[發明專利]障礙物檢測方法、裝置、電子設備以及存儲介質

有效

• 申請號: 201910385611.5
• 申請日: 2019-05-09
• 公開（公告）號: CN110263628B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 王聞簫;付聰;蔡登;何曉飛
• 申請（專利權）人: 杭州飛步科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 榮甜甜;劉芳

1.一種障礙物檢測方法，其特征在于，包括：

通過剪枝算法模型，刪除卷積神經網絡模型中冗余的過濾器，所述剪枝算法模型，包括：相似度確定層、均值確定層、局部重要性確定層、正則項確定層、整體重要性確定層、判斷層和刪除層；

所述相似度確定層，用于確定所述卷積神經網絡模型中第一過濾器和所述第一過濾器的同層過濾器之間的線性相似度；

所述均值確定層，用于根據所述線性相似度，確定所述第一過濾器的最大相似度均值；

所述局部重要性確定層，用于根據所述第一過濾器的最大相似度均值，對所述第一過濾器進行max歸一化處理，確定所述第一過濾器的局部重要性；

所述正則項確定層，用于確定所述第一過濾器所在層對應的正則項；

所述整體重要性確定層，用于根據所述正則項和所述局部重要性，確定所述第一過濾器的整體重要性；

所述判斷層，用于根據所述整體重要性和預設的刪除比例，確定所述第一過濾器為冗余過濾器；

所述刪除層，用于刪除所述卷積神經網絡模型中的冗余過濾器；

獲取車輛的待測方向的圖像；

將所述圖像輸入卷積神經網絡模型，并獲取所述卷積神經網絡模型輸出的識別結果，所述卷積神經網絡模型是刪除過冗余過濾器后重新訓練建立的，所述冗余過濾器為整體重要性低于閾值的過濾器；所述識別結果用于指示所述車輛的待測方向是否存在障礙物。

2.根據權利要求1所述的方法，其特征在于，在所述獲取所述卷積神經網絡模型輸出的識別結果之后，還包括：

根據所述識別結果，控制所述車輛的駕駛行為。

3.根據權利要求1所述的方法，其特征在于，若所述第一過濾器位于所述卷積神經網絡模型的全連接層，所述相似度確定層，具體用于采用公式計算所述第一過濾器和所述第一過濾器的同層過濾器之間的線性相似度；

其中，sim為相似度函數，corr為線性相關性函數，X_m1為第m1個輸入節點，X_m2為第m2個輸入節點，為X_m1對應的權重，為X_m2對應的權重，μ為均值，σ為標準差，E為期望值。

4.根據權利要求1所述的方法，其特征在于，若所述第一過濾器位于所述卷積神經網絡模型的卷積層，所述相似度確定層，具體用于采用公式計算所述第一過濾器和所述第一過濾器同層的過濾器之間的相似度；

其中，sim為相似度函數，corr為線性相關性函數，X_m1為第m1個輸入節點，X_m2為第m2個輸入節點，為X_m1與每個節點連接的權重，為X_m2與每個節點連接的權重，K為卷積核大小。

5.根據權利要求1所述的方法，其特征在于，所述局部重要性確定層，具體用于采用公式

計算所述第一過濾器的局部重要性；

其中，Imp為局部重要性，sim為相似度函數，k為可調參數，TopK為取最大k個數值的函數。

6.根據權利要求1所述的方法，其特征在于，所述正則項確定層，具體用于采用公式

計算所述第一過濾器所在層對應的正則項；

其中，Reg^l為第l層的過濾器的正則項，β和γ均為可調參數，C^l為第l層計算量，C^u為第u層計算量，S^l為第l層參數量，Su為第u層參數量，L為神經網絡的層數。

7.根據權利要求1所述的方法，其特征在于，所述整體重要性確定層，具體用于采用公式計算所述第一過濾器的整體重要性；

其中，ReImp為整體重要性，為第l層的第m個節點，Imp為局部重要性，Reg^l為第l層的過濾器的正則項。