CN116663650B - 深度学习模型的训练方法、目标对象检测方法及装置 - Google Patents

深度学习模型的训练方法、目标对象检测方法及装置 Download PDF

Info

Publication number
CN116663650B
CN116663650B CN202310661523.XA CN202310661523A CN116663650B CN 116663650 B CN116663650 B CN 116663650B CN 202310661523 A CN202310661523 A CN 202310661523A CN 116663650 B CN116663650 B CN 116663650B
Authority
CN
China
Prior art keywords
sample
detection information
deep learning
learning model
current
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
CN202310661523.XA
Other languages
English (en)
Other versions
CN116663650A (zh
Inventor
田野
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202310661523.XA priority Critical patent/CN116663650B/zh
Publication of CN116663650A publication Critical patent/CN116663650A/zh
Application granted granted Critical
Publication of CN116663650B publication Critical patent/CN116663650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/09—Supervised learning
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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

本公开提供了深度学习模型的训练方法、目标对象检测方法及装置，涉及人工智能技术领域，尤其涉及计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于自动驾驶、智能交通等场景。该训练方法的具体实现方案为：将训练样本中的样本图像输入深度学习模型，输出多个样本检测信息，训练样本还包括样本标签，多个样本检测信息与样本图像中的至少一个目标对象相关；根据多个样本检测信息之间的相关度，从多个样本检测信息中确定N个样本检测信息集；根据第一损失函数，处理样本标签和样本检测信息集中的样本检测信息，得到与样本检测信息集对应的第一损失值；根据第二损失函数和第一损失值训练深度学习模型，得到训练后的深度学习模型。

Description

深度学习模型的训练方法、目标对象检测方法及装置
技术领域
本公开涉及人工智能技术领域，尤其涉及计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于自动驾驶、智能交通等场景。
背景技术
随着人工智能技术的快速发展，越来越多的终端可以基于人工智能算法来识别周围空间的障碍物等目标对象来辅助终端执行相应地操作。例如无人车可以基于采集到的图像来检测周围空间中障碍物的精确位置，进而根据检测结果来实现自动泊车、自动避障等自动驾驶功能。
发明内容
本公开提供了一种深度学习模型的训练方法、目标对象检测方法、装置、电子设备、存储介质以及计算机程序产品。
根据本公开的一方面，提供了一种深度学习模型的训练方法，包括：将训练样本中的样本图像输入深度学习模型，输出多个样本检测信息，训练样本还包括与多个样本检测信息各自对应的样本标签，多个样本检测信息与样本图像中的至少一个目标对象相关；根据多个样本检测信息之间的相关度，从多个样本检测信息中确定N个样本检测信息集，N为大于1的整数；根据第一损失函数，处理样本标签和样本检测信息集中的样本检测信息，得到与样本检测信息集对应的第一损失值；根据第二损失函数和第一损失值训练深度学习模型，得到训练后的深度学习模型，第二损失函数适用于处理第一损失值，得到用于训练深度学习模型的第二损失值。
根据本公开的另一方面，提供了一种目标对象检测方法，包括：将获取到的待处理图像输入至深度学习模型，输出与待处理图像中的至少一个目标对象相关的N个目标检测信息，N为大于1的整数；其中，深度学习模型是根据本公开实施例提供的深度学习模型的训练方法训练得到的。
根据本公开的另一方面，提供了一种深度学习模型的训练装置，包括：样本检测信息获得模块，用于将训练样本中的样本图像输入深度学习模型，输出多个样本检测信息，训练样本还包括与多个样本检测信息各自对应的样本标签，多个样本检测信息与样本图像中的至少一个目标对象相关；样本检测信息集获得模块，用于根据多个样本检测信息之间的相关度，从多个样本检测信息中确定N个样本检测信息集，N为大于1的整数；第一损失值获得模块，用于根据第一损失函数，处理样本标签和样本检测信息集中的样本检测信息，得到与样本检测信息集对应的第一损失值；训练模块，用于根据第二损失函数和第一损失值训练深度学习模型，得到训练后的深度学习模型，第二损失函数适用于处理第一损失值，得到用于训练深度学习模型的第二损失值。
根据本公开的另一方面，提供了一种目标对象检测装置，包括：目标检测信息获得模块，用于将获取到的待处理图像输入至深度学习模型，输出与待处理图像中的至少一个目标对象相关的N个目标检测信息，N为大于1的整数；其中，深度学习模型是根据本公开实施例提供的深度学习模型的训练方法训练得到的。
根据本公开的另一方面，提供了一种电子设备，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根据本公开实施例提供的方法。
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所述计算机执行根据本公开实施例提供的方法。
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根据本公开实施例提供的方法。
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示意性示出了根据本公开实施例的可以应用目标对象检测方法及装置的示例性系统架构。
图2示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图。
图3示意性示出了根据本公开实施例的深度学习模型的训练方法的原理图。
图4示意性示出了根据本公开另一实施例的深度学习模型的训练方法的原理图。
图5示意性示出了根据本公开实施例的目标对象检测方法的流程图。
图6示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。
图7示意性示出了根据本公开实施例的目标对象检测装置的框图。
图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
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。
在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
随着人工智能技术的快速发展，越来越多的终端可以基于人工智能算法来识别周围空间的障碍物、车道线等目标对象来辅助终端执行相应地操作。而发明人发现在自动驾驶等应用场景中，无人车等载具采集到的图像中包含有多样化的目标对象，例如可以包含有车辆、行人、车道线、交通标识牌等目标对象。而实现载具等自动驾驶功能需要针对多样化的目标对象各自的对象属性信息进行准确检测，可以基于深度学习模型来实现多个检测任务，并根据检测任务输出与对象属性信息对应的检测信息。例如可以针对图像中车辆的运动状态(如运动速度、运动方向)、位置、尺寸、朝向角等对象属性信息设定检测任务，得到相应地检测信息。相应地，还可以对图像中的车道线、停车线等目标对象的形状、位置等对象属性信息设定检测任务，从而根据检测到的车道线来辅助载具执行自动驾驶功能。而针对多样化的目标对象各自的检测任务之间，可能存在检测任务差异性较大的情况，这将导致深度学习模型在实现差异性较大的检测任务时，会存在深度学习模型的整体检测任务的整体检测精度较高(例如6个检测任务中5个检测任务的检测精度较高)，而部分的检测任务检测精度较低(例如6个检测任务中1个检测任务的检测精度较低)的情况，这将影响自动驾驶等场景中载具地行驶状态，容易造成载具运动状态失控，甚至发生碰撞等风险。
同时，发明人还发现通常训练得到用于目标对象检测的深度学习模型的训练方法可能存在计算开销较大、训练时长过长等问题，难以满足实际的需求。
本公开的实施例提供了深度学习模型的训练方法、目标对象检测方法、装置、电子设备、存储介质以及计算机程序产品。该深度学习模型的训练方法，包括：将训练样本中的样本图像输入深度学习模型，输出多个样本检测信息，训练样本还包括与多个样本检测信息各自对应的样本标签，多个样本检测信息与样本图像中的至少一个目标对象相关；根据多个样本检测信息之间的相关度，从多个样本检测信息中确定N个样本检测信息集，N为大于1的整数；根据第一损失函数，处理样本标签和样本检测信息集中的样本检测信息，得到与样本检测信息集对应的第一损失值；根据第二损失函数和第一损失值训练深度学习模型，得到训练后的深度学习模型，第二损失函数适用于处理第一损失值，得到用于训练深度学习模型的第二损失值。
根据本公开的实施例，通过根据多个样本检测信息之间的相关度，从多个样本检测信息中确定N个样本检测信息集，并根据第一损失函数来分别处理样本检测信息集各自的样本检测信息，可以使第一损失函数平衡同一个样本检测信息集中，样本检测信息各自与样本标签之间的损失尺度，进而可以平衡相关度较高的多个检测任务之间的梯度尺度，同时根据第二损失函数和第一损失值来训练得到深度学习模型，可以实现在不引入额外计算开销的情况下，使深度学习模型快速地学习到各个样本检测信息对应的检测任务的权重，加快深度学习模型的训练速度，同时提升深度学习模型的检测精度。
本公开的实施例还提供了一种目标对象检测方法，该目标对象检测方法包括：将获取到的待处理图像输入至深度学习模型，输出与待处理图像中的至少一个目标对象相关的N个目标检测信息，N为大于1的整数；其中，深度学习模型是根据如上文描述的深度学习模型的训练方法训练后得到的。
根据本公开的实施例，通过根据本公开实施例提供的深度学习的训练方法训练得到的深度学习模型来进行目标对象检测，可以针对对象属性差异较大的不同的目标对象，分别得到较为精准的目标检测信息，从而可以提升自动驾驶、智能交通等应用场景中，针对多样化的目标对象的检测准确率。同时还可以至少部分避免针对不同对象属性的目标对象设置数量较多地目标检测装置，减少硬件的布设数量，并相应地减少设备的整体计算开销。
图1示意性示出了根据本公开实施例的可以应用目标对象检测方法及装置的示例性系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用目标对象检测方法及装置的示例性系统架构可以包括车辆，但车辆可以无需与服务器进行交互，即可实现本公开实施例提供的目标对象检测方法及装置。
如图1所示，根据该实施例的系统架构100可以包括车辆101，网络102和服务器103。网络102用以在车辆101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用车辆101通过网络102与服务器103交互，以接收或发送消息等。车辆101上可以安装有图像采集装置，例如单目摄像头等。车辆101中还可以安装有适用于处理采集到的图像的芯片等数据处理装置。
车辆101可以是具有智能辅助驾驶功能交通工具，包括但不限于乘用车、货车、特种作业车辆等等。
服务器103可以是提供各种服务的服务器，例如对车辆101的智能辅助驾驶功能提供支持的后台管理服务器、云服务器等等(仅为示例)。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果(例如根据请求生产的车辆行驶控制信号等)反馈给车辆。服务器103也可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器103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。”
需要说明的是，本公开实施例所提供的目标对象检测方法一般可以由车辆101执行。相应地，本公开实施例所提供的目标对象检测装置也可以设置于车辆101中。
或者，本公开实施例所提供的目标对象检测方法一般也可以由服务器103执行。相应地，本公开实施例所提供的目标对象检测装置一般可以设置于服务器103中。本公开实施例所提供的目标对象检测方法也可以由不同于服务器103且能够与车辆101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的目标对象检测装置也可以设置于不同于服务器103且能够与车辆101和/或服务器103通信的服务器或服务器集群中。
应该理解，图1中的车辆、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的车辆、网络和服务器。
图2示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图。
如图2所示，该深度学习模型的训练方法包括操作S210～S240。
在操作S210，将训练样本中的样本图像输入深度学习模型，输出多个样本检测信息，训练样本还包括与多个样本检测信息各自对应的样本标签，多个样本检测信息与样本图像中的至少一个目标对象相关。
在操作S220，根据多个样本检测信息之间的相关度，从多个样本检测信息中确定N个样本检测信息集，N为大于1的整数。
在操作S230，根据第一损失函数，处理样本标签和样本检测信息集中的样本检测信息，得到与样本检测信息集对应的第一损失值。
在操作S240，根据第二损失函数和第一损失值训练深度学习模型，得到训练后的深度学习模型，第二损失函数适用于处理第一损失值，得到用于训练深度学习模型的第二损失值。
根据本公开的实施例，样本图像可以是与待检测空间中的样本目标对象的图像，例如，样本图像可以是测试道路中记载有测试障碍物、测试道路车道线、测试道路的交通指示牌等样本目标对象的图像。
需要说明的是，样本图像可以是任意数量的，例如可以是一张或多张。且样本图像可以是任意类型的图像，例如可以是二维彩色图像、二维灰度图像、三维点云图像等等。本公开的实施例对样本图像的数量和类型均不做限定，本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例，深度学习模型可以基于任意类型的深度学习算法构建得到，本公开的实施例对构建深度学习模型的具体算法类型不做限定。深度学习模型可以包含有一个或多个检测头(head)，以便于深度学习模型可以输出多个样本检测信息。
根据本公开的实施例，样本检测信息可以是与样本目标对象的对象属性对应的检测结果，例如，样本检测信息可以是与移动障碍物的尺寸、速度、位置等对象属性对应的检测结果。又例如，样本检测信息还可以是车道线的位置、尺寸，行驶区域的区域范围等对象属性相关的检测结果。
根据本公开的实施例，可以通过样本检测信息之间的相似度、相关系数等相关程度参数来表征多个样本检测信息之间的相关度。多个样本检测信息之间的相关度，可以表征与样本检测信息对应的检测任务之间任务属性的相关程度。相应地，同一个样本检测信息集中的样本检测信息之间的相关程度较高，通过第一损失函数来处理同一个样本检测信息集中的样本检测信息得到的第一损失值，可以使第一损失函数平衡同一个样本检测信息集中，样本检测信息各自与样本标签之间的损失尺度，进而可以在不引入额外计算开销的情况下，平衡相关度较高的多个检测任务之间的梯度尺度，加快深度学习模型的训练速度。
根据本公开的实施例，第二损失函数可以是用于调节多个第一损失值各自的权重，通过调节第一损失值各自的权重，可以进一步降低深度学习模型在训练过程中，相关度较低的检测任务之间的梯度冲突，从而可以使训练得到的深度学习模型较为精准的实现多个检测任务，提升深度学习模型的检测精度。
根据本公开的实施例，根据多个样本检测信息之间的相关度，从多个样本检测信息中确定N个样本检测信息集可以包括：根据聚类算法处理多个样本检测信息，得到相关度检测结果；以及根据相关度检测结果，从多个样本检测信息中确定N个样本检测信息集。
根据本公开的实施例，聚类算法例如可以是K-means(K均值)聚类算法、主成分分析算法等任意类型的聚类算法，本公开的实施例对聚类算法的具体类型不做限定，本领域技术人员可以根据实际需求进行选择，只要能够满足确定多个样本检测信息之间的相关度即可。可以理解的是，样本检测信息集中的样本检测信息，可以是同一聚类簇中的样本检测信息。
图3示意性示出了根据本公开实施例的深度学习模型的训练方法的原理图。
如图3所示，样本图像310可以输入至深度学习模型320的图像特征提取网络321。图像特征提取网络321输出的图像特征可以分别输入至深度学习模型320的第一检测头322、第二检测头323和第三检测头324。图像特征提取网络可以是基于卷积神经网络算法构建得到的，第一检测头322、第二检测头323和第三检测头324可以是基于多层感知器算法构建得到的。
需要说明的是，第一检测头322、第二检测头323和第三检测头324可以构成深度学习模型的检测分支网络。
第一检测头322可以输出样本检测信息331和样本检测信息332，第二检测头323可以输出样本检测信息333，第三检测头324可以输出样本检测信息334。将样本检测信息331、332、333和334输入至相关度检测模型340，输出第一个样本检测信息集350和第二个样本检测信息集360。
相关度检测模型340可以是基于聚类算法构建的到的，相关度检测模型340根据聚类算法对样本检测信息331、332、333和334进行聚类计算，得到的聚类簇中的样本检测信息之间相关度较高。即第一个样本检测信息集350中的样本检测信息331、332和333之间的相关度较高，第二个样本检测信息集360包含的样本检测信息334，与样本检测信息331、332和333之间的相关度较低。
在本公开的另一个实施例中，还可以计算多个样本检测信息中，每两个不同的样本检测信息之间的相关度系数，并基于相关度系数和预设的相关度阈值来从多个样本检测信息中确定N个样本检测信息集。
在本公开的另一个实施例中，还可以基于样本检测信息各自对应的检测任务标识，与预设的相关度信息之间的关联关系来确定不同的样本检测信息之间的相关度，从而节省计算得到多个样本检测信息之间的相关度的计算时长，进一步加快深度学习模型的训练速度。
根据本公开的实施例，第二损失函数基于第二权重参数构建得到，第二权重参数与第一损失值一一对应。
根据本公开的实施例，根据第二损失函数和第一损失值训练深度学习模型，得到训练后的深度学习模型可以包括：基于预设规则交替地执行第一训练过程和第二训练过程，直至第二损失函数收敛；以及将第二损失函数收敛的情况下对应的深度学习模型，确定为训练后的深度学习模型。其中，第一训练过程基于当前的第二损失函数训练深度学习模型，第二训练过程基于当前的第一损失值更新当前的第二权重参数。
根据本公开的实施例，预设规则可以是第一训练过程与第二训练过程交替执行的规则，例如可以基于执行10次第一训练过程，执行第二训练过程1次的预设规则，来实现第一训练过程与第二训练过程的交替执行。
根据本公开的实施例，第一训练过程可以根据第二损失函数，来更新深度学习模型的模型参数的训练过程。第二训练过程可以是更新第二损失函数中的第二权重参数，以实现优化第二损失函数的训练过程。
根据本公开的实施例，第一训练过程可以包括：根据基于当前的第二权重参数构建得到的第二损失函数，处理与N个当前的样本检测信息集各自对应的当前的第一损失值，得到当前的第二损失值；以及根据当前的第二损失值更新深度学习模型的当前的模型参数。
根据本公开的实施例，第一损失值可以是根据第一损失函数处理同一样本检测信息集中的样本检测信息，以及与样本检测信息对应的标签得到的。
针对同一个样本检测信息集，例如可以包含有深度学习模型针对图像中障碍物的位置、尺寸、速度、朝向角、障碍物类别等样本检测信息，可以基于求和计算方式，得到第一损失值，例如可以基于如下公式(1)计算得到中的样本检测信息集对应的第一损失值。
D’αk(θ)＝Dα1(θ)+Dα2(θ)+...+DαK(θ)； (1)
公式(1)中，D’αk(θ)表示与样本检测信息集对应的第一损失值，Dα1(θ)表示样本检测信息集中的第1个样本检测信息，以及与第1个样本检测信息对应的样本标签之间的初始损失值，θ可以表示深度学习模型的模型参数。
根据本公开的实施例，第一训练过程可以根据如下公式(2)来表示。
公式(2)中，L(θ)可以表示第二损失函数计算得到的第二损失值，λk可以表示与当前的第二权重参数，第二权重参数λk和与样本检测信息集对应的第一损失值D’αk(θ)相关联。在当前的第二权重参数λk不变的情况下，可以通过计算得到当前的第二损失值，来迭代地调整深度学习模型的参数θ，从而实现训练深度学习模型。
根据本公开的实施例，第一训练过程还可以包括：根据当前的第二损失值更新第一损失函数中，与当前的样本检测信息对应的当前的第一权重参数，得到更新后的新的第一权重参数；其中，当前的第一损失值是根据当前的样本检测信息集中当前的样本检测信息，以及当前的第一权重参数得到的。
根据本公开的实施例，可以根据通过引入可学习的第一权重参数μk，来平衡同一个样本检测信息集中，不同的样本检测信息各自对应的初始损失值。即第一损失函数可以通过如下公式(3)来表示。
D’αk(θ)＝μ1Dα1(θ)+μ2Dα2(θ)+...+μKDαK(θ)； (3)
如公式3所示，当前的第一损失值D’αk(θ)，可以根据当前的第一权重参数μk，以及与当前的样本检测信息对应的初始损失值Dαk(θ)得到。通过引入可学习的第一权重参数μk来进一步加快平衡样本检测信息各自与样本标签之间的损失尺度，从而可以提升深度学习模型的训练速度和深度学习模型的检测精度。
需要说明的是，在第一训练过程中，可以根据当前的第一权重参数μk，和当前的样本检测信息来计算得到当前的第一损失值D’αk(θ)。根据当前的第一损失值D’αk(θ)来更新深度学习模型的模型参数θ。还可以根据第一损失值D’αk(θ)来更新当前的第一权重参数μk，从而可以根据可学习的第一权重参数μk，来平衡同一个样本检测信息集中，不同的样本检测信息各自对应的初始损失值。
根据本公开的实施例，由于第一权重参数μk通常为小于1的参数，这会导致每执行一次第一训练过程后得到的第一损失值变小，进而产生梯度损失。因此，本公开实施例提供的训练方法，还可以将同一样本检测信息集中，样本检测信息各自对应的初始损失值累积求和，得到与该样本检测信息集对应的累积初始损失值，并计算累积初始损失值与各个第一损失值之间的比值，得到第一损失值修正参数，将第一损失值修正参数与第一损失值之和作为目标第一损失值。这样就可以基于目标第一损失值来弥补由于第一权重参数对初始损失值造成的梯度模长损失，从而可以将目标第一损失值作为上述实施例中的第一损失值，进而增强训练后得到的深度学习模型的鲁棒性和检测准确性。
根据本公开的实施例，由于每个样本检测信息集内部的样本检测信息之间相关度较高，与每个样本检测信息集内部的样本检测信息对应的检测任务优化方向趋向相似。因此，基于迭代地更新第一权重参数和深度学习模型的模型参数的训练策略，即基于自动权重学习的策略能够很好的进行不同的检测任务之间的梯度损失权衡，同时在不引入额外的计算开销的情况下来更新第一权重参数和深度学习模型的模型参数，加快深度学习模型的训练速度，提升训练效率。
根据本公开的实施例，第二损失函数关联有适用于更新第二权重参数的优化条件函数。
根据本公开的实施例，可以基于帕累托优化函数来构建与第二损失函数对应的优化条件函数。
例如，可以基于如下公式(4)来表征优化条件函数。
公式(4)中，dD'αi(θ)可以是与第一损失值对应的第一梯度值，N可以是第一损失值的数量，即第一损失值的数量可以与得到的样本检测信息集的数量N相同。λi可以表示与第i个样本检测信息集对应的第二权重参数。
根据本公开的实施例，第二训练过程可以包括：根据优化条件函数，处理N个样本检测信息集各自对应的当前的第一损失值，得到更新后的新的第二权重参数；以及根据新的第二权重参数，更新第二损失函数中当前的第二权重参数。
根据本公开的实施例，在第二训练过程中，可以结合公式(2)和(3)得到当前的第一损失值，基于公式(4)来处理与N个样本检测信息集各自对应的第一损失值，得到更新后的新的第二权重参数λi。根据新的的第二权重参数λi来更新公式(2)中当前的第二权重参数。进而可以将更新后的公式(2)作为当前的第二损失函数来执行第一训练过程，或者还可以迭代地执行第二训练过程，直至达到第二训练过程的执行频次，得到当前的第二损失函数。
根据本公开的实施例，在第二训练过程中，还可以结合公式(1)和(2)得到当前的第一损失值，基于公式(4)来处理与N个样本检测信息集各自对应的第一损失值，得到更新后的新的第二权重参数λi。根据新的的第二权重参数λi来更新公式(2)中当前的第二权重参数。进而可以将更新后的公式(2)作为当前的第二损失函数来执行第一训练过程，或者还可以迭代地执行第二训练过程，直至达到第二训练过程的执行频次，得到当前的第二损失函数。
根据本公开的实施例，在多个样本检测信息之间，有部分的样本检测信息之间的相关程度较低，即存在多个检测任务之间的属性差异较大的情况下，多个检测任务之间会存在梯度冲突的情况，因此简单地基于第一训练过程来训练深度学习模型，会导致多个检测任务之间因训练优化方向不一致导致训练后的深度学习模型针对部分检测任务的检测任务精度降低，进而降低了深度学习模型针对目标对象的检测能力。通过执行第一训练过程，可以在不引人额外计算开销的情况下优化深度学习模型的模型参数，并通过执行第二训练过程来计算各个第二损失函数中与各个样本检测信息集对应的第二权重参数，通过交替地执行第一训练过程和第二训练过程来训练深度学习模型，可以在减少训练得到深度学习模型所需的计算开销和计算时长的同时，避免深度学习模型针对数量相对较少的检测任务的检测精度较低，提升深度学习模型针对多目标检测任务的检测精度。
根据本公开的实施例，基于预设规则交替地执行第一训练过程和第二训练过程可以包括：根据第一预设执行频次，迭代地执行第一训练过程；以及根据第二预设执行频次执行第二训练过程，其中，第一预设执行频次大于第二预设执行频次。
例如，可以根据迭代地执行第一训练过程10次，执行第二训练过程1次的方式，来交替地执行第一训练过程和第二训练过程。从而可以通过减少第二训练过程的第二执行频次，来降低第二训练过程引入的计算开销成本，从而降低因帕累托优化策略产生的计算开销较大的问题，提升深度学习模型的训练效率。
需要说明的是，上述实施例中第一执行频次与第二执行频次的数量仅为示例性的，并非用于限定第一执行频次和/或第二执行频次的实际数量，本领域技术人员可以根据实际需求选择第一执行频次和/或第二执行频次的实际数量，本公开的实施例对此不做限定，只要满足第一执行频次大于第二执行频次即可。
图4示意性示出了根据本公开另一实施例的深度学习模型的训练方法的原理图。
如图4所示，在该应用场景中，深度学习模型400可以包括图像特征提取网络410、障碍物检测分支网络420和车道线检测分支网络430。图像特征提取网络410可以包含有骨架网络层411、特征金字塔网络层412和鸟瞰图特征检测层413。获取到的样本标签可以包括与样本图像401对应的标签检测框402和标签车道线403。
障碍物检测分支网络420可以包含有朝向角检测头421、尺寸检测头422、位置检测头423、运动状态检测头424和类别检测头425。障碍物检测分支网络420可以是基于多层感知器算法构建得到的。车道线检测分支网络430可以是基于上采样层、卷积神经网络层来构建得到的。
样本图像401可以是环视相机采集到的多帧图像中的任意一帧或多帧图像。应该理解的是，在样本图像输入至深度学习模型400之前，可以基于相机坐标系到自车坐标系的旋转矩阵、由相机坐标系到自车坐标系的平移矩阵、相机内参、由图像增强引起的旋转矩阵、由图像增强引起的平移矩阵等图像转换参数来对样本图像进行处理，本公开的实施例对此不做赘述。
骨架(backbone)网络层411可以是基于EfficientNet(高效率网络)算法构建得到的。骨架网络层411可以对样本图像401进行图像特征提取，得到样本第一图像特征，样本第一图像特征可以是具有不同尺度的多个特征图。
特征金字塔网络层412可以是基于特征金字塔网络(Feature Pyramid Network，FPN)算法构建得到的。将样本第一图像特征输入至特征金字塔网络层412，可以将多个不同尺度的样本第一图像特征进行融合，并对多个不同尺度的样本第一图像特征中，具有最大尺度的样本第一图像特征进行反卷积操作，得到目标尺度的样本图像特征，与目标尺度的样本图像特征和目标尺度的样本第一图像特征进行融合，得到融合后的样本图像特征，该融合后的样本图像特征再继续通过反卷积操作得到下一个目标尺度的样本图像特征，直至得到目标数量(例如3个)多尺度的样本图像特征。目标数量的多尺度的样本图像特征再分别通过卷积操作得到特征金字塔网络层412输出的样本第二图像特征，且样本第二图像特征与样本第一图像特征的尺度可以保持相同。
需要说明的是，本公开实施例对样本第二图像特征与样本第一图像特征各自的数量不做限定，本领域技术人员可以根据实际需求进行选择。
鸟瞰图特征检测层413可以基于LSS(Lift，Splat，Shoot)算法构建得到。通过将样本第二图像特征输入至鸟瞰图特征检测层413，可以输出鸟瞰图特征。鸟瞰图特征检测层413例如可以生成视锥，并根据相机内外参将视锥中的点投影到ego坐标系(车身坐标系)，并基于样本第二图像特征构建图像特征点云。根据变换后的ego坐标系中的点与图像特征点云利用Voxel Pooling(体素池化)构建鸟瞰图特征。
根据本公开的实施例，样本目标对象包括以下至少一项：车辆、车道线、交通指示牌。
根据本公开的实施例，样本目标检测信息包括以下至少一项：
样本尺寸信息样本、位置信息、样本目标对象的样本类别信息。
如图4所示，鸟瞰图特征可以分别输入至障碍物检测分支网络420的朝向角检测头421、尺寸检测头422、位置检测头423、运动状态检测头424和类别检测头425，输出的样本检测信息可以包括样本朝向角441、样本尺寸442、样本位置443、样本运动状态444和样本类别445。可以将样本朝向角441、样本尺寸442、样本位置443、样本运动状态444和样本类别445确定为样本检测信息集440。从标签检测框402中可以获得到标签朝向角、标签尺寸、标签位置、标签运动状态和标签类别，因此可以根据标签朝向角、标签尺寸、标签位置、标签运动状态和标签类别和样本朝向角441、样本尺寸442、样本位置443、样本运动状态444和样本类别445，确定与样本检测信息集440对应的第一损失值。
又例如，还可以将鸟瞰图特征可以输入至障碍物检测分支网络420的车道线检测分支网络430，输出样本车道线451。样本检测信息集450可以包含有样本车道线451。根据样本车道线451和标签车道线403，可以得到与样本检测信息集450对应的第一损失值。
结合上述公式(2)至(4)来处理标签朝向角、标签尺寸、标签位置、标签运动状态和标签类别和样本朝向角441、样本尺寸442、样本位置443、样本运动状态444和样本类别445，以及处理样本车道线451和标签车道线403，可以实现训练深度学习模型400，得到训练后的深度学习模型。
应该理解的是，训练后的深度学习模型可以基于输出的朝向角信息、尺寸信息、位置信息、运动状态信息和类别信息等与目标对象相关的目标检测信息，得到与目标对象相关的目标检测框，训练后的深度学习模型还可以输出目标车道线，以便于根据目标车道线向车辆等载具发送行驶状态控制信号，提升载具地自动驾驶性能。
根据本公开的实施例，训练后的深度学习模型可以根据障碍物检测分支网络来对图像中的车辆、车道线、交通指示牌等多样化的目标对象进行精准检测，从而可以根据检测到的目标检测信息来实现自动驾驶应用场景中，对于车辆等载具地精准控制，提升载具的自动驾驶智能化水平。
需要说明的是，障碍物检测分支网络420中朝向角检测头421、尺寸检测头422、位置检测头423、运动状态检测头424和类别检测头425的网络结构仅为示例性的，并非用于限定深度学习模型的检测分支网络的网络结构。本领域技术人员可以根据实际需求涉及检测分支网络的具体网络结构类型，本公开的实施例对此不做限定。
图5示意性示出了根据本公开实施例的目标对象检测方法的流程图。
如图5所示，目标对象检测方法可以包括操作S510。
在操作S510，将将获取到的待处理图像输入至深度学习模型，输出与待处理图像中的至少一个目标对象相关的N个目标检测信息，N为大于1的整数；其中，深度学习模型是根据上述实施例提供的深度学习模型的训练方法训练得到的。
根据本公开的实施例，深度学习模型可以基于卷积神经网络算法等任意类型的神经网络算法构建得到，本公开的实施例对神经网络算法的具体类型不做限定。
根据本公开的实施例，深度学习模型包括图像特征提取网络和至少一个检测分支网络。
根据本公开的实施例，将获取到的待处理图像输入至深度学习模型，输出与待处理图像中的至少一个目标对象相关的N个目标检测信息可以包括：将待处理图像输入至图像特征提取网络，输出目标图像特征；以及将目标图像特征输入至至少一个检测分支网络，输出N个目标检测信息。
根据本公开的实施例，图像特征提取网络包括骨干网络层、特征金字塔网络层和鸟瞰图特征检测层。
根据在本公开的一个实施例中，可以将获取到的待处理图像输入至如图3所示的训练后的深度学习模型320，输出4个目标检测信息。
根据本公开的实施例，将待处理图像输入至图像特征提取网络，输出目标图像特征包括：将待处理图像输入至骨干网络层，输出第一图像特征；将第一图像特征输入至特征金字塔网络层，输出至少一个第二图像特征；将至少一个第二图像特征输入至鸟瞰图特征检测层，输出鸟瞰图特征，其中，目标图像特征可以包括鸟瞰图特征。
根据在本公开的一个实施例中，可以将获取到的待处理图像输入至如图4所示的训练后的深度学习模型400，输出6个目标检测信息。
根据本公开的实施例，目标对象包括以下至少一项：车辆、车道线、交通指示牌。
根据本公开的实施例，目标检测信息包括以下至少一项：尺寸信息、位置信息、目标对象的类别信息。
根据本公开的实施例，在目标检测信息还可以包含有与目标对象相关的运动状态信息、朝向角信息等，本公开的实施例对目标检测信息的具体类型不做限定，本领域技术人员可以根据实际需求进行选择。
需要说明的是，本公开实施例中提供的目标对象检测方法所涉及的技术术语，包括但不限于待处理图像、目标检测信息等，与本公开实施例提供的深度学习模型的训练方法所涉及的技术术语，包括但不限于于样本图像，样本检测信息等，具有相同或相应地技术属性，本公开的实施例在此不再赘述。
根据本公开的实施例，通过基于本公开实施例提供的目标对象检测方法来应用于自动驾驶、智能交通等场景中，可以实现针对多样化的目标对象各自的对象属性信息的精准检测，从而减少目标对象检测装置的布置数量，降低目标对象检测的运维成本与能源消耗成本。
图6示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。
如图6所示，深度学习模型的训练装置600可以包括：样本检测信息获得模块610、样本检测信息集获得模块620、第一损失值获得模块630和训练模块640。
样本检测信息获得模块610，用于将训练样本中的样本图像输入深度学习模型，输出多个样本检测信息，训练样本还包括与多个样本检测信息各自对应的样本标签，多个样本检测信息与样本图像中的至少一个目标对象相关。
样本检测信息集获得模块620，用于根据多个样本检测信息之间的相关度，从多个样本检测信息中确定N个样本检测信息集，N为大于1的整数。
第一损失值获得模块630，用于根据第一损失函数，处理样本标签和样本检测信息集中的样本检测信息，得到与样本检测信息集对应的第一损失值。
训练模块640，用于根据第二损失函数和第一损失值训练深度学习模型，得到训练后的深度学习模型，第二损失函数适用于处理第一损失值，得到用于训练深度学习模型的第二损失值。
根据本公开的实施例，第二损失函数基于第二权重参数构建得到，第二权重参数与第一损失值一一对应。
其中，训练模块包括：训练子模块和深度学习模型确定子模块。
训练子模块，用于基于预设规则交替地执行第一训练过程和第二训练过程，直至第二损失函数收敛。
深度学习模型确定子模块，用于将第二损失函数收敛的情况下对应的深度学习模型，确定为训练后的深度学习模型；其中，第一训练过程基于当前的第二损失函数训练深度学习模型，第二训练过程基于当前的第一损失值更新当前的第二权重参数。
根据本公开的实施例，第一训练过程可以包括：根据基于当前的第二权重参数构建得到的第二损失函数，处理与N个当前的样本检测信息集各自对应的当前的第一损失值，得到当前的第二损失值；以及根据当前的第二损失值更新深度学习模型的当前的模型参数。
根据本公开的实施例，第二损失函数关联有适用于更新第二权重参数的优化条件函数。第二训练过程包括：根据优化条件函数，处理N个样本检测信息集各自对应的当前的第一损失值，得到更新后的新的第二权重参数；以及根据新的第二权重参数，更新第二损失函数中当前的第二权重参数。
根据本公开的实施例，第一训练过程还包括：根据当前的第二损失值更新第一损失函数中，与当前的样本检测信息对应的当前的第一权重参数，得到更新后的新的第一权重参数；其中，当前的第一损失值是根据当前的样本检测信息集中当前的样本检测信息，以及当前的第一权重参数得到的。
根据本公开的实施例，训练子模块包括：第一训练单元和第二训练单元。
第一训练单元，用于根据第一预设执行频次，迭代地执行第一训练过程。
第二训练单元，用于根据第二预设执行频次执行第二训练过程，其中，第一预设执行频次大于第二预设执行频次。
根据本公开的实施例，样本检测信息集获得模块包括：相关度检测结果获得子模块和样本检测信息集获得子模块。
相关度检测结果获得子模块，用于根据聚类算法处理多个样本检测信息，得到相关度检测结果。
样本检测信息集获得子模块，用于根据相关度检测结果，从多个样本检测信息中确定N个样本检测信息集。
根据本公开的实施例，样本目标对象包括以下至少一项：车辆、车道线、交通指示牌。
根据本公开的实施例，样本检测信息包括以下至少一项：样本尺寸信息、样本位置信息、样本目标对象的样本类别信息。
图7示意性示出了根据本公开实施例的目标对象检测装置的框图。
如图7所示，目标对象检测装置700可以包括目标检测信息获得模块710。
目标检测信息获得模块710，用于将获取到的待处理图像输入至深度学习模型，输出与待处理图像中的至少一个目标对象相关的N个目标检测信息，N为大于1的整数；其中，深度学习模型是根据上述实施例提供的深度学习模型的训练方法训练得到的。
根据本公开的实施例，深度学习模型包括图像特征提取网络和至少一个检测分支网络。
其中，目标检测信息获得模块包括：目标图像特征获得子模块和目标检测信息获得子模块。
目标图像特征获得子模块，用于将待处理图像输入至图像特征提取网络，输出目标图像特征。
目标检测信息获得子模块，用于将目标图像特征输入至至少一个检测分支网络，输出N个目标检测信息。
根据本公开的实施例，图像特征提取网络包括骨干网络层、特征金字塔网络层和鸟瞰图特征检测层。
其中，目标图像特征获得子模块包括：第一图像特征获得单元、第二图像特征获得单元和鸟瞰图特征获得单元。
第一图像特征获得单元，用于将待处理图像输入至骨干网络层，输出第一图像特征。
第二图像特征获得单元，用于将第一图像特征输入至特征金字塔网络层，输出至少一个第二图像特征。
鸟瞰图特征获得单元，用于将至少一个第二图像特征输入至鸟瞰图特征检测层，输出鸟瞰图特征，其中，目标图像特征包括鸟瞰图特征。
根据本公开的实施例，目标对象包括以下至少一项：车辆、车道线、交通指示牌。
根据本公开的实施例，目标检测信息包括以下至少一项：尺寸信息、位置信息、目标对象的类别信息。
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。
根据本公开的实施例，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，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如上所述的方法。
根据本公开的实施例，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如上所述的方法。
根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如深度学习模型的训练方法、目标对象检测方法。例如，在一些实施例中，深度学习模型的训练方法、目标对象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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的深度学习模型的训练方法、目标对象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801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行深度学习模型的训练方法、目标对象检测方法。
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、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)、负载可编程逻辑设备(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，也可以是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 (31)

1.一种深度学习模型的训练方法，包括：
将训练样本中的样本图像输入深度学习模型，输出多个样本检测信息，所述训练样本还包括与多个所述样本检测信息各自对应的样本标签，多个所述样本检测信息与所述样本图像中的至少一个目标对象相关；
根据多个所述样本检测信息之间的相关度，从多个所述样本检测信息中确定N个样本检测信息集，N为大于1的整数；
根据第一损失函数，处理所述样本标签和所述样本检测信息集中的样本检测信息，得到与所述样本检测信息集对应的第一损失值；
根据第二损失函数和所述第一损失值训练所述深度学习模型，得到训练后的深度学习模型，所述第二损失函数适用于处理所述第一损失值，得到用于训练所述深度学习模型的第二损失值。
2.根据权利要求1所述的方法，其中，所述第二损失函数基于第二权重参数构建得到，所述第二权重参数与所述第一损失值一一对应；
其中，所述根据第二损失函数和所述第一损失值训练所述深度学习模型，得到训练后的深度学习模型包括：
基于预设规则交替地执行第一训练过程和第二训练过程，直至所述第二损失函数收敛；以及
将所述第二损失函数收敛的情况下对应的深度学习模型，确定为所述训练后的深度学习模型；
其中，所述第一训练过程基于当前的所述第二损失函数训练所述深度学习模型，所述第二训练过程基于当前的所述第一损失值更新当前的所述第二权重参数。
3.根据权利要求2所述的方法，其中，所述第一训练过程包括：
根据基于当前的第二权重参数构建得到的第二损失函数，处理与N个当前的样本检测信息集各自对应的当前的第一损失值，得到当前的第二损失值；以及
根据所述当前的第二损失值更新所述深度学习模型的当前的模型参数。
4.根据权利要求3所述的方法，其中，所述第二损失函数关联有适用于更新所述第二权重参数的优化条件函数；
所述第二训练过程包括：
根据所述优化条件函数，处理N个所述样本检测信息集各自对应的当前的第一损失值，得到更新后的新的第二权重参数；以及
根据所述新的第二权重参数，更新所述第二损失函数中当前的第二权重参数。
5.根据权利要求3所述的方法，其中，所述第一训练过程还包括：
根据所述当前的第二损失值更新所述第一损失函数中，与当前的样本检测信息对应的当前的第一权重参数，得到更新后的新的第一权重参数；
其中，所述当前的第一损失值是根据所述当前的样本检测信息集中当前的所述样本检测信息，以及所述当前的第一权重参数得到的。
6.根据权利要求2至5中任一项所述的方法，其中，所述基于预设规则交替地执行第一训练过程和第二训练过程包括：
根据第一预设执行频次，迭代地执行所述第一训练过程；以及
根据第二预设执行频次执行所述第二训练过程，其中，所述第一预设执行频次大于所述第二预设执行频次。
7.根据权利要求1所述的方法，其中，所述根据多个所述样本检测信息之间的相关度，从多个所述样本检测信息中确定N个样本检测信息集包括：
根据聚类算法处理多个所述样本检测信息，得到相关度检测结果；以及
根据所述相关度检测结果，从多个所述样本检测信息中确定N个所述样本检测信息集。
8.根据权利要求1所述的方法，其中，所述样本目标对象包括以下至少一项：
车辆、车道线、交通指示牌。
9.根据权利要求1所述的方法，其中，所述样本检测信息包括以下至少一项：
样本尺寸信息、样本位置信息、所述样本目标对象的样本类别信息。
10.一种目标对象检测方法，包括：
将获取到的待处理图像输入至深度学习模型，输出与所述待处理图像中的至少一个目标对象相关的N个目标检测信息，N为大于1的整数；
其中，所述深度学习模型是根据权利要求1至8中任一项所述的方法训练得到的。
11.根据权利要求10所述的方法，其中，所述深度学习模型包括图像特征提取网络和至少一个检测分支网络；
其中，所述将获取到的待处理图像输入至深度学习模型，输出与所述待处理图像中的至少一个目标对象相关的N个目标检测信息包括：
将所述待处理图像输入至所述图像特征提取网络，输出目标图像特征；以及
将所述目标图像特征输入至所述至少一个检测分支网络，输出所述N个所述目标检测信息。
12.根据权利要求11所述的方法，其中，所述图像特征提取网络包括骨干网络层、特征金字塔网络层和鸟瞰图特征检测层；
其中，所述将所述待处理图像输入至所述图像特征提取网络，输出目标图像特征包括：
将所述待处理图像输入至所述骨干网络层，输出第一图像特征；
将所述第一图像特征输入至所述特征金字塔网络层，输出至少一个第二图像特征；
将所述至少一个第二图像特征输入至所述鸟瞰图特征检测层，输出鸟瞰图特征，其中，所述目标图像特征包括所述鸟瞰图特征。
13.根据权利要求10所述的方法，其中，所述目标对象包括以下至少一项：
车辆、车道线、交通指示牌。
14.根据权利要求10所述的方法，其中，所述目标检测信息包括以下至少一项：
尺寸信息、位置信息、所述目标对象的类别信息。
15.一种深度学习模型的训练装置，包括：
样本检测信息获得模块，用于将训练样本中的样本图像输入深度学习模型，输出多个样本检测信息，所述训练样本还包括与多个所述样本检测信息各自对应的样本标签，多个所述样本检测信息与所述样本图像中的至少一个目标对象相关；
样本检测信息集获得模块，用于根据多个所述样本检测信息之间的相关度，从多个所述样本检测信息中确定N个样本检测信息集，N为大于1的整数；
第一损失值获得模块，用于根据第一损失函数，处理所述样本标签和所述样本检测信息集中的样本检测信息，得到与所述样本检测信息集对应的第一损失值；
训练模块，用于根据第二损失函数和所述第一损失值训练所述深度学习模型，得到训练后的深度学习模型，所述第二损失函数适用于处理所述第一损失值，得到用于训练所述深度学习模型的第二损失值。
16.根据权利要求15所述的装置，其中，所述第二损失函数基于第二权重参数构建得到，所述第二权重参数与所述第一损失值一一对应；
其中，所述训练模块包括：
训练子模块，用于基于预设规则交替地执行第一训练过程和第二训练过程，直至所述第二损失函数收敛；以及
深度学习模型确定子模块，用于将所述第二损失函数收敛的情况下对应的深度学习模型，确定为所述训练后的深度学习模型；
其中，所述第一训练过程基于当前的所述第二损失函数训练所述深度学习模型，所述第二训练过程基于当前的所述第一损失值更新当前的所述第二权重参数。
17.根据权利要求16所述的装置，其中，所述第一训练过程包括：
根据基于当前的第二权重参数构建得到的第二损失函数，处理与N个当前的样本检测信息集各自对应的当前的第一损失值，得到当前的第二损失值；以及
根据所述当前的第二损失值更新所述深度学习模型的当前的模型参数。
18.根据权利要求16所述的装置，其中，所述第二损失函数关联有适用于更新所述第二权重参数的优化条件函数；
所述第二训练过程包括：
根据所述优化条件函数，处理N个所述样本检测信息集各自对应的当前的第一损失值，得到更新后的新的第二权重参数；以及
根据所述新的第二权重参数，更新所述第二损失函数中当前的第二权重参数。
19.根据权利要求16所述的装置，其中，所述第一训练过程还包括：
根据所述当前的第二损失值更新所述第一损失函数中，与当前的样本检测信息对应的当前的第一权重参数，得到更新后的新的第一权重参数；
其中，所述当前的第一损失值是根据所述当前的样本检测信息集中当前的所述样本检测信息，以及所述当前的第一权重参数得到的。
20.根据权利要求16至19中任一项所述的装置，其中，所述训练子模块包括：
第一训练单元，用于根据第一预设执行频次，迭代地执行所述第一训练过程；以及
第二训练单元，用于根据第二预设执行频次执行所述第二训练过程，其中，所述第一预设执行频次大于所述第二预设执行频次。
21.根据权利要求15所述的装置，其中，所述样本检测信息集获得模块包括：
相关度检测结果获得子模块，用于根据聚类算法处理多个所述样本检测信息，得到相关度检测结果；以及
样本检测信息集获得子模块，用于根据所述相关度检测结果，从多个所述样本检测信息中确定N个所述样本检测信息集。
22.根据权利要求15所述的装置，其中，所述样本目标对象包括以下至少一项：
车辆、车道线、交通指示牌。
23.根据权利要求15所述的装置，其中，所述样本检测信息包括以下至少一项：
样本尺寸信息、样本位置信息、所述样本目标对象的样本类别信息。
24.一种目标对象检测装置，包括：
目标检测信息获得模块，用于将获取到的待处理图像输入至深度学习模型，输出与所述待处理图像中的至少一个目标对象相关的N个目标检测信息，N为大于1的整数；
其中，所述深度学习模型是根据权利要求1至8中任一项所述的方法训练得到的。
25.根据权利要求24所述的装置，其中，所述深度学习模型包括图像特征提取网络和至少一个检测分支网络；
其中，所述目标检测信息获得模块包括：
目标图像特征获得子模块，用于将所述待处理图像输入至所述图像特征提取网络，输出目标图像特征；以及
目标检测信息获得子模块，用于将所述目标图像特征输入至所述至少一个检测分支网络，输出所述N个所述目标检测信息。
26.根据权利要求25所述的装置，其中，所述图像特征提取网络包括骨干网络层、特征金字塔网络层和鸟瞰图特征检测层；
其中，所述目标图像特征获得子模块包括：
第一图像特征获得单元，用于将所述待处理图像输入至所述骨干网络层，输出第一图像特征；
第二图像特征获得单元，用于将所述第一图像特征输入至所述特征金字塔网络层，输出至少一个第二图像特征；
鸟瞰图特征获得单元，用于将所述至少一个第二图像特征输入至所述鸟瞰图特征检测层，输出鸟瞰图特征，其中，所述目标图像特征包括所述鸟瞰图特征。
27.根据权利要求24所述的装置，其中，所述目标对象包括以下至少一项：
车辆、车道线、交通指示牌。
28.根据权利要求24所述的装置，其中，所述目标检测信息包括以下至少一项：
尺寸信息、位置信息、所述目标对象的类别信息。
29.一种电子设备，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至14中任一项所述的方法。
30.一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根据权利要求1至14中任一项所述的方法。
31.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至14中任一项所述的方法。
CN202310661523.XA 2023-06-06 2023-06-06 深度学习模型的训练方法、目标对象检测方法及装置 Active CN116663650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310661523.XA CN116663650B (zh) 2023-06-06 2023-06-06 深度学习模型的训练方法、目标对象检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310661523.XA CN116663650B (zh) 2023-06-06 2023-06-06 深度学习模型的训练方法、目标对象检测方法及装置

Publications (2)

Publication Number Publication Date
CN116663650A CN116663650A (zh) 2023-08-29
CN116663650B true CN116663650B (zh) 2023-12-19

Family

ID=87727530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310661523.XA Active CN116663650B (zh) 2023-06-06 2023-06-06 深度学习模型的训练方法、目标对象检测方法及装置

Country Status (1)

Country Link
CN (1) CN116663650B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021087985A1 (zh) * 2019-11-08 2021-05-14 深圳市欢太科技有限公司 模型训练方法、装置、存储介质及电子设备
CN113095336A (zh) * 2021-04-22 2021-07-09 北京百度网讯科技有限公司 关键点检测模型的训练方法和检测目标对象关键点的方法
WO2021253510A1 (zh) * 2020-06-18 2021-12-23 中国科学院自动化研究所 基于双向交互网络的行人搜索方法、系统、装置
WO2022105227A1 (zh) * 2020-11-17 2022-05-27 深圳前海微众银行股份有限公司 一种确定空气质量的方法及装置
CN114882321A (zh) * 2022-05-30 2022-08-09 北京百度网讯科技有限公司 深度学习模型的训练方法、目标对象检测方法和装置
CN115082740A (zh) * 2022-07-18 2022-09-20 北京百度网讯科技有限公司 目标检测模型训练方法、目标检测方法、装置、电子设备
WO2022227770A1 (zh) * 2021-04-28 2022-11-03 北京百度网讯科技有限公司 目标对象检测模型的训练方法、目标对象检测方法和设备
CN115631381A (zh) * 2022-10-31 2023-01-20 北京百度网讯科技有限公司 分类模型训练方法、图像分类方法、装置及电子设备
CN115880536A (zh) * 2023-02-15 2023-03-31 北京百度网讯科技有限公司 数据处理方法、训练方法、目标对象检测方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI763520B (zh) * 2021-06-03 2022-05-01 宏碁股份有限公司 訓練老年性黃斑部退化的分類模型的電子裝置和方法
CN113902897B (zh) * 2021-09-29 2022-08-23 北京百度网讯科技有限公司 目标检测模型的训练、目标检测方法、装置、设备和介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021087985A1 (zh) * 2019-11-08 2021-05-14 深圳市欢太科技有限公司 模型训练方法、装置、存储介质及电子设备
WO2021253510A1 (zh) * 2020-06-18 2021-12-23 中国科学院自动化研究所 基于双向交互网络的行人搜索方法、系统、装置
WO2022105227A1 (zh) * 2020-11-17 2022-05-27 深圳前海微众银行股份有限公司 一种确定空气质量的方法及装置
CN113095336A (zh) * 2021-04-22 2021-07-09 北京百度网讯科技有限公司 关键点检测模型的训练方法和检测目标对象关键点的方法
WO2022227770A1 (zh) * 2021-04-28 2022-11-03 北京百度网讯科技有限公司 目标对象检测模型的训练方法、目标对象检测方法和设备
CN114882321A (zh) * 2022-05-30 2022-08-09 北京百度网讯科技有限公司 深度学习模型的训练方法、目标对象检测方法和装置
CN115082740A (zh) * 2022-07-18 2022-09-20 北京百度网讯科技有限公司 目标检测模型训练方法、目标检测方法、装置、电子设备
CN115631381A (zh) * 2022-10-31 2023-01-20 北京百度网讯科技有限公司 分类模型训练方法、图像分类方法、装置及电子设备
CN115880536A (zh) * 2023-02-15 2023-03-31 北京百度网讯科技有限公司 数据处理方法、训练方法、目标对象检测方法及装置

Also Published As

Publication number Publication date
CN116663650A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN109559320B (zh) 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统
CN113902897B (zh) 目标检测模型的训练、目标检测方法、装置、设备和介质
CN113377888B (zh) 训练目标检测模型和检测目标的方法
CN113674421B (zh) 3d目标检测方法、模型训练方法、相关装置及电子设备
CN113591573A (zh) 多任务学习深度网络模型的训练及目标检测方法、装置
CN115797736B (zh) 目标检测模型的训练和目标检测方法、装置、设备和介质
CN115512251A (zh) 基于双分支渐进式特征增强的无人机低照度目标跟踪方法
CN115100741A (zh) 一种点云行人距离风险检测方法、系统、设备和介质
CN113724388B (zh) 高精地图的生成方法、装置、设备以及存储介质
CN115995075A (zh) 一种车辆自适应导航方法、装置、电子设备及存储介质
CN116663650B (zh) 深度学习模型的训练方法、目标对象检测方法及装置
CN115147809B (zh) 一种障碍物检测方法、装置、设备以及存储介质
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN114724113B (zh) 道路标牌识别方法、自动驾驶方法、装置和设备
CN113344121B (zh) 训练招牌分类模型和招牌分类的方法
CN113869147A (zh) 目标检测方法及装置
CN114266879A (zh) 三维数据增强、模型训练检测方法、设备及自动驾驶车辆
CN113901903A (zh) 道路识别方法和装置
CN113963322B (zh) 一种检测模型训练方法、装置及电子设备
CN114407916B (zh) 车辆控制及模型训练方法、装置、车辆、设备和存储介质
CN115240171B (zh) 道路结构感知方法及装置
CN116229209B (zh) 目标模型的训练方法、目标检测方法及装置
CN115294234B (zh) 图像的生成方法、装置、电子设备和存储介质
CN115410173B (zh) 多模态融合的高精地图要素识别方法、装置、设备及介质
CN112507951B (zh) 指示灯识别方法、装置、设备、路侧设备和云控平台

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