[發(fā)明專利]一種基于目標(biāo)檢測的下邊緣檢測模型的訓(xùn)練方法、模型和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201910158356.0
• 申請日: 2019-03-01
• 公開（公告）號: CN110148148A
• 公開（公告）日: 2019-08-20
• 發(fā)明（設(shè)計(jì)）人: 張濟(jì)智;吳子章;唐銳;王凡
• 申請（專利權(quán)）人: 北京縱目安馳智能科技有限公司
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06K9/00;G06K9/34
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種目標(biāo)檢測的下邊緣檢測模型的訓(xùn)練方法，其特征在于，包括以下步驟：

獲取樣本圖像，所述樣本圖像標(biāo)注有實(shí)例分割結(jié)果，所述實(shí)例分割結(jié)果中包括目標(biāo)檢測框；

將所述樣本圖像輸入預(yù)先建立的初始神經(jīng)網(wǎng)絡(luò)模型；

利用所述樣本圖像訓(xùn)練所述初始神經(jīng)網(wǎng)絡(luò)模型，所述初始神經(jīng)網(wǎng)絡(luò)模型中包括基礎(chǔ)神經(jīng)網(wǎng)絡(luò)模型、高度圖神經(jīng)網(wǎng)絡(luò)模型和下邊緣網(wǎng)絡(luò)模型，先將樣本圖像輸入基礎(chǔ)神經(jīng)網(wǎng)絡(luò)模型得到目標(biāo)檢測的實(shí)例分割結(jié)果，再將目標(biāo)檢測的實(shí)例分割結(jié)果輸入高度圖神經(jīng)網(wǎng)絡(luò)模型，再由高度圖轉(zhuǎn)換得到目標(biāo)下邊緣檢測結(jié)果；

將執(zhí)行過程中目標(biāo)下邊緣檢測模型輸出的結(jié)果與各個所述目標(biāo)下邊緣檢測標(biāo)注線比較；獲得比較結(jié)果；

根據(jù)所述比較結(jié)果調(diào)整所述目標(biāo)下邊緣檢測模型中的損失函數(shù)，使得所述目標(biāo)下邊緣檢測模型的損失函數(shù)最小。

2.根據(jù)權(quán)利要求1所述的目標(biāo)檢測的下邊緣檢測模型的訓(xùn)練方法，其特征在于，所述損失函數(shù)使用基于距離度量的回歸問題損失函數(shù)。

3.根據(jù)權(quán)利要求2所述的目標(biāo)檢測的下邊緣檢測模型的訓(xùn)練方法，其特征在于，所述基于距離度量的回歸問題損失函數(shù)使用均方誤差損失函數(shù)、平均絕對值誤差損失函數(shù)、平滑的平均絕對誤差損失函數(shù)、Log-Cosh損失函數(shù)、分位數(shù)損失函數(shù)中的一種或幾種。

4.根據(jù)權(quán)利要求3所述的目標(biāo)檢測的下邊緣檢測模型的訓(xùn)練方法，其特征在于，所述基于距離度量的回歸問題損失函數(shù)使用均方誤差損失函數(shù)：

其中為目標(biāo)物體下邊緣的預(yù)測值，其中yi為目標(biāo)物體下邊緣的標(biāo)定值。

5.根據(jù)權(quán)利要求4所述的目標(biāo)檢測的下邊緣檢測模型的訓(xùn)練方法，其特征在于，所述目標(biāo)物體下邊緣的預(yù)測值形狀為1*W，所述目標(biāo)物體下邊緣的標(biāo)定值1*W。

6.根據(jù)權(quán)利要求5所述的目標(biāo)檢測的下邊緣檢測模型的訓(xùn)練方法，其特征在于，所述目標(biāo)下邊緣檢測包含以下要素：

1)分割捕獲圖像中不同語義的部分，獲得目標(biāo)檢測框中所屬語義分割的類別要素；

2)語義分割后特定類別的實(shí)例分割結(jié)果；

3)各個實(shí)例分割結(jié)果中目標(biāo)下邊緣輪廓線；

4)各個實(shí)例分割結(jié)果下邊緣輪廓線中與地面接觸的接觸點(diǎn)。

7.一種目標(biāo)檢測的下邊緣檢測模型，其特征在于，包括以下部分：

目標(biāo)檢測模塊，所述目標(biāo)檢測模塊由初始神經(jīng)網(wǎng)絡(luò)模型分割捕獲圖像中不同語義的部分，形成實(shí)例分割結(jié)果，再將分割結(jié)果進(jìn)行實(shí)例分割獲得不同語義中的各個實(shí)例，所述目標(biāo)檢測模塊中還包括特征提取模塊，所述特征提取模塊用于提取各個實(shí)例目標(biāo)檢測框中目標(biāo)圖像的特征，以形成特征圖；

高度圖提取模塊，所述底邊高度圖提取模塊通過高度圖神經(jīng)網(wǎng)絡(luò)反復(fù)地在特征圖上以多條分支進(jìn)行卷積操作，再將多分支卷積操作結(jié)果合并，得到特征圖對應(yīng)的高度維度上為1的底邊高度圖；

下邊緣提取模塊，所述下邊緣提取模塊用于以底邊高度圖中各個像素點(diǎn)的特征信息與原特征圖中該列像素點(diǎn)特征信息比對，獲得底邊高度圖單列像素點(diǎn)與原特征圖該列像素點(diǎn)的對應(yīng)關(guān)系，獲得底邊高度圖中各個像素點(diǎn)在原特征圖中的對應(yīng)位置關(guān)系，以該對應(yīng)位置關(guān)系獲得目標(biāo)檢測框中實(shí)例的下邊緣輪廓。

8.根據(jù)權(quán)利要求7所述的目標(biāo)檢測的下邊緣檢測模型，其特征在于，所述特征提取模塊包括但不限于提取目標(biāo)檢測框中特定卷積層的特征。

9.根據(jù)權(quán)利要求8所述的目標(biāo)檢測的下邊緣檢測模型，其特征在于，所述特征提取模塊包括分別提取目標(biāo)檢測框中多個卷積層的特征，還包括特征融合模塊，所述特征融合模塊用于將分別提取的多個卷積層特征進(jìn)行特征融合，并獲得融合特征的特征圖，使用融合特征的特征圖以代替原特征圖。