[發明專利]訓練檢測模型、確定圖像更新信息和更新高精地圖的方法

在審

• 申請號: 202110793045.9
• 申請日: 2021-07-13
• 公開（公告）號: CN113505834A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 何雷;宋適宇
• 申請（專利權）人: 阿波羅智能技術（北京）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/00;G06K9/32;G06N3/04;G06N3/08
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 呂朝蕙

1.一種目標檢測模型的訓練方法，其中，所述目標檢測模型包括第一特征提取網絡、第二特征提取網絡和目標檢測網絡；所述方法包括：

將樣本圖像對中的第一實景圖像輸入所述第一特征提取網絡，得到第一特征數據；

將樣本圖像對中的第一待更新圖像輸入所述第二特征提取網絡，得到第二特征數據；所述樣本圖像對具有標簽，所述標簽指示所述第一實景圖像相對于所述第一待更新圖像的實際更新信息；

將所述第一特征數據和所述第二特征數據輸入所述目標檢測網絡，得到所述第一實景圖像相對于所述第一待更新圖像的預測更新信息；以及

基于所述實際更新信息和所述預測更新信息，對所述目標檢測模型進行訓練。

2.根據權利要求1所述的方法，其中，所述目標檢測網絡包括并行交叉差單元和特征檢測單元；得到所述第一實景圖像相對于所述第一待更新圖像的預測更新信息包括：

基于所述第一特征數據和所述第二特征數據，采用所述并行交叉差單元獲得并行交叉差數據；以及

將獲得的并行交叉差數據輸入所述特征檢測單元，獲得所述預測更新信息。

3.根據權利要求2所述的方法，其中，所述第一特征提取網絡和所述第二特征提取網絡均包括特征提取單元和依次連接的N個特征投影層，N為大于1的整數；

得到所述第一特征數據包括：

將所述第一實景圖像輸入所述第一特征提取網絡包括的特征提取單元，得到第一初始數據；

將所述第一初始數據輸入所述第一特征提取網絡包括的N個特征投影層中的第一投影層，得到第i個投影層輸出的所述第一實景圖像的第i數據；

得到所述第二特征數據包括：

將所述第一待更新圖像輸入所述第二特征提取網絡包括的特征提取單元，得到第二初始數據；

將所述第二初始數據輸入所述第二特征提取網絡包括的N個特征投影層中的第一投影層，得到第j個投影層輸出的所述第一待更新圖像的第j數據。

4.根據權利要求3所述的方法，其中，所述目標檢測網絡包括信息篩選子網絡、N個并行交叉差單元和N個特征檢測單元，其中一個并行交叉差單元和一個特征檢測單元構成一個檢測子網絡；

采用所述并行交叉差單元獲得并行交叉差數據包括：

基于所述第一實景圖像的第i數據和所述第一待更新圖像的第i數據，采用第(N-i+1)個檢測子網絡中的并行交叉差單元獲得第(N-i+1)個并行交叉差數據；

獲得所述預測更新信息包括：

將所述第(N-i+1)個并行交叉差數據輸入所述(N-i+1)個檢測子網絡中的特征檢測單元，得到第(N-i+1)個候選預測信息；以及

將得到的N個候選預測信息輸入所述信息篩選子網絡，得到所述第一實景圖像相對于所述第一待更新圖像的預測更新信息。

5.根據權利要求4所述的方法，其中，第1～第(N-1)個檢測子網絡各自還包括特征傳播單元；采用第(N-i+1)個檢測子網絡中的并行交叉差單元獲得第(N-i+1)個并行交叉差數據包括：

在i小于N的情況下：

將第(N-i)個并行交叉差數據和所述第一實景圖像的第i數據輸入第(N-i)個檢測子網絡的特征傳播單元，得到融合數據；以及

將所述融合數據和所述第一待更新圖像的第i數據輸入所述第(N-i+1)個檢測子網絡的并行交叉差單元，得到所述第(N-i+1)個并行交叉差數據，

在i等于N的情況下：將所述第一實景圖像的第i數據和所述第一待更新圖像的第i數據輸入第1個檢測子網絡中的并行交叉差單元，獲得第1個并行交叉差數據。

6.根據權利要求5所述的方法，其中，所述第一實景圖像包括視頻幀；所述第1個檢測子網絡還包括循環神經網絡單元；獲得所述第1個并行交叉差數據包括：

將所述第一實景圖像的第N數據和所述第一待更新圖像的第N數據輸入第1個檢測子網絡中的并行交叉差單元，得到初始交叉差數據；以及

將所述初始交叉差數據和所述循環神經網絡單元的狀態數據輸入所述循環神經網絡單元，得到所述第1個并行交叉差數據，

其中，所述狀態數據是所述循環神經網絡單元基于當前視頻幀的在前視頻幀獲得的。