[发明专利]目标检测方法、电子设备、介质及车辆

说明书

本发明涉及人工智能技术领域，具体提供一种目标检测方法、电子设备、介质及车辆，旨在解决现有车辆自动驾驶领域中的目标检测方法对应的检测精度较低的技术问题。为此目的，本发明的目标检测方法包括：获取包含目标检测对象的待检测图像；将待检测图像输入利用知识蒸馏方法训练好的学生网络，得到目标检测对象，利用知识蒸馏方法对学生网络进行训练包括：将交通场景训练图像输入已训练的教师网络，得到第一特征图和动态区域；将交通场景训练图像输入待训练的学生网络，得到第二特征图和检测损失部分；基于第一特征图、第二特征图和动态区域确定蒸馏损失部分；基于蒸馏损失部分和检测损失部分对学生网络进行训练。如此，提高了目标检测精度。

技术领域

本发明涉及人工智能技术领域，具体提供一种目标检测方法、电子设备、介质及车辆。

背景技术

目前，在车辆自动驾驶领域中，对于诸如行人、红绿灯、障碍物以及车道线等目标的检测都是基于网络模型实现。现有的网络模型通常采用高效的轻量模型，在采用知识蒸馏方式来训练轻量模型时，轻量模型与教师网络之间的约束力小，面对大量的训练数据处于欠拟合状态，轻量模型的表达能力难以学习到教师网络中的有效特征，导致现有的蒸馏方法效果较差，进而导致了自动驾驶检测中的目标检测精度较低，难以满足实际需求。

相应地，本领域需要一种新的目标检测方案来解决上述问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决现有的车辆自动驾驶领域中的目标检测方法对应的检测精度较低的技术问题。本发明提供了一种目标检测方法、电子设备、介质及车辆。

在第一方面，本发明提供一种目标检测方法，包括下述步骤：获取包含目标检测对象的待检测图像；将所述待检测图像输入利用知识蒸馏方法训练好的学生网络，得到目标检测对象；其中，利用知识蒸馏方法对所述学生网络进行训练包括：将交通场景训练图像输入已训练的教师网络，得到第一特征图和动态区域，其中所述教师网络包括第一特征金字塔网络和区域候选网络，所述第一特征金字塔网络输出所述第一特征图，所述区域候选网络输入所述第一特征图并输出所述动态区域；将交通场景训练图像输入待训练的学生网络，得到第二特征图和检测损失部分，其中所述学生网络包括第二特征金字塔网络，所述第二特征金字塔网络输出所述第二特征图，所述学生网络基于真实标签得到所述检测损失部分；基于所述第一特征图、第二特征图和动态区域确定蒸馏损失部分；基于所述蒸馏损失部分和检测损失部分对所述学生网络进行训练。

在一个实施方式中，所述区域候选网络输入所述第一特征图并输出所述动态区域，包括：将所述区域候选网络的输出V(F)进行归一化处理，得到归一化特征图：

Map＝σ(V(F))；

对归一化特征图进行阈值处理，生成所述动态区域：

其中，σ(·)表示归一化函数，WeightedMap_x,y表示动态区域在坐标(x,y)处的权重，threshold表示区域阈值。

在一个实施方式中，所述基于所述第一特征图、第二特征图和动态区域确定蒸馏损失部分，包括：使用动态区域对蒸馏损失函数进行加权，其中所述蒸馏损失函数用于约束第一特征图和第二特征图保持一致。

在一个实施方式中，所述使用动态区域对蒸馏损失函数进行加权，包括：

其中，LOSS表示加权的平方损失函数，F_t,x,y表示第一特征图位于坐标(x,y)位置的特征，F_s,x,y表示第二特征图位于坐标(x,y)位置的特征，WeightedMap_x,y表示动态区域在坐标(x,y)处的权重，N为所述第二特征图的长宽之积。