目标检测模型的训练方法、装置及目标检测方法、装置制造方法及图纸

本申请公开了一种目标检测模型的训练方法、装置及目标检测方法、装置，目标检测模型的训练方法包括：获取用于训练的激光点云数据，并利用目标检测模型中的点云特征处理网络对激光点云数据进行处理，得到处理后的点云特征；利用目标检测模型中的点云特征提取网络对处理后的点云特征进行特征提取，得到点云特征提取结果，点云特征提取网络通过在原始的FPN网络中的低层尺度空间增加卷积层得到；利用目标检测模型中的检测头网络对点云特征提取结果进行目标检测，得到目标检测结果；利用预设损失函数确定目标检测结果的损失值，以此更新目标检测模型的参数。本申请增强了原有目标检测模型对低层语义信息的提取能力，提高了模型对于小目标的检测精度。对于小目标的检测精度。对于小目标的检测精度。

【技术实现步骤摘要】
目标检测模型的训练方法、装置及目标检测方法、装置


[0001]本申请涉及目标检测
，尤其涉及一种目标检测模型的训练方法、装置及目标检测方法、装置。

技术介绍

[0002]随着智能驾驶领域的快速发展，车辆正在加入越来越多的驾驶员辅助功能，如车道保持功能，车道保持功能允许车辆在道路的车道内正确定位，这对于完全自动驾驶车辆后续的车道偏离和轨迹规划决策也至关重要。
[0003]在驾驶辅助或者自动驾驶领域，目标检测对车辆的道路规划以及车道保持等智能驾驶功能的实现至关重要，现有的目标检测方法依赖于深度学习算法，通常随后是后处理技术，这带来的计算成本通常很高，并且容易由于道路场景变化导致模型的可扩展性变差。此外，现有的端到端的深度学习算法在进行目标检测时，对于小目标的检测效果较差，检测精度不高，需要后处理算法对其进行优化，但此种方法的可拓展性也较差。

技术实现思路

[0004]本申请实施例提供了一种目标检测模型的训练方法、装置及目标检测方法、装置，以提高目标检测精度。
[0005]本申请实施例采用下述技术方案：
[0006]第一方面，本申请实施例提供一种目标检测模型的训练方法，其中，所述目标检测模型的训练方法包括：
[0007]获取用于训练的激光点云数据，并利用目标检测模型中的点云特征处理网络对所述激光点云数据进行处理，得到处理后的点云特征；
[0008]利用所述目标检测模型中的点云特征提取网络对所述处理后的点云特征进行特征提取，得到点云特征提取结果，所述点云特征提取网络通过在原始的特征金字塔网络中的低层尺度空间增加卷积层得到；
[0009]利用所述目标检测模型中的检测头网络对所述点云特征提取结果进行目标检测，得到目标检测结果；
[0010]利用预设损失函数确定所述目标检测结果的损失值，并根据所述目标检测结果的损失值更新所述目标检测模型的参数，得到训练后的目标检测模型。
[0011]可选地，所述利用目标检测模型中的点云特征处理网络对所述激光点云数据进行处理，得到处理后的点云特征包括：
[0012]将所述激光点云数据对应的点云空间进行划分，得到多个相同大小的柱状体；
[0013]利用最远点采样算法对各个柱状体中的点进行采样处理，得到采样处理后的多个柱状体；
[0014]对所述采样处理后的多个柱状体对应的激光点云数据进行点云特征处理，得到所述处理后的点云特征。
[0015]可选地，所述利用目标检测模型中的点云特征处理网络对所述激光点云数据进行处理，得到处理后的点云特征包括：
[0016]将所述激光点云数据对应的点云空间进行划分，得到多个相同大小的柱状体；
[0017]利用多个点云特征提取策略分别对各个柱状体进行点云特征提取，得到各个柱状体对应的多个点云特征；
[0018]分别对各个柱状体对应的多个点云特征进行拼接，得到各个柱状体对应的处理后的点云特征。
[0019]可选地，所述多个点云特征包括第一点云特征、第二点云特征和第三点云特征，所述利用多个点云特征提取策略分别对各个柱状体进行点云特征提取，得到各个柱状体对应的多个点云特征包括：
[0020]利用所述点云特征处理网络中的全连接层将各个柱状体中的点进行升维，并利用所述点云特征处理网络中的最大池化层将各个柱状体中的点数进行压缩，得到各个柱状体对应的第一点云特征；
[0021]将各个柱状体中的点拼接成一个矩阵，并利用所述点云特征处理网络中的第一卷积层对各个柱状体对应的矩阵进行卷积，得到各个柱状体对应的第二点云特征；
[0022]利用所述点云特征处理网络中的第二卷积层对各个柱状体中的各个点对应的多维特征进行卷积，得到各个柱状体对应的第三点云特征。
[0023]可选地，所述原始的特征金字塔网络包括低层尺度的卷积层和对应的反卷积层，以及高层尺度的卷积层和对应的反卷积层，所述利用所述目标检测模型中的点云特征提取网络对所述处理后的点云特征进行特征提取，得到点云特征提取结果包括：
[0024]在所述低层尺度的卷积层和对应的反卷积层之间增加预设卷积层；
[0025]利用所述低层尺度的卷积层对所述处理后的点云特征进行卷积处理，得到低层尺度的卷积层的第一卷积结果；
[0026]利用所述预设卷积层对所述低层尺度的卷积层的第一卷积结果进行卷积处理，得到低层尺度的卷积层的第二卷积结果；
[0027]利用所述高层尺度的卷积层对所述低层尺度的卷积层的第一卷积结果进行卷积处理，得到高层尺度的卷积层的卷积结果；
[0028]将所述低层尺度的卷积层的第二卷积结果和所述高层尺度的卷积层的卷积结果进行拼接，得到所述点云特征提取结果。
[0029]可选地，所述原始的特征金字塔网络包括第一卷积层、第二卷积层和第三卷积层，所述利用所述目标检测模型中的点云特征提取网络对所述处理后的点云特征进行特征提取，得到点云特征提取结果包括：
[0030]在所述第一卷积层与第二卷积层之间增加第一最大池化层，以及在所述第二卷积层与第三卷积层之间增加第二最大池化层；
[0031]利用所述第一卷积层对所述处理后的点云特征进行卷积处理，得到第一卷积层的卷积结果；
[0032]利用所述第一卷积层与第二卷积层之间的最大池化层对所述第一卷积层的卷积结果进行池化处理，得到第一最大池化层的池化结果；
[0033]利用所述第二卷积层对所述第一最大池化层的池化结果进行卷积，得到第二卷积
层的卷积结果；
[0034]利用所述第二卷积层与第三卷积层之间的最大池化层对所述第二卷积层的卷积结果进行池化处理，得到第二最大池化层的池化结果；
[0035]利用所述第三卷积层对所述第二最大池化层的池化结果进行卷积，得到第三卷积层的卷积结果；
[0036]分别将所述第一卷积层的卷积结果、所述第二卷积层的卷积结果以及所述第三卷积层的卷积结果反卷积后进行拼接，得到所述点云特征提取结果。
[0037]可选地，所述检测头网络包括多个检测头，所述利用所述目标检测模型中的检测头网络对所述点云特征提取结果进行目标检测，得到目标检测结果包括：
[0038]利用多个检测头分别对所述点云特征提取结果进行检测，得到多个检测头的检测结果，并将多个检测头的检测结果进行拼接，得到拼接后的检测结果；
[0039]利用检测头网络中的多个预测分支分别对所述拼接后的检测结果进行预测，得到多个预测结果，作为所述目标检测结果，所述多个预测结果包括类别预测结果、框预测结果、方向预测结果和前景/背景预测结果；
[0040]所述利用预设损失函数确定所述目标检测结果的损失值，并根据所述目标检测结果的损失值更新所述目标检测模型的参数包括：
[0041]根据所述类别预测结果确定类别预测损失，根据所述框预测结果确定框预测损失，根据所述方向预测结果确定方向预测损失以及根据所述前景/背景预测结果确定前景/背景预测损失；
[0042]根据所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型的训练方法，其中，所述目标检测模型的训练方法包括：获取用于训练的激光点云数据，并利用目标检测模型中的点云特征处理网络对所述激光点云数据进行处理，得到处理后的点云特征；利用所述目标检测模型中的点云特征提取网络对所述处理后的点云特征进行特征提取，得到点云特征提取结果，所述点云特征提取网络通过在原始的特征金字塔网络中的低层尺度空间增加卷积层得到；利用所述目标检测模型中的检测头网络对所述点云特征提取结果进行目标检测，得到目标检测结果；利用预设损失函数确定所述目标检测结果的损失值，并根据所述目标检测结果的损失值更新所述目标检测模型的参数，得到训练后的目标检测模型。2.如权利要求1所述目标检测模型的训练方法，其中，所述利用目标检测模型中的点云特征处理网络对所述激光点云数据进行处理，得到处理后的点云特征包括：将所述激光点云数据对应的点云空间进行划分，得到多个相同大小的柱状体；利用最远点采样算法对各个柱状体中的点进行采样处理，得到采样处理后的多个柱状体；对所述采样处理后的多个柱状体对应的激光点云数据进行点云特征处理，得到所述处理后的点云特征。3.如权利要求1所述目标检测模型的训练方法，其中，所述利用目标检测模型中的点云特征处理网络对所述激光点云数据进行处理，得到处理后的点云特征包括：将所述激光点云数据对应的点云空间进行划分，得到多个相同大小的柱状体；利用多个点云特征提取策略分别对各个柱状体进行点云特征提取，得到各个柱状体对应的多个点云特征；分别对各个柱状体对应的多个点云特征进行拼接，得到各个柱状体对应的处理后的点云特征。4.如权利要求3所述目标检测模型的训练方法，其中，所述多个点云特征包括第一点云特征、第二点云特征和第三点云特征，所述利用多个点云特征提取策略分别对各个柱状体进行点云特征提取，得到各个柱状体对应的多个点云特征包括：利用所述点云特征处理网络中的全连接层将各个柱状体中的点进行升维，并利用所述点云特征处理网络中的最大池化层将各个柱状体中的点数进行压缩，得到各个柱状体对应的第一点云特征；将各个柱状体中的点拼接成一个矩阵，并利用所述点云特征处理网络中的第一卷积层对各个柱状体对应的矩阵进行卷积，得到各个柱状体对应的第二点云特征；利用所述点云特征处理网络中的第二卷积层对各个柱状体中的各个点对应的多维特征进行卷积，得到各个柱状体对应的第三点云特征。5.如权利要求1所述目标检测模型的训练方法，其中，所述原始的特征金字塔网络包括低层尺度的卷积层和对应的反卷积层，以及高层尺度的卷积层和对应的反卷积层，所述利用所述目标检测模型中的点云特征提取网络对所述处理后的点云特征进行特征提取，得到点云特征提取结果包括：在所述低层尺度的卷积层和对应的反卷积层之间增加预设卷积层；
利用所述低层尺度的卷积层对所述处理后的点云特征进行卷积处理，得到低层尺度的卷积层的第一卷积结果；利用所述预设卷积层对所述低层尺度的卷积层的第一卷积结果进行卷积处理，得到低层尺度的卷积层的第二卷积结果；利用所述高层尺度的卷积层对所述低层尺度的卷积层的第一卷积结果进行卷积处理，得到高层尺度的卷积层的卷积结果；将所述低层尺度的卷积层的第二卷积结果和所述高层尺度的卷积层的卷积结果进行拼接，得到所述点云特征提取结果。6.如权利要求1所述目标检测模型的训练方法，其中，所述原始的特征5金字塔网络包括第一卷积层、第二卷积层和第三卷积层，所述利用所述目标检测模型中的点云特征提取网络对所述处理后的点云特征进行特征提取，得到点云特征提取结果包括：在所述第一卷积层与第二卷积层之间增加第一最大池化层，以及在所述第二卷积层与第三卷积层之间增加第二最大池化层；0利用所述第一卷积层对...

【专利技术属性】
技术研发人员：刘成伟，李芹卜，黄汉卿，
申请(专利权)人：智道网联科技北京有限公司，
类型：发明
国别省市：