针对驾驶场景的目标检测模型的构建方法及相关装置制造方法及图纸

本申请提供一种针对驾驶场景的目标检测模型的构建方法及相关装置。该方法包括：分别构建教师模型和学生模型，且教师模型和学生模型均为浮点型目标检测模型；向学生模型的预设网络算子节点插入伪量化节点，对学生模型进行整型量化；将无标注的道路图像训练样本输入教师模型和学生模型；分别计算学生模型中各层与教师模型中对应层的输出特征的误差，并基于各层误差得到总损失；基于总损失对学生模型进行反向传播训练，并将训练完成的学生模型作为目标检测模型，对道路图像中的感兴趣目标进行检测。本申请采用伪蒸馏的训练策略，将教师模型与学生模型中对应的各层输出特征提取出来，参与到蒸馏学习中进行监督，能够提高模型检测准确性。确性。确性。

【技术实现步骤摘要】
针对驾驶场景的目标检测模型的构建方法及相关装置


[0001]本申请涉及目标检测
，尤其涉及一种针对驾驶场景的目标检测模型的构建方法及相关装置。

技术介绍

[0002]深度学习目标检测，负责在输入图像中识别出所有的感兴趣目标，并确定这些目标的类别和位置。在自动驾驶和辅助驾驶领域中，目标检测负责对图像中出现的所有可能发生碰撞的实体目标(例如车辆、骑手、行人等)进行识别、分类和定位，获取这些目标的类别和目标最小外接矩形的坐标数据，用于后续目标跟踪任务以及关键目标测距测速任务等，也就是说目标检测模型输出的检出框越稳定越准确，后续任务就能够基于更加准确的输入进行计算，从而得到更加准确的结果。
[0003]在驾驶领域实际应用中，考虑到嵌入式端部署的存储容量和模型推理速度，需要将目标检测模型进行量化处理。一般模型中的权重数据都是以浮点型格式存储(主要为float32格式)，但浮点型存储计算格式往往数据量较大，在数据传输和计算速度方面存在劣势。模型量化，是将模型中权重文件参数从浮点型存储计算方式(一般为float32)转化压缩为整型存储计算方式(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对驾驶场景的目标检测模型的构建方法，其特征在于，包括：分别构建教师模型和学生模型，所述教师模型和学生模型均为完成训练的浮点型目标检测模型；向所述学生模型的预设网络算子节点插入伪量化节点，对所述学生模型进行整型量化；将无标注的道路图像训练样本输入所述教师模型和所述学生模型，获取所述教师模型各层的输出特征及所述学生模型各层的输出特征；分别计算所述学生模型中各层的输出特征与所述教师模型中对应层的输出特征的误差，并基于各层对应的输出特征的误差得到总损失；基于所述总损失对所述学生模型进行反向传播训练，并将训练完成的学生模型作为目标检测模型，所述目标检测模型用于对道路图像中的感兴趣目标进行检测。2.根据权利要求1所述的针对驾驶场景的目标检测模型的构建方法，其特征在于，所述将无标注的道路图像训练样本输入所述教师模型和所述学生模型，获取所述教师模型各层的输出特征及所述学生模型各层的输出特征，包括：将无标注的道路图像训练样本输入所述教师模型和所述学生模型，基于钩子函数获取所述教师模型各层的输出特征及所述学生模型各层的输出特征。3.根据权利要求1所述的针对驾驶场景的目标检测模型的构建方法，其特征在于，所述误差包括均方误差；所述分别计算所述学生模型中各层的输出特征与所述教师模型中对应层的输出特征的误差，包括：根据预设索引列表确定所述学生模型中各层与所述教师模型中各层的对应关系，并分别计算所述学生模型中各层的输出特征与所述教师模型中对应层的输出特征的均方误差；所述预设索引列表包括所述学生模型中各层序号与所述教师模型中各层序号的对应关系。4.根据权利要求1所述的针对驾驶场景的目标检测模型的构建方法，其特征在于，所述基于各层对应的输出特征的误差得到总损失，包括：对所述教师模型与所述学生模型各层对应的输出特征的误差进行加权求和，得到所述总损失。5.根据权利要求1所述的针对驾驶场景的目标检测模型的构建方法，其特征在于，所述基于所述总损失对所述学生模型进行反向传播训练，包括：根据所述总损失对所述学生模型进行反向传播，调节所述学生模型的各层参数，并返回所述将无标注的道路图像训练样本输入所述教师模型和所述学生模型，获取所述教师模型各层的输出特征及所述学生模型各层的输出特征步骤继...

【专利技术属性】
技术研发人员：徐显杰，张健浩，
申请(专利权)人：所托杭州汽车智能设备有限公司，
类型：发明
国别省市：