CN118135509A - 目标检测方法、装置、计算机设备、存储介质和程序产品 - Google Patents
目标检测方法、装置、计算机设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN118135509A CN118135509A CN202211498645.3A CN202211498645A CN118135509A CN 118135509 A CN118135509 A CN 118135509A CN 202211498645 A CN202211498645 A CN 202211498645A CN 118135509 A CN118135509 A CN 118135509A
- Authority
- CN
- China
- Prior art keywords
- network
- detected
- target detection
- image
- preprocessing
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 220
- 238000007781 pre-processing Methods 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 137
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种目标检测方法、装置、计算机设备、存储介质和程序产品。该方法包括:获取目标交通场景的多种不同天气下的待检测图像;将各待检测图像输入至预设的目标检测网络中,得到各待检测图像的目标检测结果;目标检测网络包括预处理网络,预处理网络用于将各待检测图像转换至相同的数据空间中,以根据转换后的各待检测图像进行目标检测。采用本方法能够提高对于不同天气下的道路环境图片的预处理效率。
Description
技术领域
本申请涉及目标检测技术领域,特别是涉及一种目标检测方法、装置、计算机设备、存储介质和程序产品。
背景技术
随着人工智能技术的发展,基于视觉的目标检测受到越来越多的关注。道路环境对于车辆的行驶安全至关重要,对于道路环境进行目标检测可以保障行车过程中的安全。对于不同天气(例如,黑夜、雨天、雪天、雾天等)下的道路环境图片进行目标检测的过程中,需要先对道路环境图片进行预处理,然后对预处理后的道路环境图片进行目标检测。
相关技术中,在对不同天气条件下的道路环境图像进行预处理的过程中,需要先对道路环境图片进行天气分类,将同一种天气的道路环境图片分为一类,对于不同类别的道路环境图片,进行不同的预处理操作,得到预处理后的道路环境图片。例如,对于雾天道路环境图片进行去雾处理;对于黑夜道路环境图片进行数据增强处理。
然而,相关技术的方法对于不同天气下的道路环境图片的预处理效率不高。
发明内容
基于此,有必要针对上述技术问题,提供一种目标检测方法、装置、计算机设备、存储介质和程序产品,能够提高对于不同天气下的道路环境图片的预处理效率。
第一方面,本申请提供了一种目标检测方法,该方法包括:
获取目标交通场景的多种不同天气下的待检测图像;
将各待检测图像输入至预设的目标检测网络中,得到各待检测图像的目标检测结果;目标检测网络包括预处理网络,预处理网络用于将各待检测图像转换至相同的数据空间中,以根据转换后的各待检测图像进行目标检测。
在其中一个实施例中,目标检测网络还包括检测网络;根据转换后的各待检测图像进行目标检测,包括:
将转换后的各待检测图像输入至检测网络中,得到各待检测图像的目标检测结果。
在其中一个实施例中,目标检测网络还包括判别网络;方法还包括:
通过判别网络检测转换后的各待检测图像是否满足预设的处理精度条件;
若满足,则执行根据转换后的各待检测图像进行目标检测的步骤。
在其中一个实施例中,通过判别网络检测转换后的各待检测图像是否满足预设的处理精度条件,包括:
将转换后的各待检测图像和对应的待检测图像均输入至判别网络中,通过判别网络获取转换后的各待检测图像的判别结果;
若转换后的各待检测图像的判别结果均为预设值,则确定转换后的各待检测图像满足处理精度条件;预设值表示转换后的各待检测图像与对应的待检测图像之间的信息误差值小于预设误差值。
在其中一个实施例中,目标检测网络的构建过程包括:
获取第一训练样本和第二训练样本;
通过第一训练样本分别对初始目标检测网络中的初始预处理网络、初始判别网络和初始检测网络进行训练,对应得到中间预处理网络、中间判别网络和中间检测网络;
通过第二训练样本对中间预处理网络、中间判别网络和中间检测网络进行联合训练,训练完成后得到目标检测网络。
在其中一个实施例中,通过第二训练样本对中间预处理网络、中间判别网络和中间检测网络进行联合训练,训练完成后得到目标检测网络,包括:
通过第二训练样本对中间预处理网络进行训练,训练完成后得到预处理网络;
将第二训练样本输入至预处理网络中,得到第三训练样本;
将第二训练样本和第三训练样本输入至中间判别网络中,对中间判别网络进行训练,得到判别网络;
将第三训练样本输入至中间检测网络,对中间检测网络进行训练,得到检测网络。
第二方面,本申请还提供了一种目标检测装置,该装置包括:
获取模块,用于获取目标交通场景的多种不同天气下的待检测图像;
转换模块,用于将各待检测图像输入至预设的目标检测网络中,得到各待检测图像的目标检测结果;目标检测网络包括预处理网络,预处理网络用于将各待检测图像转换至相同的数据空间中,以根据转换后的各待检测图像进行目标检测。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面中任意一项目标检测方法的内容。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面中任意一项目标检测方法的内容。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中任意一项目标检测方法的内容。
上述目标检测方法、装置、计算机设备、存储介质和程序产品,获取目标交通场景的多种不同天气下的待检测图像,将各待检测图像输入至预设的目标检测网络中,得到各待检测图像的目标检测结果,目标检测网络包括预处理网络,通过预处理网络用于将各待检测图像转换至相同的数据空间中,通过一次数据空间转换,可以完成对不同天气下的各检测图像的预处理操作,大大提高了对于不同天气下的道路环境图片的预处理的效率,也降低了数据转换的复杂性;同时,通过端到端的空间转换和目标检测网络的构建,也避免了不同天气对目标检测过程的影响,使得目标检测的结果更加准确。
附图说明
图1为一个实施例中目标检测方法的应用环境图;
图2为一个实施例中目标检测方法的流程示意图;
图3为一个实施例中目标检测方法的流程示意图;
图4为一个实施例中目标检测方法的流程示意图;
图5为一个实施例中目标检测方法的流程示意图;
图6为一个实施例中目标检测方法的流程示意图;
图7为一个实施例中目标检测方法的流程示意图;
图8为一个实施例中目标检测方法的流程示意图;
图9为一个实施例中目标检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在对本申请实施例进行说明之前,先对本申请的技术背景进行介绍。
随着目标检测技术的不断发展,目标检测技术也越来越多地应用于交通领域中,通过目标检测技术可以减少交通事故的数量。
道路交通目标检测过程中可以通过各种各样的传感器采集道路交通中的环境信息,例如,毫米波雷达、激光雷达和视觉相机等。视觉相机相比于毫米波雷达和激光雷达来说,价格更便宜,体积更小,但是通过视觉相机采集道路交通中的环境信息的过程中,采集的图像环境信息会受到不同的天气条件的影响,需要对不同的天气的图像进行预处理,以保证目标检测结果的准确性。
相关技术中,对不同的天气的图像进行预处理时,对于不同天气下的图像,可以通过不同的预处理方式对不同的图像进行预处理操作,使得预处理操作的时间较长,预处理操作效率较低。
为了提高不同天气图像的预处理操作的效率,本申请提供一种目标检测方法,将不同天气的图像转换至同一数据空间中,通过一次转换处理,即可对不同天气图像进行预处理操作,减少了预处理操作的时间,提高了预处理操作的效率。
本申请实施例提供的目标检测方法,可以应用于计算机设备中,该计算机设备的内部结构如图1所示的应用环境中。该计算机设备的内部结构中的存储器包括非易失性存储介质和内存储器,该非易失性存储介质存储有操作系统、计算机程序和数据库;该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数据库用于存储目标检测过程中的数据。该网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请提供的目标检测方法。
在一个实施例中,如图2所示,提供了一种目标检测方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201,获取目标交通场景的多种不同天气下的待检测图像。
其中,不同的天气条件可以是雨天、雪天、雾天或黑夜等。
可选的,目标交通场景中路侧的视觉传感器可以采集多种天气下的检测图像,并将多种天气下的检测图像发送给计算机设备,计算机设备可以获取到目标交通场景的多种不同天气下的待检测图像。可选的,服务器可以根据目标交通场景的标识信息,从图像数据库中查找与该标识信息对应的检测图像,并从多个检测图像中筛选出多种不同天气下的待检测图像。本实施例对于获取目标交通场景的多种不同天气下的待检测图像的方式不做限定。
S202,将各待检测图像输入至预设的目标检测网络中,得到各待检测图像的目标检测结果;目标检测网络包括预处理网络,预处理网络用于将各待检测图像转换至相同的数据空间中,以根据转换后的各待检测图像进行目标检测。
在本实施例中,预设的目标检测网络是通过大量的样本数据进行训练的,通过预设的目标检测网络可以对各待检测图像进行目标检测,得到各待检测图像的目标检测结果。在目标检测之前,将各待检测图像作为输入信号,输入至目标检测网络中,通过目标检测网络中的预处理网络对各待测图像进行预处理操作,为了适应不同的天气,可以将多种不同天气下的各待测图像转换至相同的数据空间中,完成对各待测图像去雨、去雪、去雾等操作,转换后的各待测图像不受雨天、雪天、雾天或黑夜等的影像,例如,各待测图像的图像空间包括红、绿、蓝(Red Green Blue,RGB)数据空间、六角锥体(Hue Saturation Value,HSV)数据空间、颜色-对立(Lab Color Space,LAB)数据空间和青、洋红和黄(Cyan MagentaYellow,CMY)数据空间,可以将各待测图像转换至HSV数据空间中,可以避免雨天、雪天、雾天或黑夜等外界因素对待测图像的影像。
上述预处理网络包括前处理卷积网络(Pre-Conv)、中间残差网络(Residual)和后处理卷积网络(Post-Conv)。前处理卷积网络主要是为了降低各待检测图像的分辨率,提取各待检测图像中较高层的语义信息;中间残差网络用于提取各待检测图像中较深层次的语义信息,和深度残差网络中的残差模块相同;后处理卷积网络是将各待检测图像还原到图像尺寸,该后处理卷积网络主要由转置卷积网络组成。
上述目标检测方法中,获取目标交通场景的多种不同天气下的待检测图像,将各待检测图像输入至预设的目标检测网络中,得到各待检测图像的目标检测结果,目标检测网络包括预处理网络,通过预处理网络用于将各待检测图像转换至相同的数据空间中,通过一次数据空间转换,可以完成对不同天气下的各检测图像的预处理操作,大大提高了对于不同天气下的道路环境图片的预处理的效率,也降低了数据转换的复杂性;同时,通过端到端的空间转换和目标检测网络的构建,也避免了不同天气对目标检测过程的影响,使得目标检测的结果更加准确。
在上述实施例的基础上,若目标检测网络还包括检测网络,本实施例是对图2中步骤S202中“根据转换后的各待检测图像进行目标检测”的具体内容进行介绍说明,上述步骤S202可以包括如下内容:将转换后的各待检测图像输入至检测网络中,得到各待检测图像的目标检测结果。
在本实施例中,检测网络包括主干网络和检测头,该主干网络包括深度残差网络(Residual Network,ResNet),检测头对于目标的位置以及目标的类别信息进行检测。例如,该深度残差网络可以包含5个残差卷积模块,每个残差卷积模块可以包含卷积层(Convlayers)和池化层(Pooling),转换后的各待测图像经过主干网络后特征层的分辨率降为原图的1/32,H、W分别为转换后的各待测图像的高度和宽度,3表示通道数。检测头可以包含一个卷积网络和两个独立的检测头,第一个卷积层的通道数可以为256,主要是为了缓冲梯度变换对主干网络的影响,另外两个检测头独立运行,分别检测目标的位置和目标的类别信息。针对多种天气的各待测图像,每种天气共享相同的目标检测头。
进一步的,将转换后的各待检测图像输入检测网络中后,可以得到各待检测图像中目标的位置、目标的类别。
上述目标检测方法中,将转换后的各待检测图像输入至检测网络中,得到各待检测图像的目标检测结果,通过检测网络对转换后的各待测图像进行目标检测,避免了不同天气对目标检测过程的影响,使得目标检测的结果更加准确。
在上述实施例的基础上,若目标检测网络还包括判别网络,本实施例是判断各待检测图像是否满足预设的处理精度条件的具体内容进行介绍说明,如图3所示,上述还可以包括如下内容:
S301,通过判别网络检测转换后的各待检测图像是否满足预设的处理精度条件。
其中,判别网络可以用于对转换后的各待检测图像的处理精度进行检测,以确定各待检测图像的处理精度是否满足预设条件。为了对转换后的各待检测图像进行检测,判别网络和预处理网络中的前卷积网络类似,也是由卷积批范数(Convolution BatchNormRelu)模块组成,包含五个模块,每个模块的通道数分别为64、128、256、512和1,每个卷积层的卷积核为3*3,步幅为2(通道数为64的步幅为1),判别网络的最后一层网络输出的均值作为真假判断的结果。
在本实施例中,将转换后的各待检测图像作为输入信号,输入至判别网络中,通过判别网络对转换后的各待检测图像进行判别,确定转换后的各待检测图像是否满足预设的处理精度条件。例如,判别网络的输出结果可以包括1和0,当判别网络的输出结果为1时,确定转换后的各待检测图像满足预设的处理精度条件;当判别网络的输出结果为0时,确定转换后的各待检测图像不满足预设的处理精度条件。
S302,若满足,则执行根据转换后的各待检测图像进行目标检测的步骤。
在本实施例中,若根据判别网络的输出结果,可以确定转换后的各待检测图像满足预设的处理精度条件时,则通过检测网络对转换后的各待检测图像进行目标检测,得到目标检测结果。
上述目标检测方法中,通过判别网络检测转换后的各待检测图像是否满足预设的处理精度条件,若满足,则执行根据转换后的各待检测图像进行目标检测的步骤,通过判别网络对预处理后的各待检测图像进行判别,以确定预处理的结果是否满足要求,对于预处理满足要求的转换后的各待检测图像进行目标检测,避免了不同天气对各待检测图像的影响,保证了目标检测的检测结果的准确性。
在上述图3实施例的基础上,本实施例是对上述图3中的步骤S301中的“通过判别网络检测转换后的各待检测图像是否满足预设的处理精度条件”的具体内容进行介绍说明,如图4所示,上述步骤S301可以包括如下内容:
S401,将转换后的各待检测图像和对应的待检测图像均输入至判别网络中,通过判别网络获取转换后的各待检测图像的判别结果。
在本实施例中,可以将转换后的各待检测图像和对应的待检测图像作为输入信号,输入至判别网络中,通过判别网络对转换后的各待检测图像和对应的待检测图像进行对比分析,获取转换后的各待检测图像与对应的待检测图像之间的信息误差值,并通过判别网络输出转换后的各待检测图像的判别结果。
S402,若转换后的各待检测图像的判别结果均为预设值,则确定转换后的各待检测图像满足处理精度条件;预设值表示转换后的各待检测图像与对应的待检测图像之间的信息误差值小于预设误差值。
在本实施例中,对于每一个转换后的待检测图像来说,若转换后的待检测图像与对应的待检测图像之间的信息误差值小于预设误差值,则确定转换后的各待检测图像满足处理精度条件。若转换后的各待检测图像中的任意一个与对应的待检测图像之间的信息误差值大于或等于预设误差值,则确定转换后的各待检测图像不满足处理精度条件。
上述目标检测方法中,将转换后的各待检测图像和对应的待检测图像均输入至判别网络中,通过判别网络获取转换后的各待检测图像的判别结果,若转换后的各待检测图像的判别结果均为预设值,则确定转换后的各待检测图像满足处理精度条件,其中,预设值表示转换后的各待检测图像与对应的待检测图像之间的信息误差值小于预设误差值。通过判别网络获取的转换后的各待检测图像的判别结果更加准确,从而可以根据判别结果,准确地确定转换后的各待检测图像是否满足处理精度条件。
在上述图3实施例的基础上,本实施例是对上述目标检测网络的构建过程的具体内容进行介绍说明,如图5所示,该目标检测网络的构建过程可以包括如下内容:
S501,获取第一训练样本和第二训练样本。
在本实施例中,计算机设备可以根据不同的交通场景的标识信息,从图像数据库中查找与该标识信息相同的多种不同天气下的历史图像,将多种不同天气下的历史图像作为目标检测网络的训练样本。由于不同任务间各模块的结构与损失函数的计算方法有很大差距,为了保证目标检测网络训练的准确性,分步骤完成目标检测网络中的预处理网络、判别网络和检测网络不同部分参数的更新。按照实际需求将多种不同天气下的历史图像划分为两类,将其中一类历史图像作为第一训练样本,另外一类历史图像作为第二训练样本。
S502,通过第一训练样本分别对初始目标检测网络中的初始预处理网络、初始判别网络和初始检测网络进行训练,对应得到中间预处理网络、中间判别网络和中间检测网络。
在本实施例中,将第一训练样本输入至初始目标检测网络中,首先通过第一训练样本依次对初始预处理网络、初始判别网络进行训练,当初始判别网络输出的分类损失趋于稳定后,确定初始预处理网络、初始判别网络训练完成,得到中间预处理网络和中间判别网络。再利用中间预处理网络和中间判别网络输出的结果对初始检测网络进行训练,直至初始检测网络输出的分类损失和定位损失趋于稳定后,确定初始检测网络训练完成,得到中间检测网络。初始判别网络输出的分类损失可以表示为:
其中,LossGAN为交叉熵损失,分类损失也为交叉熵损失。
初始检测网络输出的分类损失和定位损失可以表示为:
其中,定位损失为平滑的L1损失;p、q分别为类别预测值和标签;t、g分别为目标位置预测值和标签;N为批处理大小。
S503,通过第二训练样本对中间预处理网络、中间判别网络和中间检测网络进行联合训练,训练完成后得到目标检测网络。
在本实施例中,通过第一训练样本对初始预处理网络、初始判别网络和初始检测网络训练,使得初始预处理网络、初始判别网络和初始检测网络的损失函数均趋于稳定后,通过第二训练样本再次对中间预处理网络、中间判别网络和中间检测网络进行联合训练,当中间预处理网络、中间判别网络和中间检测网络的总损失趋于稳定后,得到目标检测网络。上述总损失可以表示为:
Losstotal=LossGAN+αLossclass+βLossbox
其中,α、β为分类损失和定位损失的超参数。
上述目标检测方法中,获取第一训练样本和第二训练样本,通过第一训练样本分别对初始目标检测网络中的初始预处理网络、初始判别网络和初始检测网络进行训练,对应得到中间预处理网络、中间判别网络和中间检测网络,通过第二训练样本对中间预处理网络、中间判别网络和中间检测网络进行联合训练,训练完成后得到目标检测网络,通过不同的训练样本进行分步骤训练和总体联合训练,使得到的目标检测网络模型更加精确。
在上述图5实施例的基础上,本实施例是对上述图5中的步骤S503中的“通过第二训练样本对中间预处理网络、中间判别网络和中间检测网络进行联合训练,训练完成后得到目标检测网络”的具体内容进行介绍说明,如图6所示,上述步骤S503可以包括如下内容:
S601,通过第二训练样本对中间预处理网络进行训练,训练完成后得到预处理网络。
在本实施例中,首先将第二训练样本作为输入信号,输入至中间预处理网络中,通过第二训练样本对中间预处理网络进行训练,当中间预处理网络的损失函数趋于稳定时,将训练得到的中间预处理网络确定为预处理网络。
S602,将第二训练样本输入至预处理网络中,得到第三训练样本。
在本实施例中,通过S601的方法得到训练好的预处理网络后,将第二训练样本输入至训练好的预处理网络中,经过预处理网络对第二训练样本进行预处理操作,输出第三训练样本。
S603,将第二训练样本和第三训练样本输入至中间判别网络中,对中间判别网络进行训练,得到判别网络。
在本实施例中,将第二训练样本和第三训练样本均作为输入信号,输入至中间判别网络中,通过第二训练样本和第三训练样本对中间判别网络进行训练,当中间判别网络的损失函数趋于稳定时,将训练得到的中间判别网络确定为判别网络。
S604,将第三训练样本输入至中间检测网络,对中间检测网络进行训练,得到检测网络。
在本实施例中,通过中间判别网络对第三训练样本判别通过后,将第三训练样本作为输入信号,输入至中间检测网络中,通过第三训练样本对中间检测网络进行训练,直至中间检测网络的损失函数趋于稳定,将训练得到的检测模型确定为检测模型。例如,在对中间检测网络训练过程中,中间检测网络中主干网络使用预训练模型进行初始化,其他网络层使用均值为0、方差0.01的高斯函数进行初始化。使用Adam优化器对网络进行优化,初始学习率设置为0.00001,每一万步衰减0.94,以使得到的检测模型更加准确。
进一步的,可以理解的是,当预处理网络、判别网络和检测网络训练完成后,目标检测网络训练完成。可以通过测试数据对训练好的目标检测网络进行测试,将测试数据输入目标检测网络中,目标检测网络进行端到端的推理,得到测试数据对应的目标检测结果。另外,在进行后处理时,首先使用高阈值(0.01)对大多数目标进行过滤,然后使用非极大值抑制对每类目标进行过滤,每个类别的标准(Intersection Over Union,IOU)阈值设置为0.45。
上述目标检测方法中,通过第二训练样本对中间预处理网络进行训练,训练完成后得到预处理网络,将第二训练样本输入至预处理网络中,得到第三训练样本,将第二训练样本和第三训练样本输入至中间判别网络中,对中间判别网络进行训练,得到判别网络,将第三训练样本输入至中间检测网络,对中间检测网络进行训练,得到检测网络。本实施例通过第二训练样本按照顺序依次对中间预处理网络、中间判别网络和中间检测网络进行训练,将训练完成的预处理网络输出的第三训练样本训练中间判别网络,再根据训练完成的预处理网络输出的第三训练样本训练中间检测网络,保证训练过程逐步进行,保证预处理网络、判别网络和检测网络的准确性。
在一个实施例中,如图7所示,还提供一种目标检测方法的实施例,该实施例包括以下步骤:
S701,获取目标交通场景的多种不同天气下的待检测图像;
S702,将各待检测图像转换至相同的数据空间中;
S703,将转换后的各待检测图像和对应的待检测图像均输入至判别网络中,通过判别网络获取转换后的各待检测图像的判别结果;
S704,根据转换后的各待检测图像的判别结果均为预设值,则确定转换后的各待检测图像满足处理精度条件;
S705,若满足,则将转换后的各待检测图像输入至检测网络中,得到各待检测图像的目标检测结果。
图8表示目标检测方法的流程示意图,在图8中,将不同天气的各待测图像输入至目标检测网络中,通过目标检测网络对不同天气的各待测图像进行目标检测,输出目标检测结果。在目标检测网络检测的过程中,首先通过目标检测网络中的预处理网络(包括前处理卷积网络、中间残差网络和后处理卷积网络)对各待测图像进行预处理操作;再通过判别网络对转换后的各待测图像与不同天气的各待测图像进行判断,得到判断结果;将判别结果满足预设条件的转换后的各待测图像输入至目标检测网络中,通过目标检测网络对转换后的各待测图像进行目标定位和目标分类,得到检测结果。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的目标检测方法的目标检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个目标检测装置实施例中的具体限定可以参见上文中对于目标检测方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种目标检测装置,包括:获取模块11和转换模块12,其中:
获取模块,用于获取目标交通场景的多种不同天气下的待检测图像;
转换模块,用于将各待检测图像输入至预设的目标检测网络中,得到各待检测图像的目标检测结果;目标检测网络包括预处理网络,预处理网络用于将各待检测图像转换至相同的数据空间中,以根据转换后的各待检测图像进行目标检测。
在一个实施例中,上述转换模块包括检测单元,其中:
检测单元,用于将转换后的各待检测图像输入至检测网络中,得到各待检测图像的目标检测结果。
在一个实施例中,上述目标检测模块还包括判断模块,其中:
判断模块,用于通过判别网络检测转换后的各待检测图像是否满足预设的处理精度条件;
转换模块,用于在各待检测图像满足预设的处理精度条件的情况下,执行根据转换后的各待检测图像进行目标检测的步骤。
在一个实施例中,上述判断模块包括:判别单元和确定单元,其中:
判别单元,用于将转换后的各待检测图像和对应的待检测图像均输入至判别网络中,通过判别网络获取转换后的各待检测图像的判别结果;
确定单元,用于根据转换后的各待检测图像的判别结果均为预设值,则确定转换后的各待检测图像满足处理精度条件;预设值表示转换后的各待检测图像与对应的待检测图像之间的信息误差值小于预设误差值。
在一个实施例中,上述目标检测方法还包括:获取模块、第一训练模块和第二训练模块,其中:
获取模块,用于获取第一训练样本和第二训练样本;
第一训练模块,用于通过第一训练样本分别对初始目标检测网络中的初始预处理网络、初始判别网络和初始检测网络进行训练,对应得到中间预处理网络、中间判别网络和中间检测网络;
第二训练模块,用于通过第二训练样本对中间预处理网络、中间判别网络和中间检测网络进行联合训练,训练完成后得到目标检测网络。
在一个实施例中,上述第二训练模块包括:第一训练单元、预处理单元、第二训练单元和第三训练单元,其中:
第一训练单元,用于通过第二训练样本对中间预处理网络进行训练,训练完成后得到预处理网络;
预处理单元,用于将第二训练样本输入至预处理网络中,得到第三训练样本;
第二训练单元,用于将第二训练样本和第三训练样本输入至中间判别网络中,对中间判别网络进行训练,得到判别网络;
第三训练单元,用于将第三训练样本输入至中间检测网络,对中间检测网络进行训练,得到检测网络。
上述目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述任意一项目标检测方法的内容。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任意一项目标检测方法的内容。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任意一项目标检测方法的内容。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标检测方法,其特征在于,所述方法包括:
获取目标交通场景的多种不同天气下的待检测图像;
将各所述待检测图像输入至预设的目标检测网络中,得到各所述待检测图像的目标检测结果;所述目标检测网络包括预处理网络,所述预处理网络用于将各所述待检测图像转换至相同的数据空间中,以根据转换后的各所述待检测图像进行目标检测。
2.根据权利要求1所述的方法,其特征在于,所述目标检测网络还包括检测网络;所述根据转换后的各所述待检测图像进行目标检测,包括:
将转换后的各所述待检测图像输入至所述检测网络中,得到各所述待检测图像的目标检测结果。
3.根据权利要求1或2所述的方法,其特征在于,所述目标检测网络还包括判别网络;所述方法还包括:
通过所述判别网络检测转换后的各所述待检测图像是否满足预设的处理精度条件;
若满足,则执行所述根据转换后的各所述待检测图像进行目标检测的步骤。
4.根据权利要求3所述的方法,其特征在于,所述通过所述判别网络检测转换后的各所述待检测图像是否满足预设的处理精度条件,包括:
将转换后的各所述待检测图像和对应的待检测图像均输入至所述判别网络中,通过所述判别网络获取转换后的各所述待检测图像的判别结果;
若转换后的各所述待检测图像的判别结果均为预设值,则确定转换后的各所述待检测图像满足所述处理精度条件;所述预设值表示转换后的各所述待检测图像与对应的待检测图像之间的信息误差值小于预设误差值。
5.根据权利要求3所述的方法,其特征在于,所述目标检测网络的构建过程包括:
获取第一训练样本和第二训练样本;
通过所述第一训练样本分别对初始目标检测网络中的初始预处理网络、初始判别网络和初始检测网络进行训练,对应得到中间预处理网络、中间判别网络和中间检测网络;
通过所述第二训练样本对所述中间预处理网络、所述中间判别网络和所述中间检测网络进行联合训练,训练完成后得到所述目标检测网络。
6.根据权利要求5所述的方法,其特征在于,所述通过所述第二训练样本对所述中间预处理网络、所述中间判别网络和所述中间检测网络进行联合训练,训练完成后得到所述目标检测网络,包括:
通过所述第二训练样本对所述中间预处理网络进行训练,训练完成后得到所述预处理网络;
将所述第二训练样本输入至所述预处理网络中,得到第三训练样本;
将所述第二训练样本和所述第三训练样本输入至所述中间判别网络中,对所述中间判别网络进行训练,得到所述判别网络;
将所述第三训练样本输入至所述中间检测网络,对所述中间检测网络进行训练,得到所述检测网络。
7.一种目标检测装置,其特征在于,所述装置包括:
获取模块,用于获取目标交通场景的多种不同天气下的待检测图像;
转换模块,用于将各所述待检测图像输入至预设的目标检测网络中,得到各所述待检测图像的目标检测结果;所述目标检测网络包括预处理网络,所述预处理网络用于将各所述待检测图像转换至相同的数据空间中,以根据转换后的各所述待检测图像进行目标检测。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211498645.3A CN118135509A (zh) | 2022-11-28 | 2022-11-28 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211498645.3A CN118135509A (zh) | 2022-11-28 | 2022-11-28 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118135509A true CN118135509A (zh) | 2024-06-04 |
Family
ID=91238193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211498645.3A Pending CN118135509A (zh) | 2022-11-28 | 2022-11-28 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118135509A (zh) |
-
2022
- 2022-11-28 CN CN202211498645.3A patent/CN118135509A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818903B (zh) | 一种基于元学习和协同注意力的小样本遥感图像目标检测方法 | |
CN110188705B (zh) | 一种适用于车载系统的远距离交通标志检测识别方法 | |
Dornaika et al. | Building detection from orthophotos using a machine learning approach: An empirical study on image segmentation and descriptors | |
CN111914907A (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
WO2021146700A1 (en) | Systems for multiclass object detection and alerting and methods therefor | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN110490205B (zh) | 基于全残差空洞卷积神经网络的道路场景语义分割方法 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
CN113743417B (zh) | 语义分割方法和语义分割装置 | |
CN113822352B (zh) | 基于多特征融合的红外弱小目标检测方法 | |
CN115035361A (zh) | 基于注意力机制和特征交叉融合的目标检测方法及系统 | |
CN111950498A (zh) | 一种基于端到端实例分割的车道线检测方法及装置 | |
CN115631344A (zh) | 一种基于特征自适应聚合的目标检测方法 | |
CN112365451A (zh) | 图像质量等级的确定方法、装置、设备及计算机可读介质 | |
CN118135509A (zh) | 目标检测方法、装置、计算机设备、存储介质和程序产品 | |
US20240127585A1 (en) | Method for determining the encoder architecture of a neural network | |
Nataprawira et al. | Pedestrian detection on multispectral images in different lighting conditions | |
CN115035429A (zh) | 一种基于复合主干网络和多预测头的航拍目标检测方法 | |
CN110084190B (zh) | 一种基于ann的剧烈光照环境下实时非结构化道路检测方法 | |
Zhang et al. | Research on rainy day traffic sign recognition algorithm based on PMRNet | |
Johansson | Small vessel detection in high quality optical satellite imagery | |
CN116861261B (zh) | 自动驾驶模型的训练方法、部署方法、系统、介质和设备 | |
CN117636080B (zh) | 一种场景分类方法、装置、计算机设备及可读存储介质 | |
CN115376025B (zh) | 一种无人机目标检测方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |