一种检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种检测方法、装置、电子设备及存储介质。所述方法包括：获取待检测图像；将所述待检测图像输入至训练好的检测模型中，得到所述检测模型的输出结果；其中，所述检测模型包括用于提取所述待检测图像的特征的基础网络、用于对所述待检测图像的特征进行增强的特征增强模块、用于对特征图像进行拼接的拼接模块以及确定输出结果的预测模块；根据所述输出结果确定检测结果。利用该方法，能够准确检测出待检测图像中是否包含交通灯。检测出待检测图像中是否包含交通灯。检测出待检测图像中是否包含交通灯。

【技术实现步骤摘要】
一种检测方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种检测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着人工智能近些年的迅猛发展，其应用领域也在不断扩展。基于深度学习的交通元素识别因其识别速度快，准确度高而受到人们的重视和推广，已经成为车辆、行人、交通灯识别的主要研究方向。
[0003]然而交通灯相比于车辆和行人，存在其自身的特点，即交通灯在图像中通常占据极小的比例，这使得深度学习算法在提取其特征时存在局限性。
[0004]目前的交通灯检测技术多数是用传统特征提取的方法来进行检测和识别。近年来，深度学习识别交通灯的方式也越来越多，但无论单独的应用传统方法或者深度学习来检测交通灯，都存在一定的局限性和不确定性，因此会导致出现漏检或者误检的行为。
[0005]因此，如何提高交通灯的检测准确率是当前亟待解决的技术问题。

技术实现思路

[0006]本专利技术实施例提供了一种检测方法、装置、电子设备及存储介质，能够准确检测出待检测图像中是否包含交通灯。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测方法，其特征在于，所述方法包括：获取待检测图像；将所述待检测图像输入至训练好的检测模型中，得到所述检测模型的输出结果；其中，所述检测模型包括用于提取所述待检测图像的特征的基础网络、用于对所述待检测图像的特征进行增强的特征增强模块、用于对特征图像进行拼接的拼接模块以及确定输出结果的预测模块；根据所述输出结果确定检测结果。2.根据权利要求1所述的方法，其特征在于，所述将所述待检测图像输入至训练好的检测模型中，得到所述检测模型的输出结果，包括：通过基础网络对所述待检测图像进行特征提取得到金字塔特征图像；所述金字塔特征图像包括三层待增强特征图，每层待增强特征图具有不同的语义特征；通过特征增强模块分别对底层待增强特征图和中间层待增强特征图进行处理得到底层增强特征图和中间层增强特征图；通过所述拼接模块将所述底层增强特征图和所述中间层增强特征图进行拼接得到第一拼接特征图，将所述中间层增强特征图与顶层待增强特征图进行拼接得到第二拼接特征图；将所述第一拼接特征图、所述第二拼接特征图以及所述顶层待增强特征图输入预测模块后得到输出结果。3.根据权利要求2所述的方法，其特征在于，所述通过特征增强模块分别对底层待增强特征图和中间层待增强特征图进行处理得到底层增强特征图和中间层增强特征图，包括：从待增强特征图中选取一个目标待增强特征图，对所述目标待增强特征图进行卷积变换生成隐层特征图，所述待增强特征图包括底层待增强特征图和中间层待增强特征图；将所述隐层特征图进行变换得到具有掩码残差值的输出特征图；将所述输出特征图与所述待增强特征图进行张量元素相加操作得到增强特征图。4.根据权利要求1所述的方法，其特征在于，所述检测模型的训练过程包括：获取训练集图像，所述训练集图像为具有目标物标记的图像；将所述训练集图像进行特征提取得到训练集待增强特征图；所述待增强模块根据所述训练集待增强特征图确定弱监督损失函数，并输出训练集增强特征图；所述拼接模块对所述训练集增强特征图、训练集待增强特征图进行拼接得到训练集特征图；基于所述弱监督损失函数以及训练集特征图对所述预测模块进行训练。5.根据权利要求4所述的方法，其特征在于，所述待增强模块根据所述训练集待增强特征图确定弱监...

【专利技术属性】
技术研发人员：王祎男，关瀛洲，曹容川，张天奇，白天晟，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：