[发明专利]图像检测、行驶控制方法、装置、电子设备及存储介质

说明书

本公开提供了一种图像检测、行驶控制方法、装置、电子设备及存储介质，该方法包括：根据待检测图像生成多通道特征数据；将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量；根据所述压缩特征向量生成全局特征向量，所述全局特征向量中包含所述待检测图像的全局信息；基于所述全局特征向量和所述多通道特征数据，确定所述待检测图像对应的检测结果。

技术领域

本公开涉及深度学习技术领域，具体而言，涉及一种图像检测、行驶控制方法、装置、电子设备及存储介质。

背景技术

图像处理任务可以包括图像分类、目标物体检测、语义分割、实例分割等。比如，语义分割是计算机视觉领域的基本问题之一，语义分割的目标是对图像上的每一个像素进行检测、分类，将图像上属于同一类的像素归为一类，其中，语义分割有着广泛的应用场景，比如自动驾驶场景、机器人场景等。

一般的，可以通过非局部Non-Local算法完成图像处理任务，但是，Non-Local算法的运行效率与输入图像的分辨率密切相关，在输入图像的分辨率较高时，Non-Local算法的效率较低。

发明内容

有鉴于此，本公开至少提供一种图像检测、行驶控制方法、装置、电子设备及存储介质。

第一方面，本公开提供了一种图像检测方法，包括：

根据待检测图像生成多通道特征数据；

将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量；

根据所述压缩特征向量生成全局特征向量，所述全局特征向量中包含所述待检测图像的全局信息；

基于所述全局特征向量和所述多通道特征数据，确定所述待检测图像对应的检测结果。

采用上述方法，经实验发现，神经网络最后生成的、用于进行预测的特征图上，每个类别在通道上面的分布较稀疏，因此，本方案在生成多通道特征数据之后，将多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量，根据压缩特征向量生成全局特征向量，该全局特征向量中包含有待检测图像的全局信息；最后基于包含有待检测图像的全局信息的全局特征向量和多通道特征数据，确定待检测图像对应的检测结果时，保障了待检测图像的检测结果的准确度的同时还由于特征数据被压缩减小了数据处理量，从而无需关注待检测图像的分辨率信息，在保证图像检测准确度的基础上，提高了图像检测的效率。

一种可能的实施方式中，所述将所述多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量，包括：

对所述多通道特征数据进行降维处理，生成降维后的多通道特征数据；

将所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量。

采用上述方法，可以先对多通道特征数据进行降维处理，基于降维后的多通道特征数据生成压缩特征向量时，减少了压缩特征向量的维度，以便后续基于压缩特征向量生成全局特征向量时，可以减少计算量，提高处理效率。

一种可能的实施方式中，将所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量，包括：

基于全局池化操作对所述降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成所述压缩特征向量。

上述方法中，利用全局池化操作对降维后的多通道特征数据中每个通道的特征数据分别进行压缩，生成压缩特征向量，压缩处理过程较为简便。

一种可能的实施方式中，所述对所述多通道特征数据进行降维处理，生成降维后的多通道特征数据，包括：