CN117765484A - 基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置 - Google Patents
基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置 Download PDFInfo
- Publication number
- CN117765484A CN117765484A CN202311651135.XA CN202311651135A CN117765484A CN 117765484 A CN117765484 A CN 117765484A CN 202311651135 A CN202311651135 A CN 202311651135A CN 117765484 A CN117765484 A CN 117765484A
- Authority
- CN
- China
- Prior art keywords
- model
- data set
- detection
- ssd
- distillation
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000003825 pressing Methods 0.000 title claims abstract description 35
- 238000004821 distillation Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000001788 irregular Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008485 antagonism Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置，包括：采用数据集增强算法对预先获取的包含车辆不规范的压线行为的数据集进行预处理；在数据集上训练SSD模型作为教师模型;将特征金字塔引入到SSD检测模型中，提高SSD模型检测精准度；使用动量对抗性攻击MTOG在SSD检测模型上生成相应的对抗性样例，从而形成对抗性数据集；在生成的对抗性数据集上训练改进后的SSD模型，从而增强目标检测算法的鲁棒性和准确性。与现有技术相比，本发明通过实时获取道路图像，使用训练好的蒸馏模型，可以高效地检测到车辆是否有不规范压线行为，并及时发出警报。可以有效提升道路交通管理的水平。
Description
技术领域
本发明属于智能交通领域，特别涉及基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置。
背景技术
目前，随着交通流量的增加和道路安全的重要性，对车辆行为的规范检测变得越来越重要，而在车辆不规范的行为中，车辆不规范的压线的行为又是一种比较常见的违规行为，所以对车辆不规范的压线行为的检测是十分有必要的。
在对车辆不规范的压线行为进行检测时，传统的车辆不规范的压线行为检测方法通常依赖交通检查或者利用交通摄像头来监测和记录，这种存在着明显的不足：1、依赖人工干预：传统方法通常需要依赖交通工作人员或目击证人来检测车辆是否违规压线，这需要大量的人力资源和时间，不够高效；2、检测的范围有限：通常局限于交通工作人员的巡逻路线，而不能全面监测所有道路和交叉口。
在智能检测领域，现有的技术是使用摄像头和计算机视觉技术，可以检测车辆是否越过道路边界线，但现有的检测方法基于规则或特定的图像处理算法，难以应对复杂的场景，当遇到交通拥堵，复杂的路道标线的情况下，检测的准确性和鲁棒性可能会受到影响。
基于此，现亟需一种可以在复杂场景下的实时检测车辆是否压线的方法。
发明内容
发明目的：针对上述问题，本发明提供了一种基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置，通过引入对抗蒸馏，生成对抗样本，从而增强目标检测算法在车辆不规范的压线检测方面的准确性和鲁棒性，同时，结合实时目标检测技术，实现对行驶中车辆不规范的压线行为的快速准确检测和识别。
技术方案：本发明公开一种基于对抗蒸馏和实时目标检测的智能车辆压线检测方法，包括如下步骤：
步骤1：对预先获取的包含车辆不规范的压线行为的数据集D1进行预处理，得到初始数据集D2；
步骤2：在进行预处理过的初始数据集D2上训练SSD检测模型作为教师模型；
步骤3：将特征金字塔引入到SSD检测模型中，将高层的特征图信息与低层的特征图信息进行融合，得到改进的SSD检测模型；
步骤4：使用对抗性攻击MTOG在SSD检测模型上生成相应的对抗性样例，提取对抗性特征模块，从而形成对抗性数据集D3；
步骤5：在生成的对抗性数据集D3上训练改进的SSD检测模型作为蒸馏模型，进而进行车辆不规范的压线行为的检测。
进一步地，所述步骤1的具体方法为：
步骤1.1：将获取到的数据集D1中的图像通过平移缩放、翻转变换、图像增强进行预处理；
步骤1.2：将数据集D1的图像中的停车线的边缘利用像素点将其分割出来，形成新的数据集D2。
进一步地，所述步骤2的具体方法为：
步骤2.1：使用标签标注工具LabelImg软件对数据集D2的图像进行车辆标注；
步骤2.2：将标注好的数据集D2按照8:1:1划分为训练集，验证集以及测试集；
步骤2.3：在标注好的数据集D2的训练集中进行训练SSD检测模型，将其作为教师模型；
步骤2.4：在标注好的数据集D2的测试集中测试训练好的SSD模型。
进一步地，所述步骤3将特征金字塔引入到SSD检测模型中的具体方法为：
步骤3.1：将SSD检测模型的卷积层中的Conv4_3层，Conv7层，Conv8_2层所对应的特征图提取出来，分别为R1，R2，R3；
步骤3.2：将获取到的三个特征图R1，R2，R3作为输入，分别用1×1的卷积进行处理，分别得到特征图RC1，RC2，RC3，从而保持三个特征图的输出通道数保持一致；
步骤3.3：将高层特征图RC3通过双线性插值上采样2倍，与中间特征图RC2进行特征融合，得到新的特征图RU2；再将RU2继续上采样2倍，与底层特征图RC1进行融合，得到融合特征图RU1；
步骤3.4：将融合后得到的特征图RU1，RU2和原特征图RC1分别用3×3的卷积进行处理，从而将图像的特征进行增强，得到输出特征图P1，P2，P3；
步骤3.5：将得到的包含多层特征的P1，P2，P3替换SSD模型默认的高层特征图。
进一步地，所述步骤4的具体方法为：
步骤4.1：输入一个初始的数据d、真值O、扰动的大小τ、衰减系数α，迭代次数T、目标检测器f以及符号函数Φ，所述目标检测器f即为改进后的SSD模型；
步骤4.2：将检测中的步长表示为s＝τ/T，并且定义循环变量t，赋初值为0；
步骤4.3：在t＝0时的初始梯度g0＝0,初始的对抗性数据d'0，其计算公式为： 是一个限制函数；
步骤4.4：如果t≤T-1，执行步骤4.5-4.8，否则跳转步骤4.9；
步骤4.5：将第t次迭代时所生成的对抗性数据d't输入到目标检测器f中，得到MTOG攻击数据集的梯度；
步骤4.6：将梯度方向上的速度矢量累加为动量gt+1；
步骤4.7：利用符号函数Φ和得到的动量gt+1来更新对抗性数据d't+1，其计算公式为：d't+1＝Πd，τ[d't+sΦ×gt+1]；
步骤4.8：进行下一次的迭代；
步骤4.9：结束循环，输出全部的对抗性数据d'＝{d'1，d'2，d'3，…，d'T}；
步骤4.10：定义循环变量i，赋初值为1；
步骤4.11：将对抗性数据d'输入到目标检测器f中，得到边界框 并得到每个/>所对应的对抗性分类特征/>
步骤4.12：规定阈值分数为score；
步骤4.13：如果i≤T，执行4.14-4.15，否则跳转步骤4.16；
步骤4.14：如果丢弃分数低于阈值的边界框，以确保对抗性分类特征有价值；否则保存当前/>
步骤4.15：对下一个进行判断；
步骤4.16：采用K-means聚类算法对真值边界框进行聚类；
步骤4.17：使用IOGT方法将生成的与真值边界框相交的边界框进行删除，确保所选择的边界框不包含原始的定位特征，将其作为Temp1；
步骤4.18：采用非极大值抑制来保证进行MTOG攻击过生成的边界框不相交，使得生成的定位特征不重复，将其作为Temp2；
步骤4.19：将Temp2与对抗性数据集d'组合起来，生成新的数据集作为D3输出。
进一步地，所述步骤5的具体方法为：
步骤5.1：定义循环训练次数N；
步骤5.2：定义循环变量n，赋初值为1；
步骤5.3：当n≤N，执行5.4-5.7，否则跳转到步骤5.8；
步骤5.4：在生产的对抗性数据集D3上训练教师模型，提取教师模型对每个样本的预测输出作为软标签；
步骤5.5：在对抗性数据集D3上训练改进后的SSD模型作为学生模型，损失函数为学生输出和教师软标签的差距；
步骤5.6：保存学生模型的参数和预测结果；
步骤5.7：进行下一次的模型训练；
步骤5.8：将得到的N个模型的结果进行融合，通过模型集成的方式，获得融合结果作为最终输出；
步骤5.9：使用训练好的蒸馏模型对车辆不规范的压线行为进行检测。
本发明还公开一种基于对抗蒸馏和实时目标检测的智能车辆压线检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现上述基于对抗蒸馏和实时目标检测的智能车辆压线检测方法。
有益效果：
1、本发明对于车辆不规范的压线检测，更关注于在复杂的场景下能够提高检测车辆不规范的压线的准确性和鲁棒性，并且能够实时检测。车辆压线的场景具有多样性和复杂性，使用对抗性攻击生成对抗性样本，在对抗性样本上进行算法训练，可以提高检测的准确性和鲁棒性。
2、本发明利用改进的SSD模型，在SSD检测模型中引入了特征金字塔结构，将高层次的特征图上采样与低层的特征图进行相叠加，使得获取到更多的特征信息，从而提高SSD模型检测的精确率。
3、本发明利用MTOG对抗性攻击，在进行训练过的SSD模型上选择多个图像样本作为攻击的目标，这些样本可能受到微小的扰动，但足以欺骗车辆违规压线检测系统，导致误判或错误的结果，从而可以增加场景的复杂性。
4、本发明使用对抗蒸馏，在MTOG对抗性攻击中生成的对抗性样本中，提取对抗性特征模块来制作对抗性的基础真理，从而制作对抗性数据集，在生成的对抗性数据集上对改进后的SSD检测模型进行训练，从而可以提高改进后的SSD检测模型在复杂情景下的检测的精准度和鲁棒性。
附图说明
图1为本发明整体流程图；
图2为将停车线边缘按像素点划分图；
图3为使用初始数据集D2训练SSD算法模型流程图；
图4为改进SSD算法模型流程图；
图5为使用对抗性攻击MTOG训练后的SSD检测模型，从而生成对抗性数据集D3的流程图；
图6为使用对抗性数据集D3训练改进的SSD算法模型流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明公开了一种基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置，适用于面向车辆不规范的压线检测受到其周围复杂环境影响的问题，充分利用对抗蒸馏的泛化和鲁棒性，在被MTOG攻击过的数据集上训练检测模型，提高检测的精度。该模型首先，对包含车辆违规压线的数据集D1进行图像增强和将停车线的边缘使用像素点分割出来及预处理后得到样本数据集D2，在D2数据集中训练SSD检测模型；再将特征金字塔引入到SSD检测模型中，将高层的特征图信息与低层的特征图信息融合，提高SSD模型检测精度，接着，使用对抗性攻击MTOG在SSD检测模型上生产对应的对抗性样例，提取对抗性特征模块从而形成对抗性数据集D3；最后，使用数据集D3对改进后的SSD模型进行训练得到蒸馏模型。具体包括如下步骤：
步骤1：对预先获取的包含车辆不规范的压线行为的数据集D1进行预处理，得到初始数据集D2。
步骤1.1：将获取到的数据集D1中的图像通过平移缩放，翻转变换，图像增强等算法进行预处理。
步骤1.2：将数据集D1的图像中的停车线的边缘利用像素点将其分割出来，形成新的数据集D2，分割后的结果如图2所示。
步骤2：在进行预处理过的数据D2上训练SSD模型作为教师模型，具体的如图3所示：
步骤2.1：使用标签标注工具LabelImg软件对数据集D2的图像进行车辆标注。
步骤2.2：将标注好的数据集D2按照8:1:1划分为训练集，验证集以及测试集。
步骤2.3：在标注好的数据集D2的训练集中进行训练SSD检测模型，将其作为教师模型。
步骤2.4：在标注好的数据集D2的测试集中测试训练好的SSD模型。
步骤3：将特征金字塔引入到SSD检测模型中，将高层的特征图信息与低层的特征图信息进行融合，提供SSD模型的检测精度，具体的如图4所示：
步骤3.1：将SSD检测模型的卷积层中的Conv4_3层，Conv7层，Conv8_2层所对应的特征图提取出来，分别为R1，R2，R3。
步骤3.2：将获取到的三个特征图R1，R2，R3作为输入，分别用1×1的卷积进行处理，分别得到特征图RC1，RC2，RC3，从而保持三个特征图的输出通道数保持一致。
步骤3.3：将高层特征图RC3通过双线性插值上采样2倍，与中间特征图RC2进行特征融合，得到新的特征图RU2；再将RU2继续上采样2倍，与底层特征图RC1进行融合，得到融合特征图RU1。
步骤3.4：将融合后得到的特征图RU1，RU2原特征图RC1分别用3×3的卷积进行处理，从而将图像的特征进行增强，得到输出特征图P1，P2，P3。
步骤3.5：将得到的包含多层特征的P1，P2，P3替换SSD模型默认的高层特征图。
步骤4：使用对抗性攻击MTOG在SSD检测模型上生成相应的对抗性样例，提取对抗性特征模块，从而形成对抗性数据集D3，具体的如图5所示：
步骤4.1：输入一个初始的数据d，真值O，扰动的大小τ，衰减系数α，迭代次数T，目标检测器f以及符号函数Φ，目标检测器f即为改进后的SSD模型。
步骤4.2：将检测中的步长表示为s＝τ/T，并且定义循环变量t，赋初值为0。
步骤4.3：在t＝0时的初始梯度g0＝0,初始的对抗性数据d'0，其计算公式为： 是一个限制函数。
步骤4.4：如果t≤T-1，执行步骤4.5-4.8，否则跳转步骤4.9。
步骤4.5：将d't输入到目标检测器f中，得到时间内的MTOG攻击数据集的梯度。
步骤4.6：将梯度方向上的速度矢量累加为动量g+1。
步骤4.7：利用符号函数Φ和得到的动量gt+1来更新对抗性数据d't+1，其计算公式为：d't+1＝Πd，τ[d't+sΦ×g+1]。
步骤4.8：进行下一次的迭代。
步骤4.9：结束循环，输出全部的对抗性数据d'＝{d'1，d'2，d'3，…，d'T}；
步骤4.10：定义循环变量i，赋初值为1。
步骤4.11：将对抗性数据d'输入到目标检测器f中，得到边界框 并得到每个/>所对应的对抗性分类特征/>
步骤4.12：规定阈值分数为score。
步骤4.13：如果i≤T，执行4.14-4.17，否则跳转步骤4.18。
步骤4.14：如果执行步骤4.15，否则跳转步骤4.16。
步骤4.15：丢弃分数低于阈值的边界框，以确保对抗性分类特征有价值。
步骤4.16：保存当前
步骤4.17：对下一个进行判断。
步骤4.18：采用K-means聚类算法对真值边界框进行聚类。
步骤4.19：使用IOGT方法将生成的与真值边界框相交的边界框进行删除，确保所选择的边界框不包含原始的定位特征，将其作为Temp1。
步骤4.20：采用非极大值抑制来保证进行MTOG攻击过生成的边界框不相交，使得生成的定位特征不重复，将其作为Temp2。
步骤4.21：将生成新的数据集作为D3输出。
步骤5：在生成的对抗性数据集D3上训练蒸馏模型，具体的如图6所示：
步骤5.1：定义循环训练次数N。
步骤5.2：定义循环变量n，赋初值为1。
步骤5.3：当n≤N，执行5.4-5.7，否则跳转到步骤5.8。
步骤5.4：在生产的对抗性数据集D3上训练教师模型，提取教师模型对每个样本的预测输出作为软标签。
步骤5.5：在对抗性数据集D3上训练改进后的SSD模型作为学生模型，损失函数为学生输出和教师软标签的差距。
步骤5.6：保存学生模型的参数和预测结果。
步骤5.7：进行下一次的模型训练。
步骤5.8：将得到的N个模型的结果进行融合，通过模型集成的方式，获得融合结果作为最终输出。
步骤5.9：使用训练好的蒸馏模型对车辆不规范的压线行为进行检测。
下面对材料中涉及的相关变量进行解释如下：
本发明可与计算机系统结合成为基于交通不规范行为检测的智能辅助装置，装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被加载至处理器时实现上述基于对抗蒸馏和实时目标检测的智能车辆压线检测方法。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于对抗蒸馏和实时目标检测的智能车辆压线检测方法，其特征在于，包括如下步骤：
步骤1：对预先获取的包含车辆不规范的压线行为的数据集D1进行预处理，得到初始数据集D2；
步骤2：在进行预处理过的初始数据集D2上训练SSD检测模型作为教师模型；
步骤3：将特征金字塔引入到SSD检测模型中，将高层的特征图信息与低层的特征图信息进行融合，得到改进的SSD检测模型；
步骤4：使用对抗性攻击MTOG在SSD检测模型上生成相应的对抗性样例，提取对抗性特征模块，从而形成对抗性数据集D3；
步骤5：在生成的对抗性数据集D3上训练改进的SSD检测模型作为蒸馏模型，进而进行车辆不规范的压线行为的检测。
2.根据权利要求1所述的基于对抗蒸馏和实时目标检测的智能车辆压线检测方法，其特征在于，所述步骤1的具体方法为：
步骤1.1：将获取到的数据集D1中的图像通过平移缩放、翻转变换、图像增强进行预处理；
步骤1.2：将数据集D1的图像中的停车线的边缘利用像素点将其分割出来，形成新的数据集D2。
3.根据权利要求1所述的基于对抗蒸馏和实时目标检测的智能车辆压线检测方法，其特征在于，所述步骤2的具体方法为：
步骤2.1：使用标签标注工具LabelImg软件对数据集D2的图像进行车辆标注；
步骤2.2：将标注好的数据集D2按照8:1:1划分为训练集，验证集以及测试集；
步骤2.3：在标注好的数据集D2的训练集中进行训练SSD检测模型，将其作为教师模型；
步骤2.4：在标注好的数据集D2的测试集中测试训练好的SSD模型。
4.根据权利要求1所述的基于对抗蒸馏和实时目标检测的智能车辆压线检测方法，其特征在于，所述步骤3将特征金字塔引入到SSD检测模型中的具体方法为：
步骤3.1：将SSD检测模型的卷积层中的Conv4_3层，Conv7层，Conv8_2层所对应的特征图提取出来，分别为R1，R2，R3；
步骤3.2：将获取到的三个特征图R1，R2，R3作为输入，分别用1×1的卷积进行处理，分别得到特征图RC1，RC2，RC3，从而保持三个特征图的输出通道数保持一致；
步骤3.3：将高层特征图RC3通过双线性插值上采样2倍，与中间特征图RC2进行特征融合，得到新的特征图RU2；再将RU2继续上采样2倍，与底层特征图RC1进行融合，得到融合特征图RU1；
步骤3.4：将融合后得到的特征图RU1，RU2和原特征图RC1分别用3×3的卷积进行处理，从而将图像的特征进行增强，得到输出特征图P1，P2，P3；
步骤3.5：将得到的包含多层特征的P1，P2，P3替换SSD模型默认的高层特征图。
5.根据权利要求1所述的基于对抗蒸馏和实时目标检测的智能车辆压线检测方法，其特征在于，所述步骤4的具体方法为：
步骤4.1：输入一个初始的数据d、真值O、扰动的大小τ、衰减系数α，迭代次数T、目标检测器f以及符号函数Φ，所述目标检测器f即为改进后的SSD模型；
步骤4.2：将检测中的步长表示为s＝τ/T，并且定义循环变量t，赋初值为0；
步骤4.3：在t＝0时的初始梯度g0＝0,初始的对抗性数据d'0，其计算公式为： 是一个限制函数；
步骤4.4：如果t≤T-1，执行步骤4.5-4.8，否则跳转步骤4.9；
步骤4.5：将第t次迭代时所生成的对抗性数据d't输入到目标检测器f中，得到MTOG攻击数据集的梯度；
步骤4.6：将梯度方向上的速度矢量累加为动量gt+1；
步骤4.7：利用符号函数Φ和得到的动量gt+1来更新对抗性数据d't+1，其计算公式为：d't+1＝Πd，τ[d't+sΦ×gt+1]；
步骤4.8：进行下一次的迭代；
步骤4.9：结束循环，输出全部的对抗性数据d'＝{d'1，d'2，d'3，…，d'T}；
步骤4.10：定义循环变量i，赋初值为1；
步骤4.11：将对抗性数据d'输入到目标检测器f中，得到边界框 并得到每个/>所对应的对抗性分类特征/>
步骤4.12：规定阈值分数为score；
步骤4.13：如果i≤T，执行4.14-4.15，否则跳转步骤4.16；
步骤4.14：如果丢弃分数低于阈值的边界框，以确保对抗性分类特征有价值；否则保存当前/>
步骤4.15：对下一个进行判断；
步骤4.16：采用K-means聚类算法对真值边界框进行聚类；
步骤4.17：使用IOGT方法将生成的与真值边界框相交的边界框进行删除，确保所选择的边界框不包含原始的定位特征，将其作为Temp1；
步骤4.18：采用非极大值抑制来保证进行MTOG攻击过生成的边界框不相交，使得生成的定位特征不重复，将其作为Temp2；
步骤4.19：将Temp2与对抗性数据集d'组合起来，生成新的数据集作为D3输出。
6.根据权利要求1所述的基于对抗蒸馏和实时目标检测的智能车辆压线检测方法，其特征在于，所述步骤5的具体方法为：
步骤5.1：定义循环训练次数N；
步骤5.2：定义循环变量n，赋初值为1；
步骤5.3：当n≤N，执行5.4-5.7，否则跳转到步骤5.8；
步骤5.4：在生产的对抗性数据集D3上训练教师模型，提取教师模型对每个样本的预测输出作为软标签；
步骤5.5：在对抗性数据集D3上训练改进后的SSD模型作为学生模型，损失函数为学生输出和教师软标签的差距；
步骤5.6：保存学生模型的参数和预测结果；
步骤5.7：进行下一次的模型训练；
步骤5.8：将得到的N个模型的结果进行融合，通过模型集成的方式，获得融合结果作为最终输出；
步骤5.9：使用训练好的蒸馏模型对车辆不规范的压线行为进行检测。
7.一种基于对抗蒸馏和实时目标检测的智能车辆压线检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的基于对抗蒸馏和实时目标检测的智能车辆压线检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311651135.XA CN117765484B (zh) | 2023-12-04 | 2023-12-04 | 基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311651135.XA CN117765484B (zh) | 2023-12-04 | 2023-12-04 | 基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117765484A true CN117765484A (zh) | 2024-03-26 |
| CN117765484B CN117765484B (zh) | 2024-06-11 |
Family
ID=90309579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311651135.XA Active CN117765484B (zh) | 2023-12-04 | 2023-12-04 | 基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765484B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461226A (zh) * | 2020-04-01 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 对抗样本生成方法、装置、终端及可读存储介质 |
| US20230222353A1 (en) * | 2020-09-09 | 2023-07-13 | Vasileios LIOUTAS | Method and system for training a neural network model using adversarial learning and knowledge distillation |
| CN117152513A (zh) * | 2023-08-30 | 2023-12-01 | 南京邮电大学 | 一种面向夜间场景的车辆边界定位方法 |
-
2023
- 2023-12-04 CN CN202311651135.XA patent/CN117765484B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461226A (zh) * | 2020-04-01 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 对抗样本生成方法、装置、终端及可读存储介质 |
| US20230222353A1 (en) * | 2020-09-09 | 2023-07-13 | Vasileios LIOUTAS | Method and system for training a neural network model using adversarial learning and knowledge distillation |
| CN117152513A (zh) * | 2023-08-30 | 2023-12-01 | 南京邮电大学 | 一种面向夜间场景的车辆边界定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117765484B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Coda: A real-world road corner case dataset for object detection in autonomous driving | |
| Li et al. | Deep neural network for structural prediction and lane detection in traffic scene | |
| CN107368787B (zh) | 一种面向深度智驾应用的交通标志识别方法 | |
| Michieli et al. | Adversarial learning and self-teaching techniques for domain adaptation in semantic segmentation | |
| JP2021530048A (ja) | 多階層化目標類別方法及び装置、交通標識検出方法及び装置、機器並びに媒体 | |
| CN109977978A (zh) | 一种多目标检测方法、装置及存储介质 | |
| CN107315998A (zh) | 基于车道线的车辆种类划分方法和系统 | |
| CN115830399B (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
| CN115205855B (zh) | 融合多尺度语义信息的车辆目标识别方法、装置及设备 | |
| CN112613434A (zh) | 道路目标检测方法、装置及存储介质 | |
| CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
| US11420623B2 (en) | Systems for determining object importance in on-road driving scenarios and methods thereof | |
| Isa et al. | Real-time traffic sign detection and recognition using Raspberry Pi | |
| Seo et al. | Temporary traffic control device detection for road construction projects using deep learning application | |
| CN112597996A (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
| CN117765484B (zh) | 基于对抗蒸馏和实时目标检测的智能车辆压线检测方法及装置 | |
| CN106650814A (zh) | 一种基于车载单目视觉室外道路自适应分类器生成方法 | |
| CN116665009A (zh) | 一种基于多尺度ssd网络的管道漏磁图像检测方法 | |
| CN116958639A (zh) | 一种交通灯识别模型错误行为检测与增强的方法 | |
| CN111160282A (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
| CN116071557A (zh) | 一种长尾目标检测方法、计算机可读存储介质及驾驶设备 | |
| CN116052189A (zh) | 一种文本识别方法、系统和存储介质 | |
| Vattem et al. | Rethinking lidar object detection in adverse weather conditions | |
| Wang et al. | Semi-supervised image-to-image translation for lane detection in rain | |
| Hotkar et al. | U-net and YOLO: AIML models for lane and object detection in real-time |
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 |