【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其是涉及一种基于双教师知识蒸馏的车辆碰撞检测方法。
技术介绍
1、近年来，基于深度学习的目标检测技术在道路交通领域的研究已在国内外取得显著进展。在国际上，许多顶尖高校和研究机构如斯坦福大学、麻省理工学院和谷歌等，积极探索深度学习在交通场景中的应用，并开发了诸如yolo、faster r-cnn等高效的目标检测算法。这些算法不仅提升了目标检测的准确性和实时性，还被广泛应用于自动驾驶、智能监控等场景。在国内，随着人工智能和自动驾驶技术的迅速发展，研究机构和企业也积极开展相关研究。清华大学和北京理工大学等高校在深度学习算法的优化和交通场景数据集构建方面取得了重要成果。同时，像百度、华为等科技公司也投入大量资源进行智能交通系统的研发，推动了基于深度学习的目标检测技术的实际应用。
2、目标检测技术的发展为车辆碰撞检测提供了强大的技术支持。车辆碰撞检测作为智能交通系统中的一个重要应用，旨在通过检测车辆与障碍物之间的潜在碰撞风险，提前发出预警，以减少交通事故的发生。然而，当前基于知识蒸馏的车辆碰撞检测方法仍面临
<本文档来自技高网...【技术保护点】
1.一种基于双教师知识蒸馏的车辆碰撞检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于双教师知识蒸馏的车辆碰撞检测方法，其特征在于所述步骤1中，真实车祸场景数据集的构建过程如下：查找至少2000张真实车祸场景图像，并构成第一数据集；然后对第一数据集中的每张真实车祸场景图像中的事故车辆目标和正常车辆目标进行标注，并保存标注信息，得到标注后的第一数据集，其中，标注信息包括标注框的四个顶点的坐标信息以及标注框的类别信息，类别信息包含事故车辆目标和正常车辆目标；再将标注后的第一数据集中的所有真实车祸场景图像的大小调整成一致，得到真实车祸场景数据集
3....
【技术特征摘要】
1.一种基于双教师知识蒸馏的车辆碰撞检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于双教师知识蒸馏的车辆碰撞检测方法，其特征在于所述步骤1中，真实车祸场景数据集的构建过程如下：查找至少2000张真实车祸场景图像，并构成第一数据集；然后对第一数据集中的每张真实车祸场景图像中的事故车辆目标和正常车辆目标进行标注，并保存标注信息，得到标注后的第一数据集，其中，标注信息包括标注框的四个顶点的坐标信息以及标注框的类别信息，类别信息包含事故车辆目标和正常车辆目标；再将标注后的第一数据集中的所有真实车祸场景图像的大小调整成一致，得到真实车祸场景数据集。
3.根据权利要求1所述的一种基于双教师知识蒸馏的车辆碰撞检测方法，其特征在于所述步骤1中，虚拟车祸场景数据集的构建过程如下：自行设置碰撞场景、天气、光照条件提示词，生成至少10000张虚拟车祸场景图像，并构成第二数据集；然后对第二数据集中的每张虚拟车祸场景图像中的事故车辆目标和正常车辆目标进行标注，并保存标注信息，得到标注后的第二数据集，其中，标注信息包括标注框的四个顶点的坐标信息以及标注框的类别信息，类别信息包含事故车辆目标和正常车辆目标；再将标注后的第二数据集中的所有虚拟车祸场景图像的大小调整成一致，得到虚拟车祸场景数据集。
4.根据权利要求1所述的一种基于双教师知识蒸馏的车辆碰撞检测方法，其特征在于所述步骤2中，学生网络以及两个教师网络的结构相同，其均由第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块、第六卷积模块、第七卷积模块、第一空间-通道协同注意力机制层、第二空间-通道协同注意力机制层、第三空间-通道协同注意力机制层、第四空间-通道协同注意力机制层、第五空间-通道协同注意力机制层、第六空间-通道协同注意力机制层、第七空间-通道协同注意力机制层、第一特征提取层、第二特征提取层、空间金字塔池化层、第一上采样层、第二上采样层、第一连接层、第二连接层、第三连接层、第四连接层、第一检测输出层、第二检测输出层、第三检测输出层组成，由第一空间-通道协同注意力机制层至第七空间-通道协同注意力机制层构成空间-通道协同注意力机制模块，第一特征提取层用于特征对齐，第二特征提取层用于对比学习，由第一特征提取层和第二特征提取层构成特征对齐及对比学习模块，空间金字塔池化层用于对不同尺度的特征图进行融合；
5.根据权利要求4所述的一种基于双教师知识蒸馏的车辆碰撞检测方法，其特征在于图像样本的通道数为3且大小为h×w；第一卷积模块的卷积核大小为3×3、步长为2、填充为1、卷积核数量为64，且输出的特征图的大小为(h/2)×(w/2)；第二卷积模块的卷积核大小为3×3、步长为2、填充为1、卷积核数量为128，且输出的特征图的大小为(h/4)×(w/4)；第一空间-通道协同注意力机制层的填充为2、卷积核数量为128，且输出的第一空间通道联合特征图的大小为(h/4)×(w/4)；第三卷积模块的卷积核大小为3×3、步长为2、填充为1、卷积核数量为256，且输出的特征图的大小为(h/8)×(w/8)；第二空间-通道协同注意力机制层的填充为2、卷积核数量为256，且输出的第二空间通道联合特征图的大小为(h/8)×(w/8)；第四卷积模块的卷积核大小为3×3、步长为2、填充为1、卷积核数量为512，且输出的特征图的大小为(h/16)×(w/16)；第一特征提取层的填充为2、卷积核数量为512，且输出的对齐特征图的大小为(h/16)×(w/16)；第五卷积模块的卷积核大小为3×3、步长为2、填充为1、卷积核数量为1024，且输出的特征图的大小为(h/32)×(w/32)；第二特征提取层的填充为2、卷积核数量为1024，且输出的对比学习特征图的大小为(h/32)×(w/32)；空间金字塔池化层的卷积核大小为5×5、步长为1、填充为2、卷积核数量为1024，且输出的融合特征图的大小为(h/32)×(w/32)；第三空间-通道协同注意力机制层的填充为2、卷积核数量为1024，且输出的第三空间通道联合特征图的大小为(h/32)×(w/32)；第一上采样层输出的第一上采样特征图的大小为(h/16)×(w/16)；第一连接层输出的第一连接特征图的大小为(h/16)×(w/16)；第四空间-通道协同注意力机制层的填充为2、卷积核数量为512，且输出的第四空间通道联合特征图的大小为(h/16)×(w/16)；第二上采样层输出的第二上采样特征图的大小为(h/8)×(w...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。