CN113902897B 目标检测模型的训练、目标检测方法、装置、设备和介质 （北京百度网讯科技有限公司）

像特征输入至所述第一目标检测模型的第一鸟所述第一鸟瞰图特征输入至所述第一目标检测述样本图像的标准3D识别结果和所述第一检测2将样本图像输入至第一目标检测模型的点云特征提取将所述生成点云的图像特征输入至所述第一目标检测模型的第一鸟瞰图特征提取网将所述第一鸟瞰图特征输入至所述第一目标检测模型的根据所述样本图像的标准3D识别结果和所述第一检根据所述第一鸟瞰图特征和所述第二鸟瞰图特征，确定将样本图像输入至所述点云特征提取网络中的编码器中根据所述样本图像中像素点的深度，将所述样本图像将所述图像特征输入至深度预测网络中，确定所述样本图像根据所述感兴趣点云的深度，对所述采集点云对应的采集场景的深度进行区间划分，3根据所述第一特征层输出的特征与对应的第二特征层将采集点云输入至第二目标检测模型中，得到第二检在所述第一检测结果和所述第二检测结果匹配的情根据所述第一损失、所述特征一致性损失和将图像输入至目标检测模型中，在所述图像中识别其中，所述目标检测模型是根据如权利要求1至6生成点云特征提取模块，用于将样本图像输第一损失计算模块，用于根据所述样本图像的标准3D识别结果和所述第一检测结果，第二鸟瞰图特征提取模块，用于将采集点云输入至第特征一致性损失计算模块，用于根据所述第一鸟瞰图特征和所述第特征损失训练单元，用于根据所述第一损失像素深度计算单元，用于将所述图像特征输入至深度预4生成点云特征确定单元，用于根据所述样本深度置信度计算子单元，用于将所述图像特征输入像素深度预测子单元，用于根据各所述备选深度区间的中点云采集模块，用于获取采集点云，所述采深度区间划分模块，用于根据所述感兴趣点云的深度，对特征层差异计算单元，用于根据所述第一特征层输出的置信度损失计算模块，用于在所述第一检测结果和所述第二检测结果匹配的情况下，根据所述第一检测结果包括的第一类别置信度和所述第二检测结果包括的第二类别置信置信度损失训练单元，用于根据所述第一损失、所述特征所述存储器存储有可被所述至少一个处理器执行5理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的目标检测模型使所述计算机执行根据权利要求1-6中任一项所述的目标检测模型的训练方法，或权利要6[0007]将所述生成点云的图像特征输入至所述第一目标检测模型的第一鸟瞰图特征提7[0027]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特[0038]图10是用来实现本公开实施例的目标检测模型的训练方法或目标检测方法的电[0040]图1是根据本公开实施例公开的一种目标检测模型的训练方法的流程图，本实施8征提取网络，用于从生成点云的图像特征中，提取第一鸟瞰图特征(Bird’sEyeView,BEV)。示例性的，第一鸟瞰图特征提取网络可以是Second网络(SparselyEmbedded9测结果(类别对应的数值为0)的之间的类别对应的数值差值，确定该标准3D识别结果的类[0058]图2是根据本公开实施例公开的另一种目标检测模型的训练方法的流程图，基于[0075]其中，bini为第i云对应的采集场景的深度进行区间划分，可以是指对从0至采集场景的深度的深度区间进[0081]例如，在(55,65]的深度的三维坐标点的30在(65,75]的深度的三维坐标点的数量占全部三维坐标点的数量的比值为10相应[0087]图5是根据本公开实施例公开的另一种目标检测模型的训练方法的流程图，基于度上慢于第一目标检测模型的运行速度和训练速度，而且第二目标检测模型的输入为点检测模型学习得到的鸟瞰图特征与第二目标检测模型学习得到的鸟瞰图特征之间的差异，使得第一目标检测模型学习得到的鸟瞰图特征与第二目标检测模型学习得到的鸟瞰图特瞰图特征提取网络，第一鸟瞰图特征提取网络和第二鸟瞰图特征提取网络的网络结构相瞰图特征与第二目标检测模型在真实点云学习得到的至少一个层的鸟瞰图特征更加接近，极大降低第一目标检测模型在生成的伪点云的图像特征的学习鸟瞰图特征的能力与第二进式特征分布引导第一目标检测模型的特征学习能力不断接近第二目标检测模型的特征学习能力，可以避免第一目标检测模型的学习要求超过了第一目标检测模型的学习能力，公式计算第一检测区域和第二检测区域之间的交并比：[0119]置信度一致性损失用于约束第一目标检测模型针对某一标准3D识别结果学习得到的类别置信度与第二目标检测模型针对该标准3D识别结果学习得到的类别置信度之间一目标检测模型和第二目标检测模型分别针对同一标准3D识别结果计算的类别置信度之[0120]置信度一致性损失可以根据第一目标检测模型针对标准3D识别结果的第一检测结果和第二目标检测模型针对该标准3D识别结果的第二检测结果的置信度之间的差异确为第二类别置信度。scoreBEV-scoreimg表示多个匹配的第一[0127]通过额外配置第二目标检测模型，并计算第一目标检测模型一3D物体的学习得到的类别特征与第二目标检测模型在同一3D物体学习得到的类别特征伪点云的图像特征学习得到的鸟瞰图特征与第二目标检测模型在真实点云学习得到的鸟二检测结果的第二类别置信度与第一目标检测模型得到的第一检测结果的第一类别置信[0135]根据第一检测结果423与标准3D识别结果，计算第一检测结果的空间损失和类别真实采集的点云提取的鸟瞰图特征引导第一目标检测模型学习提取符合真实的鸟瞰图特[0138]图7是根据本公开实施例公开的一种目标检测方法的流程图，本实施例可以适用[0144]根据本公开的实施例，图8是本公开实施例中的目标检测模型的训练装置的结构[0145]如图8所示的一种目标检测模型的训练装置600，包括：生成点云特征提取模块[0146]生成点云特征提取模块601，用于将样本图像输入至第一目标检测模型的点云特[0147]鸟瞰图特征提取模块602，用于将所述生成点云的图像特征输入至所述第一目标[0148]第一检测结果获取模块603，用于将所述第一鸟瞰图特征输入至所述第一目标检[0149]第一损失计算模块604，用于根据所述样本图像的标准3D识别结果和所述第一检[0157]上述目标检测模型的训练装置可执行本公开任意实施例所提供的目标检测模型[0165]图10示出了可以用来实施本公开的实施例的示例电子设备800的示意性区域图。中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来因特网的计算机网络和/或各种电信网络与其他设备单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的目标检测模型的训练方法或字符生成方法的一个或多个步机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器[0170]用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或区域图中所规定[0173]可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，