图像检测、行驶控制方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种图像检测、行驶控制方法、装置、电子设备及存储介质，该方法包括：根据待检测图像生成多通道特征数据；将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量；根据所述压缩特征向量生成全局特征向量，所述全局特征向量中包含所述待检测图像的全局信息；基于所述全局特征向量和所述多通道特征数据，确定所述待检测图像对应的检测结果。

【技术实现步骤摘要】
图像检测、行驶控制方法、装置、电子设备及存储介质
本公开涉及深度学习
，具体而言，涉及一种图像检测、行驶控制方法、装置、电子设备及存储介质。
技术介绍
图像处理任务可以包括图像分类、目标物体检测、语义分割、实例分割等。比如，语义分割是计算机视觉领域的基本问题之一，语义分割的目标是对图像上的每一个像素进行检测、分类，将图像上属于同一类的像素归为一类，其中，语义分割有着广泛的应用场景，比如自动驾驶场景、机器人场景等。一般的，可以通过非局部Non-Local算法完成图像处理任务，但是，Non-Local算法的运行效率与输入图像的分辨率密切相关，在输入图像的分辨率较高时，Non-Local算法的效率较低。
技术实现思路
有鉴于此，本公开至少提供一种图像检测、行驶控制方法、装置、电子设备及存储介质。第一方面，本公开提供了一种图像检测方法，包括：根据待检测图像生成多通道特征数据；将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量；根据所述压缩特征向量生成全局特征向量，所述全局特征向量中包含所述待检测图像的全局信息；基于所述全局特征向量和所述多通道特征数据，确定所述待检测图像对应的检测结果。采用上述方法，经实验发现，神经网络最后生成的、用于进行预测的特征图上，每个类别在通道上面的分布较稀疏，因此，本方案在生成多通道特征数据之后，将多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量，根据压缩特征向量生成全局特征向量，该全局特征向量中包含有待检测图像的全局信息；最后基于包含有待检测图像的全局信息的全局特征向量和多通道特征数据，确定待检测图像对应的检测结果时，保障了待检测图像的检测结果的准确度的同时还由于特征数据被压缩减小了数据处理量，从而无需关注待检测图像的分辨率信息，在保证图像检测准确度的基础上，提高了图像检测的效率。一种可能的实施方式中，所述将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量，包括：对所述多通道特征数据进行降维处理，生成降维后的多通道特征数据；将所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量。采用上述方法，可以先对多通道特征数据进行降维处理，基于降维后的多通道特征数据生成压缩特征向量时，减少了压缩特征向量的维度，以便后续基于压缩特征向量生成全局特征向量时，可以减少计算量，提高处理效率。一种可能的实施方式中，将所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量，包括：基于全局池化操作对所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量。上述方法中，利用全局池化操作对降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量，压缩处理过程较为简便。一种可能的实施方式中，所述对所述多通道特征数据进行降维处理，生成降维后的多通道特征数据，包括：利用卷积参数不同的卷积操作分别对所述多通道特征数据进行第一降维处理和第二降维处理，生成第一降维处理后的第一多通道特征数据、和第二降维处理后的第二多通道特征数据；所述将所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量，包括：计算所述第一多通道特征数据和所述第二多通道特征数据的哈达玛积，得到中间多通道特征数据；针对所述中间多通道特征数据中每个通道的特征数据，将该通道的特征数据求和，得到该通道对应的特征值；所述中间多通道特征数据中每个通道对应的特征值，构成所述压缩特征向量。采用上述方法，通过计算降维后的第一多通道特征数据与第二多通道特征数据的哈达玛积，得到中间多通道特征数据，生成的中间多通道特征数据中包含的特征信息较为丰富，进而基于中间多通道特征数据，可以生成判别力较高的压缩特征向量。一种可能的实施方式中，根据所述压缩特征向量生成全局特征向量，包括：对所述压缩特征向量进行分组，得到多个局部特征向量；根据多个局部特征向量，生成全局特征向量。上述实施方式中，对压缩特征向量进行分组，得到多个局部特征向量，并根据多个局部特征向量，生成全局特征向量，获取到了待检测图像对应的全局上下文信息，使得基于包含有待检测图像的全局信息的全局特征向量和多通道特征数据，可以较准确的确定待检测图像对应的检测结果。一种可能的实施方式中，对所述压缩特征向量进行分组，得到多个局部特征向量，包括：按照设置的组数，沿着特征的通道方向将所述压缩特征向量划分为多个局部特征向量。采用上述方法，由于设置的组数与待检测对象的类别数量有关，故在按照设置的组数，沿着特征的通道方向将压缩特征向量划分为多个局部特征向量后，使得划分后的多个局部特征向量可以关注对象的类别，后续基于多个局部特征向量生成全局特征向量时，使得生成的全局特征向量对语义类别较为敏感，提高了待检测图像的检测结果的准确度。一种可能的实施方式中，根据多个局部特征向量，生成全局特征向量，包括：基于所述多个局部特征向量、以及基于样本数据训练得到的权重矩阵和邻接矩阵，生成全局特征向量，其中，所述权重矩阵用于表征所述多个局部特征向量之间的关联程度，所述邻接矩阵用于表征所述多个局部特征向量之间的连接关系。采用上述方法，基于样本数据训练得到的权重矩阵可以较准确的表征多个局部特征向量之间的关联程度，以及基于样本数据训练得到的邻接矩阵可以较准确的表征多个局部特征向量之间的连接关系，进而可以基于多个局部特征向量、权重矩阵和邻接矩阵，较准确的生成全局特征向量。一种可能的实施方式中，基于所述多个局部特征向量、以及基于样本数据训练得到的权重矩阵和邻接矩阵，生成全局特征向量，包括：将设置的单位矩阵与所述邻接矩阵相减，得到第一中间矩阵；将所述权重矩阵、所述多个局部特征向量、和所述第一中间矩阵进行矩阵乘法，生成第二中间矩阵；基于设置的激活函数和所述第二中间矩阵，生成所述全局特征向量。一种可能的实施方式中，根据多个局部特征向量，生成全局特征向量，包括：利用设置的卷积参数不同的第一卷积操作、第二卷积操作、和第三卷积操作分别对划分后的多个局部特征向量进行特征提取处理，生成第一特征矩阵、第二特征矩阵和第三特征矩阵；其中，所述第一卷积操作和所述第二卷积操作用于确定所述多个局部特征向量之间的相似度；所述第三卷积操作用于确定所述多个局部特征向量之间的关联程度；基于所述第一特征矩阵和所述第二特征矩阵生成相似度矩阵；基于所述相似度矩阵、所述第三特征矩阵、和设置的激活函数，生成所述全局特征向量。一种可能的实施方式中，所述基于所述全局特征向量和所述多通道特征数据，确定所述待检测图像对应的检测结果，包括：基于所述全局特征向量和所述多通道特征数据，生成用于对所述待检测图像进行检测的目标特征数据；基于所述目标特征数据，确定所述待检本文档来自技高网...

【技术保护点】
1.一种图像检测方法，其特征在于，包括：/n根据待检测图像生成多通道特征数据；/n将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量；/n根据所述压缩特征向量生成全局特征向量，所述全局特征向量中包含所述待检测图像的全局信息；/n基于所述全局特征向量和所述多通道特征数据，确定所述待检测图像对应的检测结果。/n

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：
根据待检测图像生成多通道特征数据；
将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量；
根据所述压缩特征向量生成全局特征向量，所述全局特征向量中包含所述待检测图像的全局信息；
基于所述全局特征向量和所述多通道特征数据，确定所述待检测图像对应的检测结果。


2.根据权利要求1所述的方法，其特征在于，所述将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量，包括：
对所述多通道特征数据进行降维处理，生成降维后的多通道特征数据；
将所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量。


3.根据权利要求2所述的方法，其特征在于，将所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量，包括：
基于全局池化操作对所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩处理，生成所述压缩特征向量。


4.根据权利要求2所述的方法，其特征在于，所述对所述多通道特征数据进行降维处理，生成降维后的多通道特征数据，包括：
利用卷积参数不同的卷积操作分别对所述多通道特征数据进行第一降维处理和第二降维处理，生成第一降维处理后的第一多通道特征数据、和第二降维处理后的第二多通道特征数据；
所述将所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量，包括：
计算所述第一多通道特征数据和所述第二多通道特征数据的哈达玛积，得到中间多通道特征数据；
针对所述中间多通道特征数据中每个通道的特征数据，将该通道的特征数据求和，得到该通道对应的特征值；
所述中间多通道特征数据中每个通道对应的特征值，构成所述压缩特征向量。


5.根据权利要求1～4任一所述的方法，其特征在于，根据所述压缩特征向量生成全局特征向量，包括：
对所述压缩特征向量进行分组，得到多个局部特征向量；
根据多个局部特征向量，生成全局特征向量。


6.根据权利要求5所述的方法，其特征在于，对所述压缩特征向量进行分组，得到多个局部特征向量，包括：
按照设置的组数，沿着特征的通道方向将所述压缩特征向量划分为多个局部特征向量。


7.根据权利要求5所述的方法，其特征在于，根据多个局部特征向量，生成全局特征向量，包括：
基于所述多个局部特征向量、以及基于样本数据训练得到的权重矩阵和邻接矩阵，生成全局特征向量，其中，所述权重矩阵用于表征所述多个局部特征向量之间的关联程度，所述邻接矩阵用于表征所述多个局部特征向量之间的连接关系。


8.根据权利要求7所述的方法，其特征在于，基于所述多个局部特征向量、以及基于样本数据训练得到的权重矩阵和邻接矩阵，生成全局特征向量，包括：
将设置的单位矩阵与所述邻接矩阵相减，得到第一中间矩阵；
将所述权重矩阵、所述多个局部特征向量、和所述第一中间矩阵进行矩阵乘法，生成第二中间矩阵；
基于设置的激活函数和所述第二中间矩阵，生成所述全局特征向量。


9.根据权利要求5所述的方法，其特征在于，根据多个局部特征向量，生成全局特征向量，包括：
利用设置的卷积参数不同的第一卷积操作、第二卷积操作、和第三卷积操作分别对划分后的多个局部特征向量进行特征提取处理，生成第一特征矩阵、第二特征矩阵和第...

【专利技术属性】
技术研发人员：李祥泰，程光亮，石建萍，
申请(专利权)人：上海商汤临港智能科技有限公司，
类型：发明
国别省市：上海;31