[发明专利]用于检测目标的方法和装置

说明书

本申请公开了用于检测目标的方法和装置，涉及计算机技术领域。具体一实施方式为：将获取的点云输入目标检测模型，得到目标检测结果，目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层，目标检测模型通过以下步骤训练得到：将样本集中样本的样本点云输入初始模型，得到膨胀卷积层输出的第一特征信息；基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络，得到第二特征信息；基于第一特征信息和第二特征信息，确定损失函数值；利用损失函数值更新初始模型的模型参数，得到目标检测模型。该实施方式使目标检测模型对于点云的点数量较少的情况也能有不错的检测效果，输出更准确的目标检测结果。

技术领域

本公开实施例涉及计算机技术领域，具体涉及计算机视觉的目标检测技术。

背景技术

激光雷达作为一种重要的环境感知传感器，广泛应用于各种领域。以车辆自动驾驶领域为例，激光雷达获取的点云数据包含了各种目标(例如，车辆、行人、骑行者等)信息，可以用于障碍物检测。由于激光雷达获取的点云具有稀疏性、密度不一致性，在遮挡区域和远距离位置可能会出现点云缺失不完整或点云的点数量过少。这将导致在遮挡和远距离区域目标检测的精度较低，容易发生漏检和误检。

发明内容

提供了一种用于检测目标的方法和装置。

根据第一方面，本公开实施例提供了一种用于检测目标的方法，该方法包括：将获取的点云输入预先建立的目标检测模型，得到目标检测结果，其中，上述目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层，上述目标检测模型通过以下步骤训练得到：将样本集中样本的样本点云输入初始模型，得到膨胀卷积层输出的第一特征信息；基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络，得到第二特征信息，其中，上述生成集中的生成样本与上述样本集中的样本存在对应关系；基于上述第一特征信息和上述第二特征信息，确定损失函数值；利用上述损失函数值更新上述初始模型的模型参数，得到目标检测模型。

根据第二方面，本公开实施例提供了一种用于检测目标的装置，该装置包括：输入单元，被配置成将获取的点云输入预先建立的目标检测模型，得到目标检测结果，其中，上述目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层，上述目标检测模型通过以下单元训练得到：第一生成单元，被配置成将样本集中样本的样本点云输入初始模型，得到膨胀卷积层输出的第一特征信息；第二生成单元，被配置成基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络，得到第二特征信息，其中，上述生成集中的生成样本与上述样本集中的样本存在对应关系；确定单元，被配置成基于上述第一特征信息和上述第二特征信息，确定损失函数值；参数更新单元，被配置成利用上述损失函数值更新上述初始模型的模型参数，得到目标检测模型。

根据第三方面，本公开实施例提供了一种电子设备，其特征在于，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如第一方面中任一项上述的方法。

根据第四方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，上述计算机指令用于使上述计算机执行如第一方面中任一项上述的方法。

根据本申请的技术所使用的目标检测模型的特征提取网络和膨胀卷积层是基于预先训练的检测模型的训练得到的，膨胀卷积可以对特征提取网络输出的特征信息进行进一步的处理，可以使处理后的特征信息更加接近点多区域的特征信息，从而使目标检测模型对于点云的点数量较少的情况也能有不错的检测效果，输出更准确的目标检测结果。

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征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：