[发明专利]多任务学习深度网络模型的训练及目标检测方法、装置

权利要求书

1.一种多任务学习深度网络模型的训练方法，包括：

获取目标检测场景下多任务学习的训练数据；其中，所述训练数据包括图像样本和每个任务对应在所述图像样本上的标签；

将所述图像样本输入至所述多任务学习深度网络模型之中的主干网络，获得所述主干网络输出的特征图；其中，所述多任务学习深度网络模型为基于Anchor-Free的多任务学习深度网络模型；

将所述特征图输入至所述多任务学习深度网络模型之中的特征金字塔网络，获得所述特征金字塔网络输出的多尺度特征图；

将所述多尺度特征图输入至所述多任务学习深度网络模型之中的Head网络进行每个任务的学习，获得所述Head网络输出的所述每个任务对应的预测结果；

根据所述Head网络输出的每个任务对应的预测结果和所述每个任务对应在所述图像样本上的标签，训练所述多任务学习深度网络模型。

2.根据权利要求1所述的方法，其中，所述主干网络包括多个第一特征提取单元；所述将所述图像样本输入至所述多任务学习深度网络模型之中的主干网络，获得所述主干网络输出的特征图，包括：

将所述图像样本输入至所述主干网络；

获得所述主干网络之中每个第一特征提取单元输出的第一特征图。

3.根据权利要求2所述的方法，其中，所述特征金字塔网络包括多个第二特征提取单元；所述将所述特征图输入至所述多任务学习深度网络模型之中的特征金字塔网络，获得所述特征金字塔网络输出的多尺度特征图，包括：

将所述主干网络之中每个第一特征提取单元输出的第一特征图输入至所述特征金字塔网络；

通过所述特征金字塔网络之中所述多个第二特征提取单元对对应的第一特征提取单元输出的第一特征图进行自顶向下、密集连接方式的特征融合，得到各尺度对应的特征图。

4.根据权利要求1所述的方法，其中，所述Head网络包括多个Head子网络；所述将所述多尺度特征图输入至所述多任务学习深度网络模型之中的Head网络进行每个任务的学习，获得所述Head网络输出的所述每个任务对应的预测结果，包括：

将所述多尺度特征图输入至对应的Head子网络进行每个任务的学习；

获得每个所述Head子网络输出的所述每个任务对应的预测结果；

将每个所述Head子网络输出的所述每个任务对应的预测结果进行融合处理，获得所述Head网络输出的所述每个任务对应的预测结果。

5.根据权利要求1至4中任一项所述的方法，其中，所述多任务学习包括：

目标中心点定位任务、目标角点定位任务、目标边界框预测任务、目标特征点定位任务。

6.一种目标检测方法，包括：

获取车辆周围环境的图像；

将所述图像输入至经过训练的多任务学习深度网络模型；所述多任务学习深度网络模型为基于Anchor-Free的多任务学习深度网络模型，所述多任务学习深度网络模型包括主干网络、特征金字塔网络和Head网络；其中，所述Head网络包括多个Head子网络，每个所述Head子网络分别进行每个任务的预测；

获取所述多任务学习深度网络模型输出的每个任务对应的预测结果；

根据所述每个任务对应的预测结果，确定出所述图像之中目标的检测框、边界框和特征点。