本发明涉及自动驾驶,尤其涉及一种目标检测方法及装置。
背景技术:
1、车外障碍物检测作为高级驾驶辅助系统(advanced driving assistancesystem,adas)系统中重要组成部分,对于整个系统的安全性至关重要。障碍物通常包括乘用车、面包车、巴士、行人、动物以及交通锥等,通过adas中的障碍物检测模型检测出障碍物的检测框并预测出检测框内障碍物的类别。
2、由于环境复杂包括天气光照等因素,或受限于计算平台算力,又或者随着深度学习模型中网络的加深,障碍物的细节信息可能会完全消失,导致障碍物检测模型通常对小物体(一般输入图像的分辨率为1080×720像素的情况下,图像中面积小于32×32像素的物体被认为是小物体)检测效果不佳,最终使得adas系统出现误报或者漏报等情况。
技术实现思路
1、本发明提供一种目标检测方法及装置,用以解决现有技术中对小物体检测效果不佳,使得adas系统出现误报或者漏报的问题。
2、本发明提供一种目标检测方法,包括:
3、获取待检测图像;
4、将所述待检测图像输入目标检测模型,得到目标检测模型输出的待检测图像中各目标物的检测框及目标物类别,
5、其中,目标检测模型是基于样本图像及样本图像对应的检测框标签和类别标签训练得到的,且训练时,所述目标检测模型输出至少两个尺寸大小不同的特征图,较小尺寸的特征图对应的类别损失函数包括:第一差异子函数和第二差异子函数,所述第一差异子函数用于计算较小尺寸的特征图训练结果和较大尺寸的特征图训练结果中各自类别结果的差异,所述第二差异子函数用于计算较小尺寸的特征图训练结果中类别结果与所述类别标签的差异,
6、所述目标检测模型用于根据输入的所述待检测图像输出预设尺寸的特征图,并基于所述预设尺寸的特征图输出所述待检测图像中各目标物的检测框及目标物类别。
7、根据本发明提供的一种目标检测方法,所述目标检测模型包括:骨干网络层、n个不同尺寸的卷积层和n个网络输出层,n≥2;所述骨干网络层,用于根据所述输入的所述待检测图像输出特征参考图;
8、第i尺寸卷积层,用于根据所述特征参考图输出第i尺寸特征图,i=1,2,…,n;
9、第i网络输出层,用于根据所述第i尺寸特征图输出所述待检测图像中各目标物的检测框及目标物类别。
10、根据本发明提供的一种目标检测方法,将所述待检测图像输入目标检测模型,得到目标检测模型输出的待检测图像中各目标物的检测框及目标物类别,包括:
11、将所述待检测图像输入所述骨干网络层,以得到所述骨干网络层输出的特征参考图;
12、将所述特征参考图输入所述预设尺寸的卷积层,以得到所述预设尺寸的卷积层输出的所述预设尺寸的特征图;
13、将所述预设尺寸的特征图输入相应的网络输出层,以得到相应的网络输出层输出的待检测图像中各目标物的检测框及目标物类别。
14、根据本发明提供的一种目标检测方法,将所述待检测图像输入目标检测模型之前,还包括:训练所述目标检测模型,具体包括:
15、将所述样本图像输入所述骨干网络层;
16、所述骨干网络层对所述样本图像进行特征提取,得到所述特征参考图;
17、所述第i尺寸卷积层对所述特征参考图卷积,得到第i样本特征图,设第i+1样本特征图的尺寸大于第i样本特征图的尺寸;
18、所述第i网络输出层根据第i尺寸样本特征图输出第i训练结果;
19、将所述第i训练结果带入第i损失函数,当由n个损失函数组成的总损失函数收敛时,训练完成,其中,每个所述损失函数均包括:目标位置损失函数和类别损失函数,所述第i损失函数的类别损失函数包括:第i训练结果与第j训练结果中各自类别结果的第一差异子函数,以及第i训练结果中类别结果与第i类别标签的第二差异子函数,其中,j>i,j=2,3,…,n。
20、根据本发明提供的一种目标检测方法,j=i+1。
21、根据本发明提供的一种目标检测方法,所述总损失函数由所述第i损失函数按第i权重加权后求和得到。
22、根据本发明提供的一种目标检测方法,所述第i权重大于第i+1权重。
23、本发明还提供一种目标检测装置,包括:
24、待检测图像获取模块,用于获取待检测图像;
25、模型运行模块,用于将所述待检测图像输入目标检测模型,得到目标检测模型输出的待检测图像中各目标物的检测框及目标物类别,
26、其中,目标检测模型是基于样本图像及样本图像对应的检测框标签和类别标签训练得到的,且训练时,所述目标检测模型输出至少两个尺寸大小不同的特征图,较小尺寸的特征图对应的类别损失函数包括:第一差异子函数和第二差异子函数,所述第一差异子函数用于计算较小尺寸的特征图训练结果和较大尺寸的特征图训练结果中各自类别结果的差异,所述第二差异子函数用于计算较小尺寸的特征图训练结果中类别结果与所述类别标签的差异,
27、所述目标检测模型用于根据输入的所述待检测图像输出预设尺寸的特征图,并基于所述预设尺寸的特征图输出所述待检测图像中各目标物的检测框及目标物类别。
28、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的目标检测方法。
29、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的目标检测方法。
30、本发明提供的目标检测方法及装置,通过在目标检测模型训练时输出至少两个尺寸大小不同的特征图,使较小尺寸的特征图的类别损失函数包含较小尺寸的特征图训练结果与较大尺寸的特征图训练结果的差异特征,即采用较大尺寸的特征图训练结果指导较小尺寸的特征图训练结果,使得较小尺寸的特征图训练结果学习较大尺寸的特征图训练结果,由于较大尺寸的特征图所包含的特征信息,尤其是对于图像中小物体的特性信息,比较小尺寸的特征图所包含的特性信息更多,对较小尺寸的特征图训练时,也能得到较大尺度特征图中的一些特征信息。因此,即使在模型运用中采用较小尺寸的特征图来检测目标,也能够更准确地从待检测图像中检测出各目标物的类别,从而提升了对小物体检测的准确度,极大程度地避免了adas系统出现误报或者漏报的问题。
1.一种目标检测方法,其特征在于,包括:
2.根据权利要求1所述的目标检测方法,其特征在于,所述目标检测模型包括:骨干网络层、n个不同尺寸的卷积层和n个网络输出层,n≥2;所述骨干网络层,用于根据所述输入的所述待检测图像输出特征参考图;
3.根据权利要求2所述的目标检测方法,其特征在于,将所述待检测图像输入目标检测模型,得到目标检测模型输出的待检测图像中各目标物的检测框及目标物类别,包括:
4.根据权利要求2所述的目标检测方法,其特征在于,将所述待检测图像输入目标检测模型之前,还包括:训练所述目标检测模型,具体包括:
5.根据权利要求4所述的目标检测方法,其特征在于,j=i+1。
6.根据权利要求4所述的目标检测方法,其特征在于,所述总损失函数由所述第i损失函数按第i权重加权后求和得到。
7.根据权利要求6所述的目标检测方法,其特征在于,所述第i权重大于第i+1权重。
8.一种目标检测装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~7中任一项所述的目标检测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~7中任一项所述的目标检测方法。