[发明专利]车辆检测模型训练方法、装置、车辆检测方法及电子设备

权利要求书

1.一种车辆检测模型训练方法，其特征在于，包括：

获取包括多个训练样本的训练数据集，每个训练样本包括样本图像、表征所述样本图像中是否包含车辆的车辆标签和表征所述样本图像中车辆位置信息的信息标签；

获取每个所述样本图像对应的至少两个子图像在该样本图像中的位置信息，并基于每个所述样本图像的信息标签，确定各样本图像对应的各子图像的车辆标签；

基于各所述训练样本和各所述样本图像对应的各子图像，对包括依次级联的特征提取网络以及目标识别网络的神经网络模型进行迭代训练，直至所述神经网络模型满足训练结束条件，得到车辆检测模型；

其中，所述训练结束条件包括以下至少一项：

所述神经网络模型的损失函数收敛，所述神经网络模型的训练损失值小于设定值，对所述神经网络模型的训练次数达到设定次数。

2.根据权利要求1所述的方法，其特征在于，所述神经网络模型的损失函数包括第一损失函数和第二损失函数，对于每个所述样本图像，训练的过程包括：

通过所述特征提取网络对该样本图像进行特征提取，得到该样本图像对应的第一特征图；

根据所述第一特征图以及该样本图像对应的各子图像在该样本图像中的位置信息，确定各子图像对应的第二特征图；

对于每个所述子图像，根据该子图像对应的第二特征图和该子图像对应的位置信息，通过所述目标识别网络，得到该子图像的测分类结果以及预测车辆位置信息，所述预测分类结果表征该子图像中是否包括车辆；

基于该样本图像对应的各子图像的预测分类结果和对应的子图像的车辆标签，利用所述第一损失函数，确定第一训练损失值；基于该样本图像对应的各子图像的预测车辆位置信息和该样本图像的信息标签，利用所述第二损失函数，确定第二训练损失值；基于所述第一训练损失值和所述第二训练损失值，得到所述神经网络模型的训练损失值；

若所述神经网络模型的训练损失值不满足所述训练结束条件，对所述神经网络模型的模型参数进行调整，并基于所述各所述训练样本和各所述样本图像对应的各子图像对调整后的模型继续进行训练。

3.根据权利要求2所述的方法，其特征在于，所述特征提取网络包括至少一个特征提取模块以及与所述至少一个特征提取模块级联的池化模块，对于每个所述样本图像，所述通过所述特征提取网络对该样本图像进行特征提取，得到该样本图像对应的第一特征图，包括：

通过所述至少一个特征提取模块对该样本图像进行特征提取，得到该样本图像对应的特征提取的结果；

通过所述池化模块对所述特征提取的结果进行池化，得到该样本图像对应的第一特征图；

所述根据所述第一特征图以及该样本图像对应的各子图像在该样本图像中的位置信息，确定各子图像对应的第二特征图，包括：

根据所述池化网络的池化核的大小，确定所述第一特征图的各特征值与该样本图像中图像区域的映射关系；

对于每个所述子图像，根据该子图像对应的位置信息，确定所述样本图像中该子图像对应的图像区域；

对于每个所述子图像，根据所述映射关系和所述第一特征图，确定该子图像对应的图像区域在所述第一特征图中对应的各特征值，基于确定出的各子图像对应的特征值得到该子图像对应的第二特征图。

4.根据权利要求2所述的方法，其特征在于，在确定出各子图像对应的第二特征图之后，所述方法还包括：

对于每个所述子图像，将该子图像对应的第二特征图划分为设定数目的第三特征图，对该子图像对应的各第三特征图进行特征提取，得到该子图像对应的特征向量；

对于每个所述子图像，所述根据该子图像对应的第二特征图和该子图像对应的位置信息，通过所述目标识别网络，得到该子图像的识别结果，包括：

根据该子图像对应的特征向量和该子图像对应的位置信息，通过所述目标识别网络，得到该子图像的识别结果。

5.根据权利要求4所述的方法，其特征在于，对于每个所述子图像，所述对该子图像对应的各第三特征图进行特征提取，得到该子图像对应的特征向量，包括：

对于每个第三特征图，对该第三特征图的各特征值进行池化操作；

基于该子图像对应的所有第三特征图的池化操作的结果，得到该子图像对应的特征向量。