CN116503695B - 目标检测模型的训练方法、目标检测方法及设备 - Google Patents

目标检测模型的训练方法、目标检测方法及设备 Download PDF

Info

Publication number
CN116503695B
CN116503695B CN202310776996.4A CN202310776996A CN116503695B CN 116503695 B CN116503695 B CN 116503695B CN 202310776996 A CN202310776996 A CN 202310776996A CN 116503695 B CN116503695 B CN 116503695B
Authority
CN
China
Prior art keywords
target
false detection
detection
labeling
false
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
CN202310776996.4A
Other languages
English (en)
Other versions
CN116503695A (zh
Inventor
徐显杰
于彬
窦汝振
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.)
Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Tianjin Soterea Automotive Technology Co Ltd
Original Assignee
Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Tianjin Soterea Automotive 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 Suoto Hangzhou Automotive Intelligent Equipment Co Ltd, Tianjin Soterea Automotive Technology Co Ltd filed Critical Suoto Hangzhou Automotive Intelligent Equipment Co Ltd
Priority to CN202310776996.4A priority Critical patent/CN116503695B/zh
Publication of CN116503695A publication Critical patent/CN116503695A/zh
Application granted granted Critical
Publication of CN116503695B publication Critical patent/CN116503695B/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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • G06V2201/08—Detecting or categorising vehicles
    • 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

Abstract

本发明提供目标检测模型的训练方法、目标检测方法及设备，该训练方法包括：使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量；使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量；基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中已标注目标与误检图像中误检目标的相似度；若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标；从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型。本发明提供的目标检测模型可以提高检测的准确度。

Description

目标检测模型的训练方法、目标检测方法及设备
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种目标检测模型的训练方法、目标检测方法及设备。
背景技术
目标检测是利用计算机视觉技术找出图像中所有感兴趣的目标，并确定它们的类别和位置。在智能驾驶和辅助驾驶领域中，目标检测模型负责对图像中每个感兴趣的个体目标进行识别和定位，获取感兴趣目标的类别数据和目标最小外接矩形的坐标数据，用于后续目标跟踪任务以及关键目标测距测速任务等。目标检测模型对车辆外部目标的检出能力决定了整套驾驶系统的上限，在智能驾驶和辅助驾驶领域中起着举足轻重的作用。
目标检测模型在训练的过程中，需要将图像数据和与该图像数据对应的人工标注数据输入到待训练的模型中，由待训练的模型自行学习提取图像中的关键目标，使待训练的模型具备对这些关键目标的检测能力。
然而，发明人发现，当待训练的模型学习了一些非重要的标注目标，而这些非重要的标注目标包含了许多与标注目标相似的特征，从而造成训练完成的目标检测模型出现误报，影响了目标检测模型检测的准确度。
发明内容
本发明实施例提供了一种目标检测模型的训练方法、目标检测方法及设备，以解决现有的目标检测模型检测的准确度较低的问题。
第一方面，本发明实施例提供了一种目标检测模型的训练方法，包括：
使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量，其中，目标检测模型基于训练数据集训练得到；
使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量，其中，误检目标是检测错误的目标，误检图像是目标检测模型检测出错误的目标的图像；
基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度；
若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标；
从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型
在一种可能的实现方式中，基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度，包括：
分别将误检目标的特征向量和标注目标的特征向量转换成误检目标的一维向量和标注目标的一维向量；
基于误检目标的一维向量和标注目标的一维向量，计算训练数据集中标注目标与误检图像中误检目标的相似度。
在一种可能的实现方式中，分别将误检目标的特征向量和标注目标的特征向量转换成误检目标的一维向量和标注目标的一维向量，包括：
分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量。
在一种可能的实现方式中，计算训练数据集中标注目标与误检图像中误检目标的相似度，包括：
将误检目标的一维向量视为误检目标的特征张量分布，记为分布P；
将标注目标的一维向量视为标注目标的特征张量分布，记为分布Q；
计算分布P和分布Q的KL散度，根据计算得到的KL散度确定标注目标与误检目标的相似度。
第二方面，本发明实施例提供了一种目标检测方法，包括：
获取待检测图像；
将待检测图像输入至优化的目标检测模型中，以对待检测图像进行检测；
其中，优化的目标检测模型是基于将非重要目标从已标注目标的训练数据集中删除后对目标检测模型训练得到的，非重要目标是基于标注目标与误检目标的相似度，以及是否位于非碰撞区域，从训练数据集的标注目标中确定的，误检目标是采用目标检测模型检测出的错误的目标，目标检测模型是基于删除非重要目标前的训练数据集训练得到的。
在一种可能的实现方式中，标注目标与误检目标的相似度是基于标注目标的特征向量和误检目标的特征向量确定的；
当标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标。
在一种可能的实现方式中，误检目标与标注目标的相似度是基于分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量确定的。
在一种可能的实现方式中，误检目标与标注目标的相似度是基于误检目标的特征张量分布与标注目标的特征张量分布的KL散度确定的，误检目标的一维向量视为误检目标的特征张量分布，标注目标的一维向量视为标注目标的特征张量分布。
第三方面，本发明实施例提供了一种目标检测模型的训练装置，包括：
第一获取模块，用于使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量，其中，目标检测模型基于训练数据集训练得到；
第二获取模块，用于使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量，其中，误检目标是检测错误的目标，误检图像是目标检测模型检测出错误的目标的图像；
计算模块，用于基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度；
确定模块，用于若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标；
训练模块， 用于从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型。
在一种可能的实现方式中，计算模块，用于分别将误检目标的特征向量和标注目标的特征向量转换成误检目标的一维向量和标注目标的一维向量；
基于误检目标的一维向量和标注目标的一维向量，计算训练数据集中标注目标与误检图像中误检目标的相似度。
在一种可能的实现方式中，计算模块，用于分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量。
在一种可能的实现方式中，计算模块，用于将误检目标的一维向量视为误检目标的特征张量分布，记为分布P；
将标注目标的一维向量视为标注目标的特征张量分布，记为分布Q；
计算分布P和分布Q的KL散度，根据计算得到的KL散度确定标注目标与误检目标的相似度。
第四方面，本发明实施例提供了一种目标检测装置，包括：
获取模块，用于获取待检测图像；
检测模块，用于将待检测图像输入至优化的目标检测模型中，以对待检测图像进行检测；
其中，优化的目标检测模型是基于将非重要目标从已标注目标的训练数据集中删除后对目标检测模型训练得到的，非重要目标是基于标注目标与误检目标的相似度，以及是否位于非碰撞区域，从训练数据集的标注目标中确定的，误检目标是采用目标检测模型检测出的错误的目标，目标检测模型是基于删除非重要目标前的训练数据集训练得到的。
在一种可能的实现方式中，标注目标与误检目标的相似度是基于标注目标的特征向量和误检目标的特征向量确定的；
当标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标。
在一种可能的实现方式中，误检目标与标注目标的相似度是基于分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量确定的。
在一种可能的实现方式中，误检目标与标注目标的相似度是基于误检目标的特征张量分布与标注目标的特征张量分布的KL散度确定的，误检目标的一维向量视为误检目标的特征张量分布，标注目标的一维向量视为标注目标的特征张量分布。
第五方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第二方面或第一方面的任一种或第二方面的任一种可能的实现方式所述方法的步骤。
第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第二方面或第一方面的任一种或第二方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种目标检测模型的训练方法、目标检测方法及设备，首先，使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量。然后，使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量。接着，基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度。次之，若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标。最后，从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型。
本发明通过对目标检测模型检测到的误检目标和标注目标之间的相似度进行分析，并当标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域时，则将该标注目标确定为非重要目标。即该非重要目标的标注会影响目标检测模型检测的准确度，需要将该非重要目标从训练数据集中剔除。用剔除后的训练数据集对目标检测模型再次训练得到优化的目标检测模型，即可以提高模型的识别准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的目标检测模型的训练方法的实现流程图；
图2是本发明实施例提供的目标检测方法的实现流程图；
图3是本发明实施例提供的目标检测模型的训练装置的结构示意图；
图4是本发明实施例提供的目标检测装置的结构示意图；
图5是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
正如背景技术中所描述的，目标检测模型对车辆外部目标的检出能力决定了整套驾驶系统的上限，在智能驾驶和辅助驾驶领域中起着举足轻重的作用。
然而，如果目标检测模型学习了一些不应该学习的目标，例如学习了黑暗环境下路边的行人等没有轮廓细节的目标，目标检测模型可能会学到需要将黑色柱状物检测为行人，这将会使目标检测模型的学习变得偏激，目标检测模型会认为只要是黑色柱状物都是行人，在实际使用该目标检测模型检测的过程中，只要遇到其它黑色柱状物，例如阴影等，模型就可能会将其检测为行人。而这种不正确的标注会产生严重误报，引起辅助驾驶系统输出刹车信号，使得司机的驾驶体验感非常不友好。
而造成上面误报的原因则是目标检查模型学习了非重要目标，即黑暗环境下路边的行人，而该路边的行人由于远离车辆的车道线，位于非碰撞区域，因此为非重要目标。在使用该目标检测模型检测时，就可能会将图片中的黑色柱状物检测为行人，出现误报。
为了解决现有技术问题，本发明实施例提供了一种目标检测模型的训练方法、目标检测方法及设备。下面首先对本发明实施例所提供的目标检测模型的训练方法进行介绍。
本发明既可以适用于乘用车，也可以适用于商用车，参见图1，其示出了本发明实施例提供的目标检测模型的训练方法的实现流程图，详述如下：
步骤S110、使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量。
训练数据集包括多张图像，且每张图像都对应设有标注目标。该标注目标是基于不同的应用场景、类别等数据维度预先设定的。
目标检测模型是基于该训练数据集训练得到的。
如需要对车辆进行检测时，就需要对训练数据集中的每张图像上的车辆进行标注。使用含有标注目标车辆的训练数据集对检测模型进行训练后，即可得到用于检测车辆的目标检测模型。
如需要对行人进行检测时，就需要对训练数据集中的每张图像上的行人进行标注。使用含有标注目标行人的训练数据集对检测模型进行训练后，即可得到用于检测行人的目标检测模型。
如需要对车辆和行人同时进行检测时，就需要对训练数据集中的每张图像上的车辆和行人进行标注。使用含有标注目标车辆和行人的训练数据集对检测模型进行训练后，即可得到用于检测车辆和行人的目标检测模型。
在此实施例中，目标检测模型可以为任意一种检测模型，如Faster R-CNN、SSD和YOLO模型，用户可以根据实际应用场景进行选择。
如，可以使用训练数据集对YOLOv5模型进行训练，得到目标检测模型。
步骤S120、使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量。
其中，误检目标是检测错误的目标，误检图像是采用目标检测模型进行检测时，检测出有错误的目标的图像。
仍以车辆检测为例进行说明，在使用目标检测模型进行测试或检测过程中，发现在对一些图像进行检测时，会在检测结果中发现车辆的误检，即不是车辆的目标被检测为车辆。则将这些出现非车辆的标注的图像保存，也就是这里的误检图像。
步骤S130、基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度。
为了确定误检目标的出现原因，需要确定误检目标和标注目标之间的关联性。
在一些实施例中，为了计算训练数据集中标注目标与误检图像中误检目标的相似度，可以基于以下步骤确定：
步骤S1301、分别将误检目标的特征向量和标注目标的特征向量转换成误检目标的一维向量和标注目标的一维向量。
示例性的，可以将误检目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量，可以视为误检目标的特征张量分布。
将标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到标注目标的一维向量，可以视为标注目标的特征张量分布。
如，可以使用flatten（）函数分别对误检目标的特征向量和标注目标的特征向量进行展平处理，分别得到误检目标的一维向量和标注目标的一维向量。
步骤S1302、基于误检目标的一维向量和标注目标的一维向量，计算训练数据集中已标注目标与误检图像中误检目标的相似度。
示例性的，可以基于误检目标的一维向量和标注目标的一维向量的KL散度，计算训练数据集中已标注目标与误检图像中误检目标的相似度。
首先，将误检目标的一维向量视为误检目标的特征张量分布，记为分布P。将标注目标的一维向量视为标注目标的特征张量分布，记为分布Q。
然后，计算分布P和分布Q的KL散度。
最后，根据计算得到的KL散度确定标注目标与误检目标的相似度。
如：误检目标的一维向量为P(x)视为误检目标的特征张量分布P，标注目标的一维向量为Q(x)视为标注目标的特征张量分布Q，则KL散度的计算方式为：
KL(Q)=/>。
基于以上步骤，即可得到训练数据集中已标注目标与误检图像中误检目标的相似度。
在此实施例中，当误检目标为一个时，可以基于该误检目标的特征向量与标注目标的特征向量进行相似度分析。
当误检目标为多个时，且标注目标都是同一种目标时，则分别基于每个误检目标的特征向量与所有标注目标的特征向量进行相似度分析。
当误检目标为一个时，且标注目标包括多种目标时，则需要基于该误检目标的特征向量与该误检目标种类相同的所有目标的特征向量进行相似度分析。
如，标注目标包括车辆和行人，如果误检目标为行人时，则将使用该误检目标的特征向量和标注目标中的所有行人的特征向量进行相似度分析，从而提高分析的准确度。
根据训练数据集中已标注目标与误检图像中误检目标的相似度，即可确定误检目标与标注目标的区别程度，如果相似度很大，那么在使用目标检测模型检测时，就会容易出现误检，降低了目标检测模型的准确度。
当误检标注与图像标注的相似度较大时，还需要对该误检目标对应的标注目标的位置的重要程度进行判断。
步骤S140、若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标。
非碰撞区域是指发生碰撞概率小于设定碰撞阈值的区域，例如当前车辆行驶车道以外的区域。非碰撞区域可以通过预先训练的车道线检测模型进行检测。
通过将图像输入至车道线检测模型中，就可以得到标注目标与本车的车道线的位置关系，如果标注目标处于本车的车道线上或相邻车道线上时，该标注目标就是重要目标，不能删除。如果标注目标远离本车的车道线，即本车根本不会碰撞到该标注目标时，则该标注目标为非重要目标，可以从标注目标中删除。
非重要目标是指该标注目标包含有许多与误报目标非常多的相似特征，且该标注目标在图像中的位置并不会影响目标检测模型在实际应用场景中的检测结果。
如，当目标检测模型用于检测车辆在行驶过程中路上的行人时，如果该误检目标对应的标注目标在本车辆车道线上或相邻车道线上，即存在较高的碰撞风险时，则该标注目标为重要目标，不能删除。但是如果该误检目标对应的标注目标位于非碰撞区域，即碰撞的可能性小于预设碰撞阈值时，则该标注目标就为非重要目标。
步骤S150、从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型。
将非重要目标从训练数据集中删除后，利用删除后的训练数据集对目标检测模型进行训练，目标检测模型就不会学习到非重要的目标，减少由于非重要目标的标注而产生误报的几率，从而提高目标检测模型检测的准确度，增强辅助驾驶系统或自动驾驶系统的稳定性。
本发明提供的目标检测模型的训练方法，首先，使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量。然后，使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量。接着，基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度。次之，若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标。最后，从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型。
本发明通过对目标检测模型检测到的误检目标和标注目标之间的相似度进行分析，并当标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域时，则将该标注目标确定为非重要目标。即该非重要目标就是影响目标检测模型准确度的标注，需要将该非重要目标从训练数据集中剔除，并用剔除后的训练数据集对目标检测模型进行训练，以得到优化的目标检测模型，从而可以提高检测的识别准确度。
在目标检测模型训练完成后，即可使用该目标检测模型进行检测。具体的检测过程如下：
参见图2，其示出了本发明实施例提供的目标检测方法的实现流程图，详述如下：
步骤S210、获取待检测图像。
待检测图像可以包括视频帧中的一帧图像或者直接拍摄到的照片。
如该目标检测模型应用在车辆上时，可以用于检测车辆、行人或其他类别的物体。可以通过车辆上安装的视频拍摄设备或雷达设备对车辆行驶的环境进行拍摄，并将拍摄到的图像进行检测。
步骤S220、将待检测图像输入至优化的目标检测模型中，以对待检测图像进行检测。
优化的目标检测模型是基于将非重要目标从已标注目标的训练数据集中删除后对目标检测模型训练得到的。
非重要目标是基于误检目标与标注目标的相似度，以及该误检目标是否位于非碰撞区域确定的。
误检目标是使用目标检测模型进行检测时，检测到的出现标注错误的目标。包含该误检目标的图像就被保存为误检图像。
目标检测模型是基于删除非重要目标前的训练数据集训练得到的。
在此实施例中，目标检测模型可以为任意一种检测模型，如Faster R-CNN、SSD和YOLO模型，用户可以根据实际应用场景进行选择。
如，可以选择含有标注目标的训练数据集对YOLOv5模型进行训练，得到第一检测模型。训练数据集包括多张图像，以及每张图像所对应的标注目标。该标注目标是基于不同的应用场景、类别等数据维度预先设定的。
在一些实施例中，误检目标与标注目标的相似度是基于误检目标的特征向量和标注目标的特征向量确定的。
误检目标的特征向量是基于目标检测模型的特征提取层对误检图像进行目标特征提取得到的。
标注目标的特征向量是基于目标检测模型的特征提取层对训练数据集进行目标特征提取得到的。
在此实施例中，误检目标与标注目标的相似度是基于分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量确定的。
示例性的，可以基于误检目标的特征张量分布与标注目标的特征张量分布的KL散度确定误检目标与标注目标的相似度。其中，误检目标的一维向量视为误检目标的特征张量分布，标注目标的一维向量视为标注目标的特征张量分布。
在确定误检目标与标注目标的相似度后，当标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标。
本发明提供的目标检测模型是经过预先从训练数据集中剔除掉非重要目标，利用删除后的训练数据集对模型进行训练得到的，由于在训练的过程中已经将非重要目标删除掉，因为具有较高的检测准确度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的目标检测模型的训练方法和目标检测方法，相应地，本发明还提供了应用于该目标检测模型的训练方法和目标检测方法的目标检测模型的训练装置和目标检测装置的具体实现方式。请参见以下实施例。
如图3所示，提供了一种目标检测模型的训练装置300，该装置包括：
第一获取模块310，用于使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量，其中，目标检测模型基于训练数据集训练得到；
第二获取模块320，用于使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量，其中，误检目标是检测错误的目标，误检图像是目标检测模型检测出错误的目标的图像；
计算模块330，用于基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度；
确定模块340，用于若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标；
训练模块350， 用于从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型。
在一种可能的实现方式中，计算模块330，用于分别将误检目标的特征向量和标注目标的特征向量转换成误检目标的一维向量和标注目标的一维向量；
基于误检目标的一维向量和标注目标的一维向量，计算训练数据集中标注目标与误检图像中误检目标的相似度。
在一种可能的实现方式中，计算模块330，用于分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量。
在一种可能的实现方式中，计算模块330，用于将误检目标的一维向量视为误检目标的特征张量分布，记为分布P；
将标注目标的一维向量视为标注目标的特征张量分布，记为分布Q；
计算分布P和分布Q的KL散度，根据计算得到的KL散度确定标注目标与误检目标的相似度。
如图4所示，提供了一种目标检测装置400，包括：
获取模块410，用于获取待检测图像；
检测模块420，用于将待检测图像输入至优化的目标检测模型中，以对待检测图像进行检测；
其中，优化的目标检测模型是基于将非重要目标从已标注目标的训练数据集中删除后对目标检测模型训练得到的，非重要目标是基于标注目标与误检目标的相似度，以及是否位于非碰撞区域，从训练数据集的标注目标中确定的，误检目标是采用目标检测模型检测出的错误的目标，目标检测模型是基于删除非重要目标前的训练数据集训练得到的。
在一种可能的实现方式中，标注目标与误检目标的相似度是基于标注目标的特征向量和误检目标的特征向量确定的；
当标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标。
在一种可能的实现方式中，误检目标与标注目标的相似度是基于分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量确定的。
在一种可能的实现方式中，误检目标与标注目标的相似度是基于误检目标的特征张量分布与标注目标的特征张量分布的KL散度确定的，误检目标的一维向量视为误检目标的特征张量分布，标注目标的一维向量视为标注目标的特征张量分布。
图5是本发明实施例提供的电子设备的示意图。如图5所示，该实施例的电子设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个目标检测模型的训练方法和目标检测方法实施例中的步骤，例如图1所示的步骤110至步骤150和图2所示的步骤210至步骤220。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块的功能，例如图3所示模块310至350和图4所示的模块410至420的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述电子设备5中的执行过程。例如，所述计算机程序52可以被分割成图3所示的模块310至350和图4所示的模块410至420。
所述电子设备5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。所述存储器51也可以是所述电子设备5的外部存储设备，例如所述电子设备5上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个目标检测模型的训练方法和目标检测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种目标检测模型的训练方法，其特征在于，包括：
使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量，其中，所述目标检测模型基于所述训练数据集训练得到；
使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量，其中，所述误检目标是检测错误的目标，所述误检图像是所述目标检测模型检测出错误的目标的图像；
基于所述误检目标的特征向量和所述标注目标的特征向量，计算所述训练数据集中标注目标与误检图像中误检目标的相似度；
若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标；
从所述训练数据集中删除所述非重要目标，利用删除后的训练数据集对所述目标检测模型进行训练，得到优化的目标检测模型。
2.如权利要求1所述的训练方法，其特征在于，所述基于所述误检目标的特征向量和所述标注目标的特征向量，计算所述训练数据集中标注目标与误检图像中误检目标的相似度，包括：
分别将所述误检目标的特征向量和所述标注目标的特征向量转换成所述误检目标的一维向量和所述标注目标的一维向量；
基于所述误检目标的一维向量和所述标注目标的一维向量，计算所述训练数据集中标注目标与误检图像中误检目标的相似度。
3.如权利要求2所述的训练方法，其特征在于，所述分别将所述误检目标的特征向量和所述标注目标的特征向量转换成所述误检目标的一维向量和所述标注目标的一维向量，包括：
分别将所述误检目标的特征向量和所述标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到所述误检目标的一维向量和所述标注目标的一维向量。
4.如权利要求2或3所述的训练方法，其特征在于，所述计算所述训练数据集中标注目标与误检图像中误检目标的相似度，包括：
将所述误检目标的一维向量视为误检目标的特征张量分布，记为分布P；
将所述标注目标的一维向量视为标注目标的特征张量分布，记为分布Q；
计算所述分布P和所述分布Q的KL散度，根据计算得到的KL散度确定所述标注目标与所述误检目标的相似度。
5.一种目标检测方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入至优化的目标检测模型中，以对所述待检测图像进行检测；
其中，所述优化的目标检测模型是基于将非重要目标从已标注目标的训练数据集中删除后对目标检测模型训练得到的，所述非重要目标是基于标注目标与误检目标的相似度，以及是否位于非碰撞区域，从训练数据集的标注目标中确定的，所述误检目标是采用目标检测模型检测出的错误的目标，所述目标检测模型是基于删除非重要目标前的训练数据集训练得到的。
6.如权利要求5所述的目标检测方法，其特征在于，所述标注目标与所述误检目标的相似度是基于所述标注目标的特征向量和所述误检目标的特征向量确定的；
当所述标注目标与所述误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定所述该标注目标是非重要目标。
7.如权利要求6所述的目标检测方法，其特征在于，所述误检目标与所述标注目标的相似度是基于分别将所述误检目标的特征向量和所述标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到所述误检目标的一维向量和所述标注目标的一维向量确定的。
8.如权利要求7所述的目标检测方法，其特征在于，所述误检目标与所述标注目标的相似度是基于所述误检目标的特征张量分布与所述标注目标的特征张量分布的KL散度确定的，所述误检目标的一维向量视为误检目标的特征张量分布，所述标注目标的一维向量视为标注目标的特征张量分布。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至4或权利要求5至8任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4或权利要求5至8任一项所述方法的步骤。
CN202310776996.4A 2023-06-29 2023-06-29 目标检测模型的训练方法、目标检测方法及设备 Active CN116503695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310776996.4A CN116503695B (zh) 2023-06-29 2023-06-29 目标检测模型的训练方法、目标检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310776996.4A CN116503695B (zh) 2023-06-29 2023-06-29 目标检测模型的训练方法、目标检测方法及设备

Publications (2)

Publication Number Publication Date
CN116503695A CN116503695A (zh) 2023-07-28
CN116503695B true CN116503695B (zh) 2023-10-03

Family

ID=87318783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310776996.4A Active CN116503695B (zh) 2023-06-29 2023-06-29 目标检测模型的训练方法、目标检测方法及设备

Country Status (1)

Country Link
CN (1) CN116503695B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508907A (zh) * 2011-11-11 2012-06-20 北京航空航天大学 一种基于训练集优化的推荐系统的动态推荐方法
CN108427920A (zh) * 2018-02-26 2018-08-21 杭州电子科技大学 一种基于深度学习的边海防目标检测方法
CN110032619A (zh) * 2019-04-18 2019-07-19 合肥天毅网络传媒有限公司 一种基于深度学习的分词器训练方法及其装置
CN111639653A (zh) * 2020-05-08 2020-09-08 浙江大华技术股份有限公司 一种误检图像确定方法、装置、设备和介质
CN113139452A (zh) * 2021-04-19 2021-07-20 中国人民解放军91054部队 基于目标检测的使用手机行为的检测方法
CN114187438A (zh) * 2021-11-17 2022-03-15 天讯瑞达通信技术有限公司 一种图像检测方法及系统
CN115601779A (zh) * 2022-11-09 2023-01-13 太保科技有限公司（Cn） 一种模型迭代方法及装置
CN115661562A (zh) * 2022-08-30 2023-01-31 浙江大华技术股份有限公司 目标检测方法、电子设备及计算机可读存储介质
WO2023045935A1 (zh) * 2021-09-22 2023-03-30 北京智行者科技股份有限公司 一种目标检测模型自动化迭代方法、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11636389B2 (en) * 2020-02-19 2023-04-25 Microsoft Technology Licensing, Llc System and method for improving machine learning models by detecting and removing inaccurate training data

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508907A (zh) * 2011-11-11 2012-06-20 北京航空航天大学 一种基于训练集优化的推荐系统的动态推荐方法
CN108427920A (zh) * 2018-02-26 2018-08-21 杭州电子科技大学 一种基于深度学习的边海防目标检测方法
CN110032619A (zh) * 2019-04-18 2019-07-19 合肥天毅网络传媒有限公司 一种基于深度学习的分词器训练方法及其装置
CN111639653A (zh) * 2020-05-08 2020-09-08 浙江大华技术股份有限公司 一种误检图像确定方法、装置、设备和介质
CN113139452A (zh) * 2021-04-19 2021-07-20 中国人民解放军91054部队 基于目标检测的使用手机行为的检测方法
WO2023045935A1 (zh) * 2021-09-22 2023-03-30 北京智行者科技股份有限公司 一种目标检测模型自动化迭代方法、设备及存储介质
CN114187438A (zh) * 2021-11-17 2022-03-15 天讯瑞达通信技术有限公司 一种图像检测方法及系统
CN115661562A (zh) * 2022-08-30 2023-01-31 浙江大华技术股份有限公司 目标检测方法、电子设备及计算机可读存储介质
CN115601779A (zh) * 2022-11-09 2023-01-13 太保科技有限公司（Cn） 一种模型迭代方法及装置

Also Published As

Publication number Publication date
CN116503695A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN109740469B (zh) 车道线检测方法、装置、计算机设备和存储介质
US10192107B2 (en) Object detection method and object detection apparatus
US10217007B2 (en) Detecting method and device of obstacles based on disparity map and automobile driving assistance system
Marzougui et al. A lane tracking method based on progressive probabilistic Hough transform
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN110909692A (zh) 异常车牌识别方法、装置及计算机存储介质、电子设备
CN111639653B (zh) 一种误检图像确定方法、装置、设备和介质
CN110348463B (zh) 用于识别车辆的方法和装置
CN110298302B (zh) 一种人体目标检测方法及相关设备
CN112699711A (zh) 车道线检测方法、装置、存储介质及电子设备
CN112712005B (zh) 识别模型的训练方法、目标识别方法及终端设备
Al Mamun et al. Efficient lane marking detection using deep learning technique with differential and cross-entropy loss.
CN116503695B (zh) 目标检测模型的训练方法、目标检测方法及设备
CN113591543B (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN113642521B (zh) 红绿灯识别质量的评价方法、装置和电子设备
EP4332910A1 (en) Behavior detection method, electronic device, and computer readable storage medium
CN116259021A (zh) 一种车道线检测方法、存储介质和电子设备
CN114842322A (zh) 遗留物检测方法、装置及电子设备、计算机可读存储介质
Kluwak et al. ALPR-extension to traditional plate recognition methods
CN109409247B (zh) 交通标志识别方法和装置
CN113642533B (zh) 车道级定位方法及电子设备
CN115631477B (zh) 目标识别方法及终端
CN111597959B (zh) 行为检测方法、装置及电子设备
CN114627651B (zh) 一种行人保护预警方法、装置、电子设备及可读存储介质
CN114897987B (zh) 一种确定车辆地面投影的方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant