过改进后包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支，通过两个平行分值检测得到目标的类别，并通过point分支对目标特征点的位置进行定位，通过一个目标检测框架实现对目标类别检测和关键点回归，无需设置单独的网络用于实现回归任务，从而能够使得硬件资源能够保持负荷运行，进而能够有效提高目标检测的效率。
请参阅图3，为应用本发明实施例得到的目标检测模型进行检测的效果示意图。
在一个实施例中，两个平行分支包括目标类别分支和目标类别得分分支，目标类别得分分支包括regression分支和object分支。
在本发明实施例中，本发明实施例将regression分支和object分支进行拆分，通过regression分支获取目标的位置，通过object分支获取目标的得分，以判定当前的目标检测框是否为待测目标，能够有效提高道路信息的目标检测的效果。
在一个实施例中，分别基于第一编码数据和第二编码数据进行网络前传，得到对应的损失值，包括：
基于第一编码数据进行网络前传，得到目标类别的损失值、目标类别回归框的损失值和目标类别object得分的损失值；基于第二编码数据进行网络前传，得到目标object得分的损失值、目标回归框的损失值和目标特征点的损失值。
在一个实施例中，根据所有的损失值进行反向传播迭代网络参数，包括：
通过加权求和的方式累加所有的损失值，根据累加之后的损失值进行反向传播迭代网络参数。
在一个实施例中，模型训练方法还包括：
在训练过程中，将目标检测框架的anchor初始值累加到对应的4倍anchor值作为真值进行损失函数的计算，在推理时取出人为累加的部分；
损失函数包括：
其中，x为最小绝对值误差。
实施本发明实施例，具有以下有益效果：
本发明实施例分别对标注数据中的目标类别信息和目标特征点信息进行编码处理后，将编码数据输入至预设的目标检测框架进行训练，目标检测框架包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支，并在训练过程中基于编码数据进行网络前传以得到对应的损失值，根据所有的损失值进行反向传播迭代网络参数，以得到最终的目标检测模型，使得训练得到的该目标检测模型能够实现目标类别检测和关键点回归，无需串行执行检测网络和回归网络进行目标检测，从而能够有效提高目标检测的效率。
请参阅图4，本发明的一个实施例提供了一种道路信息的目标检测方法，包括：
S10、利用上述的道路信息的目标检测模型训练方法训练得到目标检测模型；
S20、将待检测道路图像输入至目标检测模型中，利用目标检测模型进行检测得到目标类别信息和特征点回归信息。
实施本发明实施例，具有以下有益效果：
本发明实施例通过预设的目标检测框架进行训练，该目标检测框架通过改进后包括用于进行道路目标检测的两个平行分支和用于进行目标特征点定位的point分支，通过两个平行分值检测得到目标的类别，并通过point分支对目标特征点位置进行定位，通过一个目标检测框架实现对目标类别检测和关键点回归，无需设置单独的网络用于实现回归任务，从而能够使得硬件资源能够保持负荷运行，进而能够有效提高目标检测的效率。
进一步的，本发明实施例通过将目标类别检测和特征点回归融合为同一个检测网络，能够同时进行道路目标类别检测和目标特征点的学习，能够充分利用检测网络的优势进行特征点定位，从而能够有效提高目标特征点的回归精确度。
请参阅图5，基于与上述实施例相同的发明构思，本发明的一个实施例提供了一种道路信息的目标检测模型训练装置，包括：
标注数据获取模块10，用于获取道路图像数据，并对道路图像数据的目标信息进行标注得到标注数据，目标信息包括目标类别、目标初始框和目标初始框对应的特征点信息；
数据编码处理模块20，用于分别对标注数据中的目标类别信息和目标特征点信息进行编码处理，得到第一编码数据和第二编码数据；
检测框架训练模块30，用于将第一编码数据和第二编码数据输入至预设的目标检测框架进行训练，目标检测框架包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支；
损失值计算模块40，用于在训练过程中，分别基于第一编码数据和第二编码数据进行网络前传，得到对应的损失值；
目标检测模型生成模块50，用于根据所有的损失值进行反向传播迭代网络参数，在目标检测框架收敛时，得到目标检测模型。
在一个实施例中，两个平行分支包括目标类别分支和目标类别得分分支，目标类别得分分支包括regression分支和object分支。
在一个实施例中，损失值计算模块40还用于：
基于第一编码数据进行网络前传，得到目标类别的损失值、目标类别回归框的损失值和目标类别object得分的损失值；基于第二编码数据进行网络前传，得到目标object得分的损失值、目标回归框的损失值和目标特征点的损失值。
在一个实施例中，目标检测框架的目标object通道为1，目标初始框通道为4，接地点通道为2。
在一个实施例中，目标检测模型生成模块50还用于：
通过加权求和的方式累加所有的损失值，根据累加之后的损失值进行反向传播迭代网络参数。
在一个实施例中，损失值计算模块40还用于：
在训练过程中，将目标检测框架的anchor初始值累加到对应的4倍anchor值作为真值进行损失函数的计算，在推理时取出人为累加的部分；
损失函数包括：
其中，x为最小绝对值误差。
本发明的一个实施例提供了一种计算机存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如上述的道路信息的目标检测模型训练方法。
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种道路信息的目标检测模型训练方法，其特征在于，包括：
获取道路图像数据，并对所述道路图像数据的目标信息进行标注得到标注数据，所述目标信息包括目标类别、目标初始框和所述目标初始框对应的特征点信息；
分别对所述标注数据中的目标类别信息和目标特征点信息进行编码处理，得到第一编码数据和第二编码数据；
将所述第一编码数据和所述第二编码数据输入至预设的目标检测框架进行训练，所述目标检测框架包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支；两个所述平行分支包括目标类别分支和目标类别得分分支，所述目标类别得分分支包括regression分支和object分支；
在训练过程中，分别基于所述第一编码数据和所述第二编码数据进行网络前传，得到对应的损失值；所述分别基于所述第一编码数据和所述第二编码数据进行网络前传，得到对应的损失值，包括：基于所述第一编码数据进行网络前传，得到目标类别的损失值、目标类别回归框的损失值和目标类别object得分的损失值；基于所述第二编码数据进行网络前传，得到目标object得分的损失值、目标回归框的损失值和目标接地点的损失值；
根据所有的所述损失值进行反向传播迭代网络参数，在所述目标检测框架收敛时，得到目标检测模型。
2.如权利要求1所述的道路信息的目标检测模型训练方法，其特征在于，目标检测框架的目标object通道为1，目标初始框通道为4，接地点通道为2。
3.如权利要求1所述的道路信息的目标检测模型训练方法，其特征在于，根据所有的所述损失值进行反向传播迭代网络参数，包括：
通过加权求和的方式累加所有的损失值，根据累加之后的损失值进行反向传播迭代网络参数。
4.一种道路信息的目标检测方法，其特征在于，包括：
利用如权利要求1-3任意一项所述的道路信息的目标检测模型训练方法训练得到目标检测模型；
将待检测道路图像输入至所述目标检测模型中，利用所述目标检测模型进行检测得到目标类别信息和特征点回归信息。
5.一种道路信息的目标检测模型训练装置，其特征在于，包括：
标注数据获取模块，用于获取道路图像数据，并对所述道路图像数据的目标信息进行标注得到标注数据，所述目标信息包括目标类别、目标初始框和所述目标初始框对应的特征点信息；
数据编码处理模块，用于分别对所述标注数据中的目标类别信息和目标特征点信息进行编码处理，得到第一编码数据和第二编码数据；
检测框架训练模块，用于将所述第一编码数据和所述第二编码数据输入至预设的目标检测框架进行训练，所述目标检测框架包括用于进行道路目标检测的两个平行分支和用于进行特征点定位的point分支；两个所述平行分支包括目标类别分支和目标类别得分分支，所述目标类别得分分支包括regression分支和object分支；
损失值计算模块，用于在训练过程中，分别基于所述第一编码数据和所述第二编码数据进行网络前传，得到对应的损失值；具体用于：基于所述第一编码数据进行网络前传，得到目标类别的损失值、目标类别回归框的损失值和目标类别object得分的损失值；基于所述第二编码数据进行网络前传，得到目标object得分的损失值、目标回归框的损失值和目标接地点的损失值；
目标检测模型生成模块，用于根据所有的所述损失值进行反向传播迭代网络参数，在所述目标检测框架收敛时，得到目标检测模型。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项所述的道路信息的目标检测模型训练方法。
CN202310436703.8A 2023-04-23 2023-04-23 道路信息的目标检测模型训练方法、目标检测方法及装置 Active CN116189132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310436703.8A CN116189132B (zh) 2023-04-23 2023-04-23 道路信息的目标检测模型训练方法、目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310436703.8A CN116189132B (zh) 2023-04-23 2023-04-23 道路信息的目标检测模型训练方法、目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN116189132A CN116189132A (zh) 2023-05-30
CN116189132B true CN116189132B (zh) 2023-09-29

Family

ID=86450883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310436703.8A Active CN116189132B (zh) 2023-04-23 2023-04-23 道路信息的目标检测模型训练方法、目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN116189132B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613434A (zh) * 2020-12-28 2021-04-06 南京佑驾科技有限公司 道路目标检测方法、装置及存储介质
CN112926584A (zh) * 2021-05-11 2021-06-08 武汉珈鹰智能科技有限公司 裂缝检测方法、装置、计算机设备及存储介质
CN113449538A (zh) * 2020-03-24 2021-09-28 顺丰科技有限公司 视觉模型的训练方法、装置、设备及存储介质
CN113762003A (zh) * 2020-10-30 2021-12-07 北京京东乾石科技有限公司 一种目标对象的检测方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449538A (zh) * 2020-03-24 2021-09-28 顺丰科技有限公司 视觉模型的训练方法、装置、设备及存储介质
CN113762003A (zh) * 2020-10-30 2021-12-07 北京京东乾石科技有限公司 一种目标对象的检测方法、装置、设备和存储介质
CN112613434A (zh) * 2020-12-28 2021-04-06 南京佑驾科技有限公司 道路目标检测方法、装置及存储介质
CN112926584A (zh) * 2021-05-11 2021-06-08 武汉珈鹰智能科技有限公司 裂缝检测方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Bartosz Wójcik et al..Hard hat wearing detection based on head keypoint localization.《arXiv:2106.10944v2》.2022,第1-17页. *

Also Published As

Publication number Publication date
CN116189132A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN112464910A (zh) 一种基于YOLO v4-tiny的交通标志识别方法
CN113723377B (zh) 一种基于ld-ssd网络的交通标志检测方法
CN113762209A (zh) 一种基于yolo的多尺度并行特征融合路标检测方法
Ren et al. Environment influences on uncertainty of object detection for automated driving systems
CN116597413A (zh) 一种基于改进的YOLOv5的实时交通标志检测方法
CN114037834B (zh) 一种基于振动信号和rgb图像融合的语义分割方法及装置
CN115797808A (zh) 一种无人机巡检缺陷图像的识别方法、系统、装置及介质
CN115393818A (zh) 驾驶场景识别方法、装置、计算机设备和存储介质
CN116189132B (zh) 道路信息的目标检测模型训练方法、目标检测方法及装置
CN117115616A (zh) 一种基于卷积神经网络的实时低照度图像目标检测方法
CN116452802A (zh) 车损检测方法、装置、设备及存储介质
CN115953744A (zh) 一种基于深度学习的车辆识别追踪方法
CN114882469A (zh) 一种基于dl-ssd模型的交通标志检测方法及系统
CN113947774A (zh) 一种轻量级的车辆目标检测系统
CN113239865A (zh) 基于深度学习的车道线检测方法
CN111582221A (zh) 车道线识别方法、装置和设备
CN114882449B (zh) 一种基于Car-Det网络模型的车辆检测方法及装置
CN115273013B (zh) 车道线检测方法、系统、计算机及可读存储介质
CN114299486B (zh) 嵌入式端实时高效的车牌识别方法、设备及介质
CN116645289A (zh) 图像中雨滴去除的方法、装置、存储介质及电子设备
CN117274175A (zh) 基于改进神经网络模型的绝缘子缺陷检测方法及存储介质
CN117218109A (zh) 车辆侧向拼接图像完整度检测方法、系统、设备和介质
CN113221887A (zh) 一种车牌识别方法及装置
CN118279190A (zh) 基于大气散射模型的带雾图像目标检测方法及系统
CN117275093A (zh) 一种地铁司机驾驶动作检测方法及系统

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
CB02 Change of applicant information

Address after: Floor 25, Block A, Zhongzhou Binhai Commercial Center Phase II, No. 9285, Binhe Boulevard, Shangsha Community, Shatou Street, Futian District, Shenzhen, Guangdong 518000

Applicant after: Shenzhen Youjia Innovation Technology Co.,Ltd.

Address before: 518051 401, building 1, Shenzhen new generation industrial park, No. 136, Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong Province

Applicant before: SHENZHEN MINIEYE INNOVATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant