一种路桥过车检测模型的训练方法、系统、设备及介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及深度学习技术领域，特别是涉及一种路桥过车检测模型的训练方法、系统、设备及介质。背景技术：2.随着科学技术的不断发展，车辆拥有量也随之增加了起来，路桥过车检测技术作为一种用于智慧城市以及智能交通中的重要技术被人们逐渐重视起来，其应用范围也正在逐渐扩大，然而现有的应用于路桥过车检测的路桥过车检测模型对车辆的检测精度较低，由于目标车辆的方向与距离的不确定性往往会导致无法对目标车辆进行精准识别。技术实现要素：3.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种路桥过车检测模型的训练方法、系统、设备及介质，以解决路桥过车检测模型的检测精度较低的问题。4.为解决上述技术问题，本发明是通过以下技术方案实现的：本发明提供一种路桥过车检测模型的训练方法，包括：获取图像数据集，其中，所述图像数据集包括样本图像数据集和测试图像数据集；对所述样本图像数据集进行标记处理，生成标签图像数据集；对所述标签图像数据集和所述测试图像数据集进行处理，分别对应生成训练图像数据集和目标测试图像数据集；对初始路桥过车检测模型进行优化处理，生成中间路桥过车检测模型；将所述训练图像数据集输入所述中间路桥过车检测模型中进行编码处理，生成待解码特征图像数据；对所述待解码特征图像数据进行解码处理，生成解码结果；以及根据所述解码结果对所述中间路桥过车检测模型进行反向优化处理，生成目标路桥过车检测模型。5.在本发明一实施例中，所述对所述标签图像数据集和所述测试图像数据集进行处理，分别对应生成训练图像数据集和目标测试图像数据集的步骤包括：对所述标签图像数据集进行数据增广处理，生成增广图像数据集；以及对所述增广图像数据集和所述测试图像数据集分别进行缩放处理，对应生成所述训练图像数据集和所述目标测试图像数据集。6.在本发明一实施例中，所述对初始路桥过车检测模型进行优化处理，生成中间路桥过车检测模型的步骤包括：对所述初始路桥过车检测模型进行优化器配置，生成优化路桥过车检测模型；以及对所述优化路桥过车检测模型进行损失优化处理，生成中间路桥过车检测模型。7.在本发明一实施例中，所述将所述训练图像数据集输入所述中间路桥过车检测模型中进行编码处理，生成待解码特征图像数据的步骤包括：将所述训练图像数据集输入所述中间路桥过车检测模型中进行特征提取处理，生成多尺度特征对齐图像数据集；以及对所述多尺度特征对齐图像数据集进行特征融合处理，生成待解码特征图像数据。8.在本发明一实施例中，所述对所述优化路桥过车检测模型进行损失优化处理，生成中间路桥过车检测模型的步骤包括：对所述优化路桥过车检测模型中的分类损失函数和回归损失函数进行交叉熵处理，生成二值交叉熵损失函数；对所述优化路桥过车检测模型中的分类损失函数和回归损失函数进行交并比处理，生成交并比损失函数；以及对所述二值交叉熵损失函数和所述交并比损失函数进行处理，生成带有深度损失函数的中间路桥过车检测模型。9.在本发明一实施例中，所述对所述优化路桥过车检测模型中的分类损失函数和回归损失函数进行交叉熵处理可以满足如下公式：其中，lcdh可以表示为所述二值交叉熵损失函数，lc可以表示为所述分类损失函数，lb可以表示为所述回归损失函数，nc可以表示为动态隐藏机制（context-dependent hidden-state，cdh）中包含检测目标的检测框的数量，i可以表示为检测框的索引序号，ci可以表示为检测框内预测目标为检测目标的置信度，bi可以表示为检测框的位置参数，ci*可以表示为检测框内的分类标签，bi*可以表示为检测框的位置标签。10.在本发明一实施例中，所述将所述训练图像数据集输入所述中间路桥过车检测模型中进行特征提取处理，生成多尺度特征对齐图像数据集的步骤包括：对所述中间路桥过车检测模型中的所述训练图像数据集进行初始特征提取处理，生成初始特征图像数据集；对所述初始特征图像数据集进行多尺度特征采样处理，生成多尺度图像数据集；以及对所述多尺度图像数据集进行特征对齐处理，生成多尺度特征对齐图像数据集。11.本发明还提供一种路桥过车检测模型的训练系统，其特征在于，所述系统包括：数据获取模块，用以获取图像数据集，其中，所述图像数据集包括样本图像数据集和测试图像数据集；标记处理模块，用以对所述样本图像数据集进行标记处理，生成标签图像数据集；增广处理模块，用以对所述标签图像数据集和所述测试图像数据集进行处理，分别对应生成训练图像数据集和目标测试图像数据集；优化处理模块，用以对初始路桥过车检测模型进行优化处理，生成中间路桥过车检测模型；编码处理模块，用以将所述训练图像数据集输入所述中间路桥过车检测模型中进行编码处理，生成待解码特征图像数据；解码处理模块，用以对所述待解码特征图像数据进行解码处理，生成解码结果；以及反向优化处理模块，用以根据所述解码结果对所述中间路桥过车检测模型进行反向优化处理，生成目标路桥过车检测模型。12.本发明还提供一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储系统，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上任一项所述的路桥过车检测模型的训练方法。13.本发明还提供一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上任一项所述的路桥过车检测模型的训练方法。14.如上所述，本发明提供的一种路桥过车检测模型的训练方法、系统、设备及介质，通过对初始路桥过车检测模型进行优化处理，以得到中间路桥过车检测模型，并将训练图像数据集输入中间路桥过车检测模型中进行编码处理，得到待解码特征图像数据，再利用解码器对待解码特征图像数据解码处理，并根据解码结果对中间路桥过车检测模型进行反向传播优化，以获得训练好的目标路桥过车检测模型，从而提高路桥过车检测模型对路桥过往车辆的检测精度，提高路桥过车的检测效率。附图说明15.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。16.图1是本技术的一示例性实施例示出的路桥过车检测模型的训练方法的流程示意图；图2是图1所示实施例中的步骤s230在一示例性的实施例中的流程图；图3是图1所示实施例中的步骤s240在一示例性的实施例中的流程图；图4是图3所示实施例中的步骤s242在一示例性的实施例中的流程图；图5是图1所示实施例中的步骤s250在一示例性的实施例中的流程图；图6是图5所示实施例中的步骤s251在一示例性的实施例中的流程图；图7是图6所示实施例中的路桥过车检测模型的局部系统示意图；图8是本技术的一示例性实施例示出的路桥过车检测模型的训练系统的结构示意图；图9示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。具体实施方式17.以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。18.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。19.在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。20.首先需要说明的是，随着大数据时代的发展，深度学习技术的突飞猛进，越来越多的深度学习技术被应用于图像分割、目标检测、语音分割等诸多领域。深度学习(deep learning，dl)是机器学习(machine learning，ml)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(artificial intelligence，ai)。 深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。其中，路桥过车检测模型已经被广泛应用于城市道路交通中的路桥过车检测技术中，然而由于现有的路桥过车检测模型仅仅通过注意力机制对特征图进行处理，未能对特征图的边缘进行精细化的识别，导致对全局特征的表达能力有限，不能具有较好的鲁棒性。在其它的应用场景中，针对对象的路桥过车检测模型的训练方法可以根据实际情况进行设置，本技术的实施例不对此进行限制。21.请参阅图1，图1是本技术的一示例性实施例示出的路桥过车检测模型的训练方法的流程示意图，应理解的是，该方法也可以适用于其他的示例性实施环境，并由其它实施环境中的设备具体执行，本实施例不对该方法所适用的实施环境进行限制。22.如图1所示，在一示例性的实施例中，路桥过车检测模型的训练方法至少包括步骤s210至步骤s270，详细介绍如下：步骤s210、获取图像数据集，其中，图像数据集包括样本图像数据集和测试图像数据集。23.步骤s220、对样本图像数据集进行标记处理，生成标签图像数据集。24.步骤s230、对标签图像数据集和测试图像数据集进行处理，分别对应生成训练图像数据集和目标测试图像数据集。25.步骤s240、对初始路桥过车检测模型进行优化处理，生成中间路桥过车检测模型。26.步骤s250、将训练图像数据集输入中间路桥过车检测模型中进行编码处理，生成待解码特征图像数据。27.步骤s260、对待解码特征图像数据进行解码处理，生成解码结果。28.步骤s270、根据解码结果对中间路桥过车检测模型进行反向优化处理，生成目标路桥过车检测模型。29.如图1所示，在一示例性的实施例中，当执行步骤s210时，即获取图像数据集，其中，图像数据集包括样本图像数据集和测试图像数据集。首先需要说明的是，图像数据集可以通过但不限于摄像头或者红外相机采集获取。30.如图2所示，在一示例性的实施例中，当执行步骤s230时，即对标签图像数据集和测试图像数据集进行处理，分别对应生成训练图像数据集和目标测试图像数据集。需要说明的是，步骤s230可以包括步骤s231至步骤s232，详细介绍如下：步骤s231、对标签图像数据集进行数据增广处理，生成增广图像数据集。31.步骤s232、对增广图像数据集和测试图像数据集分别进行缩放处理，对应生成训练图像数据集和目标测试图像数据集。32.在一示例性的实施例中，对标签图像数据集进行数据增广处理是指对标签图像数据进行一系列的旋转、裁剪、变换、平移等操作，以生成增广图像数据集，用以增加标签图像数据集的多样性，同时减少过拟合的影响，增强模型的泛化性能。对增广图像数据集和测试图像数据集分别进行缩放处理是指将增广图像数据集和测试图像数据集分别缩放至大小为1000*1000的图像，然不限于此，也可以将增广图像数据集和测试图像数据集缩放至其他尺寸，只要能够便于路桥过车检测模型能对增广图像数据集和测试图像数据集进行识别处理。其中，训练图像数据集和目标测试图像数据集的图像数量比例可以为7:3，然不限于此，训练图像数据集和目标测试图像数据集的图像数量还可以为其他比例。33.如图3所示，在一示例性的实施例中，当执行步骤s240时，即对初始路桥过车检测模型进行优化处理，生成中间路桥过车检测模型。具体的，步骤s240可以包括步骤s241至步骤s242，详细介绍如下：步骤s241、对初始路桥过车检测模型进行优化器配置，生成优化路桥过车检测模型。34.步骤s242、对优化路桥过车检测模型进行损失优化处理，生成中间路桥过车检测模型。35.在一示例性的实施例中，初始路桥过车检测模型可以为深度残差网络模型（resnet50），然不限于此，初始路桥过车检测模型也可以为其他类型的卷积神经网络模型，只要能够满足对车辆具备一定的检测精度即可。对初始路桥过车检测模型进行优化器配置指的是，将初始路桥过车检测模型的优化模块设定为自适应矩估计优化模块（adaptive moment estimation，adam），其中，adam是一种自适应学习率优化算法模块，通过动态调整学习率可以有效地优化模型的训练过程。adam算法模块在更新每个参数时，会计算出该参数的梯度的一阶和二阶矩，然后通过动态调整学习率来优化模型。此外，adam算法模块可以通过计算每个参数的梯度的一阶和二阶矩，自适应地调整模型的学习速率，从而在训练过程中，使得学习率的大小能够根据不同的参数来进行动态调整。adam算法模块中的每个参数更新都能够独立进行，因此可以利用gpu等并行计算技术，提高网络模型的计算效率。然不限于此，优化路桥过车检测模型可以包括但不限于自适应矩估计优化模块，优化路桥过车检测模型还可以包括随机梯度下降优化模块、自适应梯度下降优化模块以及均方根传递优化模块中的至少一个。36.如图4所示，在一示例性的实施例中，当执行步骤s242时，即对优化路桥过车检测模型进行损失优化处理，生成中间路桥过车检测模型。具体的，步骤s242可以包括步骤s341至步骤s343，详细介绍如下：步骤s341、对优化路桥过车检测模型中的分类损失函数和回归损失函数进行交叉熵处理，生成二值交叉熵损失函数。37.步骤s342、对优化路桥过车检测模型中的分类损失函数和回归损失函数进行交并比处理，生成交并比损失函数。38.步骤s343、对二值交叉熵损失函数和交并比损失函数进行处理，生成带有深度损失函数的中间路桥过车检测模型。39.在一示例性的实施例中，对优化路桥过车检测模型中的分类损失函数和回归损失函数进行交叉熵处理可以满足如下公式：其中，lcdh可以表示为二值交叉熵损失函数，lc可以表示为分类损失函数，lb可以表示为回归损失函数，nc可以表示为动态隐藏机制（context-dependent hidden-state，cdh）中包含检测目标的检测框的数量，i可以表示为检测框的索引序号，ci可以表示为检测框内预测目标为检测目标的置信度，bi可以表示为检测框的位置参数，ci*可以表示为检测框内的分类标签，bi*可以表示为检测框的位置标签。40.对优化路桥过车检测模型中的分类损失函数和回归损失函数进行交并比处理可以满足如下公式：其中，lirh可以表示为交并比损失函数，lc可以表示为分类损失函数，lb可以表示为回归损失函数，ni可以表示为循环隐藏机制（input-recurrent hidden-state，irh）中包含检测目标的检测框的数量，i可以表示为检测框的索引序号，ci可以表示为检测框内预测目标为检测目标的置信度，bi可以表示为检测框的位置参数，ci*可以表示为检测框内的分类标签，bi*可以表示为检测框的位置标签。41.对二值交叉熵损失函数和交并比损失函数进行处理可以满足如下公式：其中，l可以表示为深度损失函数，lcdh可以表示为二值交叉熵损失函数，lirh可以表示为交并比损失函数，λ可以表示为损失优化参数。42.如图5所示，在一示例性的实施例中，当执行步骤s250时，即将训练图像数据集输入中间路桥过车检测模型中进行编码处理，生成待解码特征图像数据。具体的，步骤s250可以包括步骤s251至步骤s252，详细介绍如下：步骤s251、将训练图像数据集输入中间路桥过车检测模型中进行特征提取处理，生成多尺度特征对齐图像数据集。43.步骤s252、对多尺度特征对齐图像数据集进行特征融合处理，生成待解码特征图像数据。44.如图6和图7所示，其中，当执行步骤s251时，即将训练图像数据集输入中间路桥过车检测模型中进行特征提取处理，生成多尺度特征对齐图像数据集。具体的，步骤s251可以包括步骤s351至步骤s353，详细介绍如下：步骤s351、对中间路桥过车检测模型中的训练图像数据集进行初始特征提取处理，生成初始特征图像数据集。45.步骤s352、对初始特征图像数据集进行多尺度特征采样处理，生成多尺度图像数据集。46.步骤s353、对多尺度图像数据集进行特征对齐处理，生成多尺度特征对齐图像数据集。47.在一示例性的实施例中，可以利用中间路桥过车检测模型中的残差网络模块361将训练图像数据集输入卷积层模块362以及跨级别特征对齐模块（cross-level feature alignment module，cfam）363中进行初始特征提取，得到初始特征图像数据集。具体的，可以通过卷积层模块362对训练图像共计进行五次卷积下采样，以完成对训练图像的初始特征提取。随后通过卷积层模块362将初始特征图像数据集分别发送至粗预测模块364中的回归分支365以及分类分支366进行多尺度特征采样处理，同时分类分支366可以将进行对初始特征图像数据进行多尺度特征采样处理获得采样特征通过特征过滤模块（feature fusion block，ffb）367发送至回归分支365，以生成回归结果和分类结果。将回归结果和分类结果发送至跨级别特征对齐模块363中进行特征对齐处理，以生成多尺度特征对齐图像数据集。然不限于此，还可以为训练图像进行其他次数的下采样，只要能够得到初始特征图像数据集即可。初始特征图像数据集可以满足如下公式：其中，c可以表示为初始特征图像数据集，ci可以表示为初始特征图像数据集中第i个初始特征图像，且第ci张初始特征图像的尺寸大小可以为第ci+1张初始特征图像的尺寸大小的两倍。48.进一步地，多尺度图像数据集可以满足如下公式：其中，p可以表示为多尺度图像数据集，pi可以表示为多尺度图像数据集中第i个多尺度图像，且第pi张多尺度图像的尺寸大小可以为第pi+1张多尺度图像的尺寸大小的两倍。49.更进一步地，对多尺度图像数据集进行特征对齐处理可以满足如下公式：更进一步地，对多尺度图像数据集进行特征对齐处理可以满足如下公式：更进一步地，对多尺度图像数据集进行特征对齐处理可以满足如下公式：其中，可以表示为第pi+1张多尺度图像对齐卷积后输出的多尺度特征对齐图像数据，可以表示为第pi张多尺度图像对齐卷积后输出的多尺度特征对齐图像数据，oi可以表示为根据多尺度图像数据采样区域和预测框的相对位置偏移计算的偏移数据，convdeform可以表示为对目标区域进行可变形卷积， concate()可以表示为对目标区域进行通道拼接，conv3×3可以表示为对目标区域进行标准的3×3二维卷积，可以表示为对第pi+1张多尺度图像对齐卷积后输出的多尺度特征对齐图像数据以及第pi张多尺度图像对齐卷积后输出的多尺度特征对齐图像数据进行通道拼接以及标准的3×3二维卷积后得到的输出图像。50.如图1所示，在一示例性的实施例中，当执行步骤s260时，即对待解码特征图像数据进行解码处理，生成解码结果。具体的，可以通过但不限于中间路桥过车检测模型中的交互精细化解码器对待解码特征图像数据进行解码处理，解码结果可以为待解码特征图像的检测目标的类别以及待解码特征图像的边界框信息。交互精细化解码器能够提高单级检测器的检测精度，并提升单级检测器的检测速度。51.如图1和图7所示，在一示例性的实施例中，当执行步骤s270时，即根据解码结果对中间路桥过车检测模型进行反向优化处理，生成目标路桥过车检测模型。具体的，在一示例性的实施例中，通过解码结果可以对中间路桥过车检测模型进行反向传播优化处理，直至获得目标路桥过车检测模型。反向传播优化可以包括先对中间路桥过车检测模型中的粗预测模块364增加回归分支365和分类分支366之间的交互性，再将特征过滤模块（feature fusion block，ffb）367过滤的回归特征与分类特征相结合，并通过反向传播进一步优化回归分支365，以实现对分类分支366和回归分支365的交互方式学习。目标路桥过车检测模型可以是深度学习网络模型，然不限于此，目标路桥过车检测模型还可以为其他网络模型，只要能够对测试图像数据集中的测试图像中目标过桥车辆进行精准识别即可。52.图8是本技术的一示例性实施例示出的路桥过车检测模型的训练系统的结构示意图。该系统可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该系统所适用的实施环境进行限制。53.路桥过车检测模型的训练系统可以包括数据获取模块410、标记处理模块420、增广处理模块430、优化处理模块440、编码处理模块450、解码处理模块460以及反向优化处理模块470。54.在一示例性的实施例中，数据获取模块410可用以获取图像数据集，其中，图像数据集包括样本图像数据集和测试图像数据集。其中，图像数据集可以通过但不限于摄像头或者红外相机采集获取。55.在一示例性的实施例中，标记处理模块420可用以对样本图像数据集进行标记处理，生成标签图像数据集。56.在一示例性的实施例中，增广处理模块430可用以对标签图像数据集和测试图像数据集进行处理，分别对应生成训练图像数据集和目标测试图像数据集。具体的，对标签图像数据集和测试图像数据集进行处理可以包括对标签图像数据集进行数据增广处理，生成增广图像数据集，以及对增广图像数据集和测试图像数据集分别进行缩放处理，对应生成训练图像数据集和目标测试图像数据集。其中，对标签图像数据集进行数据增广处理是指对标签图像数据进行一系列的旋转、裁剪、变换、平移等操作，以生成增广图像数据集，用以增加标签图像数据集的多样性，同时减少过拟合的影响，增强模型的泛化性能。对增广图像数据集和测试图像数据集分别进行缩放处理是指将增广图像数据集和测试图像数据集分别缩放至大小为1000*1000的图像，然不限于此，也可以将增广图像数据集和测试图像数据集缩放至其他尺寸，只要能够便于路桥过车检测模型能对增广图像数据集和测试图像数据集进行识别处理。其中，训练图像数据集和目标测试图像数据集的图像数量比例可以为7:3，然不限于此，训练图像数据集和目标测试图像数据集的图像数量还可以为其他比例。57.在一示例性的实施例中，优化处理模块440可用以对初始路桥过车检测模型进行优化处理，生成中间路桥过车检测模型。具体的，对初始路桥过车检测模型进行优化处理可以包括但不限于对初始路桥过车检测模型进行优化器配置，生成优化路桥过车检测模型，以及对优化路桥过车检测模型进行损失优化处理，生成中间路桥过车检测模型。其中，初始路桥过车检测模型可以为深度残差网络模型（resnet50），然不限于此，初始路桥过车检测模型也可以为其他类型的卷积神经网络模型，只要能够满足对车辆具备一定的检测精度即可。对初始路桥过车检测模型进行优化器配置指的是，将初始路桥过车检测模型的优化模块设定为自适应矩估计优化模块（adaptive moment estimation，adam），其中，adam是一种自适应学习率优化算法模块，通过动态调整学习率可以有效地优化模型的训练过程。adam算法模块在更新每个参数时，会计算出该参数的梯度的一阶和二阶矩，然后通过动态调整学习率来优化模型。此外，adam算法模块可以通过计算每个参数的梯度的一阶和二阶矩，自适应地调整模型的学习速率，从而在训练过程中，使得学习率的大小能够根据不同的参数来进行动态调整。adam算法模块中的每个参数更新都能够独立进行，因此可以利用gpu等并行计算技术，提高网络模型的计算效率。然不限于此，优化路桥过车检测模型可以包括但不限于自适应矩估计优化模块，优化路桥过车检测模型还可以包括随机梯度下降优化模块、自适应梯度下降优化模块以及均方根传递优化模块中的至少一个。58.在一示例性的实施例中，编码处理模块450可用以将训练图像数据集输入中间路桥过车检测模型中进行编码处理，生成待解码特征图像数据。具体的，将训练图像数据集输入中间路桥过车检测模型中进行编码处理可以包括但不限于对优化路桥过车检测模型中的分类损失函数和回归损失函数依次进行交叉熵处理以及交并比处理，以生成二值交叉熵损失函数和交并比损失函数，并对二值交叉熵损失函数和交并比损失函数进行处理，以获得带有深度损失函数的中间路桥过车检测模型。59.在一示例性的实施例中，解码处理模块460可用以对待解码特征图像数据进行解码处理，生成解码结果。具体的，可以通过但不限于中间路桥过车检测模型中的交互精细化解码器对待解码特征图像数据进行解码处理，解码结果可以为待解码特征图像的检测目标的类别以及待解码特征图像的边界框信息。交互精细化解码器能够提高单级检测器的检测精度，并提升单级检测器的检测速度。60.在一示例性的实施例中，反向优化处理模块470可用以根据解码结果对中间路桥过车检测模型进行反向优化处理，生成目标路桥过车检测模型。具体的，通过解码结果可以对中间路桥过车检测模型进行反向传播优化处理，直至获得目标路桥过车检测模型。反向传播优化可以包括先对中间路桥过车检测模型中的粗预测模块364增加回归分支365和分类分支366之间的交互性，再将特征过滤模块（feature fusion block，ffb）367过滤的回归特征与分类特征相结合，并通过反向传播进一步优化回归分支365，以实现对分类分支366和回归分支365的交互方式学习。目标路桥过车检测模型可以是深度学习网络模型，然不限于此，目标路桥过车检测模型还可以为其他网络模型，只要能够对测试图像数据集中的测试图像中目标过桥车辆进行精准识别即可。61.需要说明的是，上述实施例所提供的路桥过车检测模型的训练系统与上述实施例所提供的路桥过车检测模型的训练方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的路桥过车检测模型的训练系统在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。62.本技术的实施例还提供了一种电子设备，包括：一个或多个处理器；存储系统，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得电子设备实现上述各个实施例中提供的路桥过车检测模型的训练方法。63.图9示出了适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。需要说明的是，图9示出的电子设备的计算机系统700仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。64.如图9所示，计算机系统700包括中央处理单元（central processing unit，cpu）701，其可以根据存储在只读存储器（read-only memory，rom）702中的程序或者从储存部分708加载到随机访问存储器（random access memory，ram）703中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在ram 703中，还存储有系统操作所需的各种程序和数据。cpu 701、rom 702以及ram703通过总线704彼此相连。输入/输出（input /output，i/o）接口705也连接至总线704。65.以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管（cathode ray tube，crt）、液晶显示器（liquid crystal display，lcd）等以及扬声器等的输出部分707，包括硬盘等的储存部分708；以及包括诸如lan（local area network，局域网）卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入储存部分708。66.需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（erasable programmable read only memory，eprom）、闪存、光纤、便携式紧凑磁盘只读存储器（compact disc read-only memory，cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。67.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。68.描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。69.本技术的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前路桥过车检测模型的训练方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。70.综上，通过本发明提供的一种路桥过车检测模型的训练方法、系统、设备及介质，通过对初始路桥过车检测模型进行优化处理，以得到中间路桥过车检测模型，并将训练图像数据集输入中间路桥过车检测模型中进行编码处理，得到待解码特征图像数据，再利用解码器对待解码特征图像数据解码处理，并根据解码结果对中间路桥过车检测模型进行反向传播优化，以获得训练好的目标路桥过车检测模型，从而提高路桥过车检测模型对路桥过往车辆的检测精度，提高路桥过车的检测效率。71.在本说明书的描述中，参考术语“本实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。72.以上公开的本发明实施例只是用于帮助阐述本发明。实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!