【技术实现步骤摘要】
本专利技术涉及目标检测，更具体地说，涉及一种目标检测模型训练方法、目标检测方法、装置及设备。
技术介绍
1、目标检测以传感器采集的数据作为输入，预测感兴趣目标在空间中的信息。不同传感器采集的模态不同，优势互补，因此，多模态融合方案成为目标检测的重要趋势。
2、在采用多模态融合进行目标检测时，多类传感器的数据特征融合后的数据特征中存在前景背景混淆问题。而前景背景混淆问题会导致目标检测出现误检或漏检，从而降低目标检测精度。
3、综上所述，如何提高目标检测精度，是目前本领域技术人员亟待解决的技术问题。
技术实现思路
1、有鉴于此，本专利技术的目的是提供一种目标检测模型训练方法、目标检测方法、目标检测模型训练装置、目标检测装置、电子设备及可读存储介质，用于提高目标检测精度。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种目标检测模型训练方法，包括：
4、获取多个模态在同一视图下的训练数据特征；
5、将各所述模态在所述视图下的所述训练数据特征进行融合，得到训练融合特征；
6、在所述视图下对所述训练集中的样本进行前景区域标注，利用所述训练融合特征及前景区域标注结果，训练第一前景感知模型；其中，在所述前景区域标注结果中前景区域的前景标注值大于背景区域的前景标注值；
7、利用所述第一前景感知模型及所述训练融合特征，得到多模态训练前景热度图；
8、利用所述多模态训练前景热度图和所
9、利用前景增强的所述训练融合特征训练得到目标检测模型。
10、优选的，在获取多个模态在同一视图下的训练数据特征之后，还包括：
11、利用各所述模态的训练数据特征及所述前景区域标注结果，训练各所述模态对应的第二前景感知模型；
12、利用各所述模态对应的第二前景感知模型和所述训练数据特征，得到各所述模态对应的单模态训练前景热度图；
13、利用各所述模态对应的单模态训练前景热度图和所述训练数据特征，得到各所述模态对应的模态内前景增强的所述训练数据特征；
14、将各所述模态在所述视图下的所述训练数据特征进行融合，包括：
15、将各所述模态对应的模态内前景增强的所述训练数据特征进行融合。
16、优选的，在利用各所述模态的训练数据特征及所述前景区域标注结果，训练各所述模态对应的第二前景感知模型时，还包括：
17、利用各所述第二前景感知模型对应的前景感知损失函数，监督相应的所述第二前景感知模型的训练。
18、优选的，在利用各所述第二前景感知模型对应的前景感知损失函数，监督相应的所述第二前景感知模型的训练之前，还包括：
19、对所述训练集中的样本中的混淆区域进行标注；其中，所述混淆区域为前景背景的混淆区域，在混淆区域标注结果中，所述混淆区域内的数值大于1，非混淆区域内的数值等于1；
20、利用所述混淆区域标注结果对各所述第二前景感知模型对应的前景感知损失函数进行加权，得到各所述第二前景感知模型对应的混淆区域加权后的所述前景感知损失函数；
21、利用各所述第二前景感知模型对应的前景感知损失函数，监督相应的所述第二前景感知模型的训练，包括：
22、利用各所述第二前景感知模型对应的混淆区域加权后的所述前景感知损失函数，监督相应的所述第二前景感知模型的训练。
23、优选的，在对所述训练集中的样本中的混淆区域进行标注之前，还包括：
24、根据所述样本中标注的前景区域，确定混淆区域外边界和混淆区域内边界；
25、将所述混淆区域外边界和所述混淆区域内边界之间的区域确定为所述混淆区域。
26、优选的，在利用各所述模态对应的第二前景感知模型和所述训练数据特征，得到各所述模态对应的单模态训练前景热度图之后，还包括：
27、利用各所述模态对应的训练数据特征和其它所述模态对应的单模态训练前景热度图，得到各所述模态对应的模态间前景增强的所述训练数据特征；
28、将各所述模态对应的模态内前景增强的所述训练数据特征进行融合，包括：
29、将各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述训练数据特征进行融合。
30、优选的，将各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述训练数据特征进行融合，包括：
31、对各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述训练数据特征，按照通道维度进行组合，得到组合后训练数据特征；
32、对所述组合后训练数据特征进行融合。
33、优选的，对各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述训练数据特征，按照通道维度进行组合，包括：
34、获取各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述训练数据特征分别对应的权重值；
35、利用各所述权重值对相应的模态内前景增强的所述训练数据特征、模态间前景增强的所述训练数据特征进行加权处理；
36、对加权处理后的模态内前景增强的所述训练数据特征、加权处理后的模态间前景增强的所述训练数据特征进行组合。
37、优选的，所述第一前景感知模型及各所述模态对应的第二前景感知模型均包括编码模块和解码模块。
38、优选的，所述编码模块包括多个编码单元，所述编码单元包括均值池化单元和第一残差单元，所述解码模块包括多个解码单元，所述解码单元包括上采样单元和第二残差单元。
39、优选的，所述第一残差单元和所述第二残差单元均包括批次归一化层、非线性激活层和1×1卷积层。
40、优选的，在所述视图下对所述对训练集中的样本进行前景区域标注，包括：
41、获取所述样本中的各目标边界框的二维信息；所述二维信息包括所述目标边界框的中心点、宽度、长度和朝向角；
42、根据各所述目标边界框的二维信息，对所述样本进行前景区域标注；
43、其中，当所述样本中包含多个所述目标边界框且至少两个所述目标边界框之间存在重叠部分时，则对所述重叠部分的前景标注值进行平均处理。
44、优选的，根据各所述目标边界框的二维信息，对所述样本进行前景区域标注，包括：
45、若所述样本中的当前目标边界框的朝向角等于0，则根据所述当前目标边界框的中心点、宽度和长度确定所述当前目标边界框的第一内切椭圆，按照二维高斯分布对所述第一内切椭圆进行前景区域标注，并将所述第一内切椭圆外的区域标注为0，得到第一标注结果；
46、若所述样本中的所述当前目标边界框的朝向角不等于0，则根据所述当前目标边界框的朝向角确定本文档来自技高网...
【技术保护点】
1.一种目标检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的目标检测模型训练方法，其特征在于，在获取多个模态在同一视图下的训练数据特征之后，还包括：
3.根据权利要求2所述的目标检测模型训练方法，其特征在于，在利用各所述模态的训练数据特征及所述前景区域标注结果，训练各所述模态对应的第二前景感知模型时，还包括：
4.根据权利要求3所述的目标检测模型训练方法，其特征在于，在利用各所述第二前景感知模型对应的前景感知损失函数，监督相应的所述第二前景感知模型的训练之前，还包括：
5.根据权利要求4所述的目标检测模型训练方法，其特征在于，在对所述训练集中的样本中的混淆区域进行标注之前，还包括：
6.根据权利要求2所述的目标检测模型训练方法，其特征在于，在利用各所述模态对应的第二前景感知模型和所述训练数据特征，得到各所述模态对应的单模态训练前景热度图之后，还包括：
7.根据权利要求6所述的目标检测模型训练方法，其特征在于，将各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述
8.根据权利要求7所述的目标检测模型训练方法，其特征在于，对各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述训练数据特征，按照通道维度进行组合，包括：
9.根据权利要求2所述的目标检测模型训练方法，其特征在于，所述第一前景感知模型及各所述模态对应的第二前景感知模型均包括编码模块和解码模块。
10.根据权利要求9所述的目标检测模型训练方法，其特征在于，所述编码模块包括多个编码单元，所述编码单元包括均值池化单元和第一残差单元，所述解码模块包括多个解码单元，所述解码单元包括上采样单元和第二残差单元。
11.根据权利要求10所述的目标检测模型训练方法，其特征在于，所述第一残差单元和所述第二残差单元均包括批次归一化层、非线性激活层和1×1卷积层。
12.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述视图下对所述对训练集中的样本进行前景区域标注，包括：
13.根据权利要求12所述的目标检测模型训练方法，其特征在于，根据各所述目标边界框的二维信息，对所述样本进行前景区域标注，包括：
14.根据权利要求1所述的目标检测模型训练方法，其特征在于，在利用所述训练融合特征及前景区域标注结果，训练第一前景感知模型时，还包括：
15.根据权利要求14所述的目标检测模型训练方法，其特征在于，在利用所述第一前景感知模型对应的前景感知损失函数，监督所述第一前景感知模型的训练之前，还包括：
16.根据权利要求1所述的目标检测模型训练方法，其特征在于，当所述模态包括摄像机图像和点云、所述视图为鸟瞰图视图时，获取多个模态在同一视图下的训练数据特征，包括：
17.根据权利要求16所述的目标检测模型训练方法，其特征在于，在从所述训练图像数据中提取训练图像特征之后，在采用二维到三维转换方法，将所述训练图像特征转换成所述鸟瞰图视图下的训练图像特征之前，还包括：
18.根据权利要求17所述的目标检测模型训练方法，其特征在于，对所述训练图像进行前景区域标注，包括：
19.根据权利要求18所述的目标检测模型训练方法，其特征在于，根据各所述目标边界框的二维信息，对所述训练图像进行前景区域标注，包括：
20.根据权利要求1所述的目标检测模型训练方法，其特征在于，利用前景增强的所述训练融合特征训练得到目标检测模型，包括：
21.一种目标检测方法，其特征在于，包括：
22.根据权利要求21所述的目标检测方法，其特征在于，在获取多个模态在同一视图下的待检测数据特征之后，还包括：
23.根据权利要求22所述的目标检测方法，其特征在于，在利用各所述模态对应的单模态待检测前景热度图和所述待检测数据特征，得到各所述模态对应的模态内前景增强的所述待检测数据特征之后，还包括：
24.根据权利要求23所述的目标检测方法，其特征在于，将各所述模态对应的模态内前景增强的所述待检测数据特征、各所述模态对应的模态间前景增强的所述待检测数据特征进行融合，包括：
25.根据权利要求24所述的目标检测方法，其特征在于，对各所述模态对应的模态内前景增强的所述待检测数据特征、各所述模态对应的模态间前景增强的所述待检测数据特征，按照通道维度进行组合，包括：
26.根据权利要求21所述的目标检测方法，其特征在于，当所述模态包括摄像机图像和...
【技术特征摘要】
1.一种目标检测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的目标检测模型训练方法，其特征在于，在获取多个模态在同一视图下的训练数据特征之后，还包括：
3.根据权利要求2所述的目标检测模型训练方法，其特征在于，在利用各所述模态的训练数据特征及所述前景区域标注结果，训练各所述模态对应的第二前景感知模型时，还包括：
4.根据权利要求3所述的目标检测模型训练方法，其特征在于，在利用各所述第二前景感知模型对应的前景感知损失函数，监督相应的所述第二前景感知模型的训练之前，还包括：
5.根据权利要求4所述的目标检测模型训练方法，其特征在于，在对所述训练集中的样本中的混淆区域进行标注之前，还包括：
6.根据权利要求2所述的目标检测模型训练方法，其特征在于，在利用各所述模态对应的第二前景感知模型和所述训练数据特征，得到各所述模态对应的单模态训练前景热度图之后，还包括：
7.根据权利要求6所述的目标检测模型训练方法，其特征在于，将各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述训练数据特征进行融合，包括：
8.根据权利要求7所述的目标检测模型训练方法，其特征在于，对各所述模态对应的模态内前景增强的所述训练数据特征、各所述模态对应的模态间前景增强的所述训练数据特征，按照通道维度进行组合，包括：
9.根据权利要求2所述的目标检测模型训练方法，其特征在于，所述第一前景感知模型及各所述模态对应的第二前景感知模型均包括编码模块和解码模块。
10.根据权利要求9所述的目标检测模型训练方法，其特征在于，所述编码模块包括多个编码单元，所述编码单元包括均值池化单元和第一残差单元，所述解码模块包括多个解码单元，所述解码单元包括上采样单元和第二残差单元。
11.根据权利要求10所述的目标检测模型训练方法，其特征在于，所述第一残差单元和所述第二残差单元均包括批次归一化层、非线性激活层和1×1卷积层。
12.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述视图下对所述对训练集中的样本进行前景区域标注，包括：
13.根据权利要求12所述的目标检测模型训练方法，其特征在于，根据各所述目标边界框的二维信息，对所述样本进行前景区域标注，包括：
14.根据权利要求1所述的目标检测模型训练方法，其特征在于，在利用所述训练融合特征及前景区域标注结果，训练第一前景感知模型时，还包括：
15.根据权利要求14所述的目标检测模型训练方法，其特征在于，在利用所述第一前景感知模型对应的前景感知损失函数，监督所述第一前景感知模型的训练之前，还包括：<...
【专利技术属性】
技术研发人员：张腾飞，张恒，邓琪，李茹杨，
申请(专利权)人：浪潮北京电子信息产业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。