目标检测模型的训练方法、目标检测方法及设备技术

本发明专利技术提供目标检测模型的训练方法、目标检测方法及设备，该训练方法包括：使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量；使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量；基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中已标注目标与误检图像中误检目标的相似度；若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标；从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型。本发明专利技术提供的目标检测模型可以提高检测的准确度。测的准确度。测的准确度。

【技术实现步骤摘要】
目标检测模型的训练方法、目标检测方法及设备


[0001]本专利技术涉及智能驾驶
，尤其涉及一种目标检测模型的训练方法、目标检测方法及设备。

技术介绍

[0002]目标检测是利用计算机视觉技术找出图像中所有感兴趣的目标，并确定它们的类别和位置。在智能驾驶和辅助驾驶领域中，目标检测模型负责对图像中每个感兴趣的个体目标进行识别和定位，获取感兴趣目标的类别数据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。目标检测模型对车辆外部目标的检出能力决定了整套驾驶系统的上限，在智能驾驶和辅助驾驶领域中起着举足轻重的作用。
[0003]目标检测模型在训练的过程中，需要将图像数据和与该图像数据对应的人工标注数据输入到待训练的模型中，由待训练的模型自行学习提取图像中的关键目标，使待训练的模型具备对这些关键目标的检测能力。
[0004]然而，专利技术人发现，当待训练的模型学习了一些非重要的标注目标，而这些非重要的标注目标包含了许多与标注目标相似的特征，从而造成训练完成的目标检测模型出现误报，影响了目标检测模型检测的准确度。

技术实现思路

[0005]本专利技术实施例提供了一种目标检测模型的训练方法、目标检测方法及设备，以解决现有的目标检测模型检测的准确度较低的问题。
[0006]第一方面，本专利技术实施例提供了一种目标检测模型的训练方法，包括：使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量，其中，目标检测模型基于训练数据集训练得到；使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量，其中，误检目标是检测错误的目标，误检图像是目标检测模型检测出错误的目标的图像；基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度；若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标；从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型在一种可能的实现方式中，基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度，包括：分别将误检目标的特征向量和标注目标的特征向量转换成误检目标的一维向量和标注目标的一维向量；
基于误检目标的一维向量和标注目标的一维向量，计算训练数据集中标注目标与误检图像中误检目标的相似度。
[0007]在一种可能的实现方式中，分别将误检目标的特征向量和标注目标的特征向量转换成误检目标的一维向量和标注目标的一维向量，包括：分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量。
[0008]在一种可能的实现方式中，计算训练数据集中标注目标与误检图像中误检目标的相似度，包括：将误检目标的一维向量视为误检目标的特征张量分布，记为分布P；将标注目标的一维向量视为标注目标的特征张量分布，记为分布Q；计算分布P和分布Q的KL散度，根据计算得到的KL散度确定标注目标与误检目标的相似度。
[0009]第二方面，本专利技术实施例提供了一种目标检测方法，包括：获取待检测图像；将待检测图像输入至优化的目标检测模型中，以对待检测图像进行检测；其中，优化的目标检测模型是基于将非重要目标从已标注目标的训练数据集中删除后对目标检测模型训练得到的，非重要目标是基于标注目标与误检目标的相似度，以及是否位于非碰撞区域，从训练数据集的标注目标中确定的，误检目标是采用目标检测模型检测出的错误的目标，目标检测模型是基于删除非重要目标前的训练数据集训练得到的。
[0010]在一种可能的实现方式中，标注目标与误检目标的相似度是基于标注目标的特征向量和误检目标的特征向量确定的；当标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标。
[0011]在一种可能的实现方式中，误检目标与标注目标的相似度是基于分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量确定的。
[0012]在一种可能的实现方式中，误检目标与标注目标的相似度是基于误检目标的特征张量分布与标注目标的特征张量分布的KL散度确定的，误检目标的一维向量视为误检目标的特征张量分布，标注目标的一维向量视为标注目标的特征张量分布。
[0013]第三方面，本专利技术实施例提供了一种目标检测模型的训练装置，包括：第一获取模块，用于使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量，其中，目标检测模型基于训练数据集训练得到；第二获取模块，用于使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量，其中，误检目标是检测错误的目标，误检图像是目标检测模型检测出错误的目标的图像；计算模块，用于基于误检目标的特征向量和标注目标的特征向量，计算训练数据集中标注目标与误检图像中误检目标的相似度；确定模块，用于若标注目标与误检目标的相似度大于设定阈值，且该标注目标位
于非碰撞区域，则确定该标注目标是非重要目标；训练模块， 用于从训练数据集中删除非重要目标，利用删除后的训练数据集对目标检测模型进行训练，得到优化的目标检测模型。
[0014]在一种可能的实现方式中，计算模块，用于分别将误检目标的特征向量和标注目标的特征向量转换成误检目标的一维向量和标注目标的一维向量；基于误检目标的一维向量和标注目标的一维向量，计算训练数据集中标注目标与误检图像中误检目标的相似度。
[0015]在一种可能的实现方式中，计算模块，用于分别将误检目标的特征向量和标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到误检目标的一维向量和标注目标的一维向量。
[0016]在一种可能的实现方式中，计算模块，用于将误检目标的一维向量视为误检目标的特征张量分布，记为分布P；将标注目标的一维向量视为标注目标的特征张量分布，记为分布Q；计算分布P和分布Q的KL散度，根据计算得到的KL散度确定标注目标与误检目标的相似度。
[0017]第四方面，本专利技术实施例提供了一种目标检测装置，包括：获取模块，用于获取待检测图像；检测模块，用于将待检测图像输入至优化的目标检测模型中，以对待检测图像进行检测；其中，优化的目标检测模型是基于将非重要目标从已标注目标的训练数据集中删除后对目标检测模型训练得到的，非重要目标是基于标注目标与误检目标的相似度，以及是否位于非碰撞区域，从训练数据集的标注目标中确定的，误检目标是采用目标检测模型检测出的错误的目标，目标检测模型是基于删除非重要目标前的训练数据集训练得到的。
[0018]在一种可能的实现方式中，标注目标与误检目标的相似度是基于标注目标的特征向量和误检目标的特征向量确定的；当标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域本文档来自技高网...

【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，其特征在于，包括：使用目标检测模型的特征提取层对已标注目标的训练数据集进行目标特征提取，得到标注目标的特征向量，其中，所述目标检测模型基于所述训练数据集训练得到；使用目标检测模型的特征提取层对误检图像进行目标特征提取，得到误检目标的特征向量，其中，所述误检目标是检测错误的目标，所述误检图像是所述目标检测模型检测出错误的目标的图像；基于所述误检目标的特征向量和所述标注目标的特征向量，计算所述训练数据集中标注目标与误检图像中误检目标的相似度；若标注目标与误检目标的相似度大于设定阈值，且该标注目标位于非碰撞区域，则确定该标注目标是非重要目标；从所述训练数据集中删除所述非重要目标，利用删除后的训练数据集对所述目标检测模型进行训练，得到优化的目标检测模型。2.如权利要求1所述的训练方法，其特征在于，所述基于所述误检目标的特征向量和所述标注目标的特征向量，计算所述训练数据集中标注目标与误检图像中误检目标的相似度，包括：分别将所述误检目标的特征向量和所述标注目标的特征向量转换成所述误检目标的一维向量和所述标注目标的一维向量；基于所述误检目标的一维向量和所述标注目标的一维向量，计算所述训练数据集中标注目标与误检图像中误检目标的相似度。3.如权利要求2所述的训练方法，其特征在于，所述分别将所述误检目标的特征向量和所述标注目标的特征向量转换成所述误检目标的一维向量和所述标注目标的一维向量，包括：分别将所述误检目标的特征向量和所述标注目标的特征向量基于通道数、长和宽的顺序进行展平处理，得到所述误检目标的一维向量和所述标注目标的一维向量。4.如权利要求2或3所述的训练方法，其特征在于，所述计算所述训练数据集中标注目标与误检图像中误检目标的相似度，包括：将所述误检目标的一维向量视为误检目标的特征张量分布，记为分布P；将所述标注目标的一维向量视为标注目标的特征张量分布，记为分布Q；计算所述分布P和所述分布Q的KL散...

【专利技术属性】
技术研发人员：徐显杰，于彬，窦汝振，
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：