【技术实现步骤摘要】
【】本专利技术涉及计算机视觉领域，具体而言，涉及一种多目标检测方法和模型的训练方法、边缘计算设备及介质。
技术介绍
0、
技术介绍
1、随着智能交通系统和智能驾驶技术的迅速发展，车辆对周围环境的准确感知能力变得至关重要。这种感知能力是实现车辆自主导航、避障和遵守交通规则的基础。在这一领域，多目标检测技术扮演着核心角色，它需要同时识别和定位多种不同的目标，包括但不限于车道线、行人、非机动车、机动车以及障碍物等。这些目标的准确检测对于车辆的安全行驶和决策制定是必不可少的。
2、然而，传统的目标检测方法往往只能专注于单一类型的检测任务，例如只检测交通参与者或者只检测障碍物/标识物，而忽视了环境中其他重要的目标。这种方法的局限性在于不能全面地理解和响应复杂的交通环境，从而限制了其适应性和鲁棒性。在多变的道路条件和复杂的交通流中，单一目标检测的模型难以提供全面的态势感知，这可能导致智能驾驶系统的决策出现偏差，甚至引发安全事故。
技术实现思路
0、
技术实现思路
1、为了解决现有技术中存在的一种或多种缺陷，本专利技术提供一种多目标检测方法和模型的训练方法、边缘计算设备及介质。
2、一方面，本专利技术提供了一种多目标检测模型的训练方法，包括：
3、将训练图像作为输入图像输入至待训练模型包括的主干特征提取模块，以基于所述训练图像对应的原始特征图提取所述训练图像对应的多个第一类特征图；其中，多个所述第一类特征图的通道数量不同；所述第一类
4、将至少一个所述第一类特征图输入至待训练模型所包括的第一目标检测模块，以检测预定类型的第一目标，得到第一目标检测结果；
5、将至少两个所述第一类特征图输入至待训练模型包括的多层特征融合模块，以将至少两个所述第一类特征图进行多层特征融合，得到多个第二类特征图；所述第二类特征图中的特征信息多于所述第一类特征图的特征信息；
6、将多个所述第二类特征图输入待训练模型包括的第二目标检测模块，以检测预定类型的第二目标，得到第二目标检测结果；
7、基于所述第一目标检测结果和预先获取的所述训练图像的第一目标标注结果计算用于表示第一目标检测损失的第一目标损失函数值；基于所述第二目标检测结果和预先获取的所述训练图像的第二目标标注结果计算用于表示第二目标检测损失的第二目标损失函数值；
8、根据所述第一目标损失函数值及第二目标损失函数值调整所述待训练模型的网络参数，直至满足预定模型训练收敛条件，得到训练后的多目标检测模型。
9、可选的，所述基于所述训练图像对应的原始特征图提取所述训练图像对应的多个第一类特征图，包括：
10、针对所述训练图像的原始特征图，采用偏移最大池化下采样处理，提取所述训练图像的第一类特征图；其中，得到不同的所述第一类特征图所采用的偏移最大池化下采样处理的次数不同；所述偏移最大池化下采样处理，包括：
11、将所述训练图像的所述原始特征图中的不同位置进行裁切及填充处理，得到多个不同的偏移特征图；
12、针对每个所述偏移特征图，对所述偏移特征图进行最大池化下采样处理，得到下采样结果；
13、将多个所述下采样结果进行拼接，得到所述第一类特征图。
14、可选的，多个所述第一类特征图中包括第一特征图和第二特征图；
15、所述针对所述训练图像的原始特征图，采用偏移最大池化下采样处理，提取所述训练图像的第一类特征图，包括：
16、针对所述训练图像的原始特征图，采用所述偏移最大池化下采样处理，以提取所述训练图像的第一特征图；
17、对所述第一特征图进行残差链接处理，得到第一中间特征图；所述第一中间特征图与所述第一特征图的尺寸相同；
18、将所述第一中间特征图与所述第一特征图进行通道合并处理，得到所述第二特征图。
19、可选的，多个所述第二类特征图中包括第三特征图和第四特征图；
20、所述将至少两个所述第一类特征图进行多层特征融合，得到多个第二类特征图，包括：
21、对所述第一特征图进行卷积处理，得到所述第三特征图；所述第三特征图的尺寸与所述第一特征图的尺寸一致；
22、对所述第三特征图进行残差链接处理及卷积处理，得到所述第四特征图，所述第四特征图的尺寸与所述第二特征图的尺寸一致。
23、可选的，多个所述第一类特征图中还包括第五特征图，多个所述第二类特征图中还包括第六特征图；
24、在对所述第三特征图进行残差链接处理及卷积处理，得到所述第四特征图之后，还包括：
25、对所述第四特征图及所述第二特征图进行通道相加处理，并将通道相加处理结果与所述第五特征图进行通道合并处理，得到所述第六特征图。
26、可选的，所述检测预定类型的第二目标，得到第二目标检测结果，包括：
27、获取期望通道数量；所述期望通道数量与预先设定的目标检测类别的数量相关；
28、分别对至少两个所述第二类特征图进行卷积处理，得到通道数量与所述期望通道数量相同的至少两个第二目标检测特征图；
29、根据至少两个所述第二目标检测特征图确定所述第二目标检测结果。
30、可选的，所述检测预定类型的第一目标，得到第一目标检测结果，包括：
31、对至少一个所述第一类特征图进行卷积处理及残差链接处理，得到通道数量与预先设定的第一目标数量相同的第一目标检测特征图；
32、根据所述第一目标检测特征图确定所述第一目标检测结果。
33、可选的，在基于所述第一目标检测结果和预先获取的所述训练图像的第一目标标注结果计算用于表示第一目标检测损失的第一目标损失函数值之前，所述方法还包括：
34、根据全局检测函数对所述第一目标检测特征图进行全局检测：
35、pi,j＝f(xi,j),i∈[1,(h/8)],j∈[1,l]
36、所述全局检测函数的优化函数为：
37、
38、确认第一目标结构约束损失：
39、
40、确认所述第一目标损失函数为：
41、ltotal＝αlstr+βlclass,str:α+β＝1
42、其中，x为所述第一目标检测特征图，xi,j为所述第一目标检测特征图中第i行第j个通道；f为检测判别函数，pi,j为所述第一目标检测特征图中第i行第j个通道的检测向量，pi,j+1为所述第一目标检测特征图中第i行第j+1个通道的检测向量，||pi,j-pi,j+1||2表示二范数的计算，h/8为所述第一目标检测特征图的高度，l为预先设定的第一目标数量，lclass为类别损失，lce为交叉熵损失，ti,j为one-hot编码值，lstr为第一本文档来自技高网...
【技术保护点】
1.一种多目标检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述训练图像对应的原始特征图提取所述训练图像对应的多个第一类特征图，包括：
3.根据权利要求2所述的方法，其特征在于，多个所述第一类特征图中包括第一特征图和第二特征图；
4.根据权利要求3所述的方法，其特征在于，多个所述第二类特征图中包括第三特征图和第四特征图；
5.根据权利要求4所述的方法，其特征在于，多个所述第一类特征图中还包括第五特征图，多个所述第二类特征图中还包括第六特征图；
6.根据权利要求1所述的方法，其特征在于，
7.根据权利要求6所述的方法，其特征在于，在基于所述第一目标检测结果和预先获取的所述训练图像的第一目标标注结果计算用于表示第一目标检测损失的第一目标损失函数值之前，所述方法还包括：
8.一种多目标检测方法，其特征在于，包括：将待检测图像输入如权利要求1至7任一项所述的多目标检测模型的训练方法训练完成的多目标检测模型，得到所述多目标检测模型输出的所述待检测图像的第一目标检测
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
10.一种边缘计算设备，其特征在于，包括：
...【技术特征摘要】
1.一种多目标检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述训练图像对应的原始特征图提取所述训练图像对应的多个第一类特征图，包括：
3.根据权利要求2所述的方法，其特征在于，多个所述第一类特征图中包括第一特征图和第二特征图；
4.根据权利要求3所述的方法，其特征在于，多个所述第二类特征图中包括第三特征图和第四特征图；
5.根据权利要求4所述的方法，其特征在于，多个所述第一类特征图中还包括第五特征图，多个所述第二类特征图中还包括第六特征图；
6.根据权利要求1所述的方法，其特征在于，
7.根据...
【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，
申请(专利权)人：北京津发科技股份有限公司，
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。