技术特征：
1.一种盲区检测训练集的筛选方法，其特征在于，包括：将图像输入至语义分割神经网络；获取所述语义分割神经网络中特征识别反卷积层的输出矩阵，所述输出矩阵用于表征输出图像每个像素对应的特征强度；将所述输出矩阵映射到基础图像模板，形成特征图像，所述基础图像模板用于突出显示特征强度的强弱；计算所述特征图像中预设的兴趣区域的图像特征值均值，将所述特征值均值与预设的均值阈值进行比较，在不大于所述预设的均值阈值时，确定所述图像加入盲区检测训练集。2.根据权利要求1所述的方法，其特征在于，所述将所述输出矩阵映射到基础图像模板，形成特征图像，包括：计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值，根据所述相对特征比值生成相对矩阵；根据所述相对矩阵和所述基础图像模板生成特征图像。3.根据权利要求2所述的方法，其特征在于，所述计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值，包括：获取所述输出矩阵中的最大值和最小值；计算将所述输出矩阵中每个元素与所述最小值的差值作为第一差值，计算所述最大值与所述输出矩阵中每个元素的差值作为第二差值，将第一差值和第二差值的比作为每个元素在所述输出矩阵中的相对特征比值。4.根据权利要求1所述的方法，其特征在于，所述将图像输入至语义分割神经网络，包括：对图像采集设备采集到的初始图像进行去重处理；将去重处理后的图像作为图像输入语义分割神经网络。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述语义分割神经网络的输出结果；将所述图像输入目标检测神经网络；根据所述语义分割神经网络的输出结果确定所述目标识别结果对应的坐标位置；根据所述坐标位置确定兴趣区域。6.根据权利要求5所述的方法，其特征在于，所述获取所述语义分割神经网络的输出结果，包括：对所述输出结果进行双线性差值处理，以使得经过双线性差值处理后的图像与输入的图像的分辨率相一致。7.一种盲区检测训练集的筛选装置，其特征在于，包括：输入模块，用于将图像输入至语义分割神经网络；获取模块，用于获取所述语义分割神经网络中特征识别反卷积层的输出矩阵，所述输出矩阵用于表征输出图像每个像素对应的特征强度；形成模块，用于将所述输出矩阵映射到基础图像模板，形成特征图像；比较模块，用于计算所述特征图像中预设的兴趣区域的图像特征值均值，将所述特征值均值与预设的均值阈值进行比较，在不大于所述预设的均值阈值时，确定所述图像加入
盲区检测训练集。8.根据权利要求7所述的装置，其特征在于，所述形成模块，包括：相对矩阵生成单元，用于计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值，根据所述相对特征比值生成相对矩阵；特征图像生成单元，用于根据所述相对矩阵和基础图像模板生成特征图像。9.一种服务器，其特征在于，所述服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1
‑
6中任一所述的盲区检测训练集的筛选方法。10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1
‑
6任一所述的盲区检测训练集的筛选方法。
技术总结
本发明提供了一种盲区检测训练集的筛选方法、装置、服务器及存储介质，其中，所述方法包括：将图像输入至语义分割神经网络；获取所述语义分割神经网络中特征识别反卷积层的输出矩阵，所述输出矩阵用于表征所述输出图像每个像素对应的特征强度；将所述输出矩阵映射到基础图像模板，形成特征图像，所述基础图像模板用于突出显示特征强度的强弱；计算所述特征图像中预设的兴趣区域的图像特征值均值，将所述特征值均值与预设的均值阈值进行比较，在不大于所述预设的均值阈值时，确定所述图像加入盲区检测训练集。可以获取数据集统一、客观的、直观的预测结果，对其中特征提取较差以及不确定的目标可以加入下次训练中。定的目标可以加入下次训练中。定的目标可以加入下次训练中。
技术研发人员：徐显杰 李涛
受保护的技术使用者：天津所托瑞安汽车科技有限公司
技术研发日：2021.09.07
技术公布日：2021/10/15