目标检测及模型训练方法、装置、设备和存储介质

技术领域

本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能交通场景下，尤其涉及一种目标检测及模型训练方法、装置、设备和存储介质。

背景技术

3D目标检测在自动驾驶等场景下应用较为普遍，3D目标检测是指在图像中检测出目标的3D边框及其类别，以提供信息给控制器，规划出合理路线。

相关技术中，可以基于几何约束或语义知识进行3D目标检测。

发明内容

本公开提供了一种目标检测及模型训练方法、装置、设备和存储介质。

根据本公开的一方面，提供了一种目标检测方法，包括：对图像进行特征提取处理，以获得所述图像的多个阶段的图像特征；对所述图像进行位置编码处理，以获得所述图像的位置编码；基于所述多个阶段的图像特征以及所述位置编码，获得所述图像中的目标的所述多个阶段的检测结果；基于所述多个阶段的检测结果，获得目标检测结果。

根据本公开的另一方面，提供了一种目标检测模型的训练方法，包括：对图像样本进行特征提取处理，以获得所述图像样本的多个阶段的图像特征；对所述图像样本进行位置编码处理，以获得所述图像样本的位置编码；

基于所述多个阶段的图像特征以及所述位置编码，获得所述图像样本中的目标的所述多个阶段的检测结果；基于所述多个阶段的检测结果，构建总损失函数；基于所述总损失函数，训练目标检测模型。

根据本公开的另一方面，提供了一种目标检测装置，包括：特征提取模块，用于对图像进行特征提取处理，以获得所述图像的多个阶段的图像特征；位置编码模块，用于对所述图像进行位置编码处理，以获得所述图像的位置编码；第一获取模块，用于基于所述多个阶段的图像特征以及所述位置编码，获得所述图像中的目标的所述多个阶段的检测结果；第二获取模块，用于基于所述多个阶段的检测结果，获得目标检测结果。

根据本公开的另一方面，提供了一种目标检测模型的训练装置，包括：特征提取模块，用于对图像样本进行特征提取处理，以获得所述图像样本的多个阶段的图像特征；位置编码模块，用于对所述图像样本进行位置编码处理，以获得所述图像样本的位置编码；获取模块，用于基于所述多个阶段的图像特征以及所述位置编码，获得所述图像样本中的目标的所述多个阶段的检测结果；构建模块，用于基于所述多个阶段的检测结果，构建总损失函数；训练模块，用于基于所述总损失函数，训练目标检测模型。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。

根据本公开的技术方案，可以提高目标检测精度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是根据本公开第六实施例的示意图；

图7是根据本公开第七实施例的示意图；

图8是根据本公开第八实施例的示意图；

图9是根据本公开第九实施例的示意图；

图10是根据本公开第十实施例的示意图；

图11是用来实现本公开实施例的目标检测或目标检测模型的训练方法中任一方法的电子设备的示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

相关技术中，可以基于几何约束或语义知识进行3D目标检测。然而，其检测精度较低。

为了提高目标检测精度，本公开提供如下实施例。

图1是根据本公开第一实施例的示意图，本实施例提供一种目标检测方法，该方法包括：

101、对图像进行特征提取处理，以获得所述图像的多个阶段的图像特征。

102、对所述图像进行位置编码处理，以获得所述图像的位置编码。

103、基于所述多个阶段的图像特征以及所述位置编码，获得所述图像中的目标的所述多个阶段的检测结果。

104、基于所述多个阶段的检测结果，获得目标检测结果。

本实施例的执行主体可以称为目标检测装置，目标检测装置可以为软件、硬件或者软硬结合，该装置可以位于电子设备中。该电子设备可以位于服务端或者用户终端，服务端可以为本地服务器或者云端，用户终端可以包括移动设备(如手机、平板电脑)、车载终端(如车机)、可穿戴式设备(如智能手表、智能手环)、智能家居设备(如智能电视、智能音箱)等。

目标检测可以应用于多种场景，比如，自动驾驶、辅助驾驶、机器人等。

以自动驾驶为例，自动驾驶车辆(Autonomous vehicles；Self-drivingautomobile)又称无人驾驶车辆、电脑驾驶车辆或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能车辆。

如图2所示，自动驾驶车辆上可以安装摄像头，摄像头可以采集车辆周围的图像，具体地，可以采用单目摄像头采集图像。自动驾驶车辆采集到图像后，可以通过网络传输给云端。云端可以基于图像进行目标检测。进一步地，云端还可以基于目标检测结果执行后续操作，比如，基于目标检测结果进行避障、规划路线等。

图像中可以包括目标，目标是感兴趣的对象，进一步地，目标可以为3D目标，以自动驾驶车辆为例，自动驾驶车辆可以检测车辆前方的其他车辆、行人等，其他车辆和行人等即为3D目标。

以云端进行目标检测为例，云端获取图像后，可以对图像进行特征提取处理，以获得所述图像的多个阶段的图像特征。

多个阶段的图像特征具有不同的尺度信息。不同的尺度信息可以是通过不同大小的滑窗对图像进行卷积操作后获得。

其中，可以采用深度神经网络提取图像的图像特征。

深度神经网络可以为深度卷积神经网络(Deep Convolutional Neural Network，DCNN)，其骨干网络(backbone)比如为Resnet50。

DCNN可以包括多个阶段(stage)，每个阶段可以输出对应阶段的特征图(featuremap)作为该阶段的图像特征。

比如，参见图3，假设特征提取网络包括三个阶段，分别用第一阶段、第二阶段和第三阶段表示，每个阶段可以包括卷积层和池化层，每个阶段包括的卷积层的个数可以相同或不同。图像输入到特征提取网络后，每个阶段的网络层(卷积层和池化层)可以依次对图像进行处理，以分别获得各个阶段的图像特征。基于图3的示例，可以获得三个阶段的图像特征。

云端获取图像后，还可以对图像进行位置编码处理，以获得所述图像的位置编码。

位置编码可以对应图像上的每个像素点进行，将像素点的位置坐标编码为[0,1]之间的值。

比如，位置编码的计算公式可以为：

其中，[W,H]分别是图像的宽和高，(u,v)是图像的第i个像素点的坐标，u＝[0,1,...，W-1]，v＝[0,1,...,H-1]，PE

获得图像的图像特征和位置编码后，如图4所示，可以对应每个阶段，将该阶段的图像特征和位置编码进行拼接，作为解码器的输入，采用解码器对拼接后的张量进行处理，以获得检测结果。拼接是指将向量或张量等并在一起，即，假设图像特征的维度为[W,H,1]，位置编码的维度为[W,H,2]，则拼接后的张量的维度为[W,H,3]。

解码器可以采用各种已有技术实现，比如，Deep3D Box、M3D-RPN等。以3D目标检测为例，假设存在N个阶段，则N个阶段的检测结果可以分别表示为：

获得各个阶段的检测结果后，可以基于各个阶段的检测结果获得目标检测结果。各个阶段的检测结果可以称为初步检测结果，目标检测结果为最终检测结果。

本公开实施例中，通过基于多个阶段的检测结果获得目标检测结果，可以在目标结果中参考尺度信息，通过获得多个阶段的检测结果时考虑位置编码，可以参考距离信息，因此，目标检测结果参考了尺度信息和距离信息，可以提高目标检测精度。

一些实施例中，所述多个阶段的检测结果包括至少一种类别的检测结果，所述基于所述多个阶段的检测结果，获得目标检测结果，包括：

确定所述多个阶段的检测结果中的待融合结果；

对所述待融合结果进行融合处理，以获得所述待融合结果对应类别的目标检测结果；和/或，

将所述多个阶段的检测结果中的非待融合结果，作为所述非待融合结果对应类别的目标检测结果。

即，可以对不同阶段的检测结果进行融合，以获得目标检测结果；和/或，直接将某个阶段的检测结果作为目标检测结果。

其中，检测结果中可以包括多种类别的结果，比如，目标的类别可以包括车、人，则对应每种类别，可以对不同阶段的检测结果进行融合。

以两个阶段的检测结果为例，参见图5，假设两个类别分为为车和人，假设两个阶段都检测出车，则可以对这两个阶段的车的检测结果进行融合，以获得车的目标检测结果，即车的最终检测结果；假设只有一个阶段检测出人，则可以将检测出人的阶段的检测结果直接作为人的目标检测结果，即人的最终检测结果。

通过对多个阶段的检测结果进行融合处理，可以提高检测的精度。另外，通过融合和/或直接将某个阶段的检测结果作为目标检测结果，可以提高目标检测的全面性。

一些实施例中，所述方法还包括：基于所述多个阶段的图像特征以及所述位置编码，确定所述多个阶段的检测结果的不确定度；相应地，所述对所述待融合结果进行融合处理，包括：基于所述不确定度，对所述待融合结果进行融合处理。

一些实施例中，所述基于所述多个阶段的图像特征以及所述位置编码，确定所述多个阶段的检测结果的不确定度，包括：对所述多个阶段的图像特征和所述位置编码进行拼接，以得到拼接张量；将所述拼接张量作为注意力网络的输入，采用所述注意力网络对所述拼接张量进行处理，以获得所述多个阶段的检测结果的不确定度。

其中，如图6所示，可以采用目标检测模型检测图像中的3D目标，以三个阶段为例，获得各个阶段的图像特征后，各个阶段图像特征可以分别与位置编码进行拼接，拼接方式可以参见上述实施例中的相关描述。拼接后可以得到拼接张量。拼接张量的一路可以输入到解码器(图6未示出)中，输出各个阶段的检测结果，图6中用3D det表示。拼接张量的另一路输入到注意力(attention)网络中，输出为不确定度(uncertainty)，不确定度也可以为置信度等，为[0,1]之间的值。

注意力网络可以为普通卷积网络或者空洞卷积(dilated conv)网络。

N个阶段的不确定度可以分别表示为：Un

通过基于不确定度进行融合处理，可以进一步提高目标检测的精度。

通过注意力网络获得不确定度，可以提高不确定度的准确度。

一些实施例中，所述多个阶段的检测结果为3D结果，所述确定所述多个阶段的检测结果中的待融合结果，包括：将所述3D结果映射为2D结果；确定不同阶段的检测结果对应的2D结果之间的交并比；若所述交并比大于预设阈值，将所述不同阶段的检测结果作为待融合结果。

其中，以3D目标检测为例，检测结果为3D结果，比如，参见图5，对应车和人的检测结果均为3D结果。

获得各个阶段的3D结果后，可以将其映射为2D结果，映射时可以基于相机(或车辆上的摄像头)内参进行映射，具体映射公式可以参见已有的3D到2D的转换公式。

获得2D结果后，可以对不同阶段的2D结果进行两两运算，获得交并比(Intersection-over-Union，IoU)。

如图7所示，假设两个阶段的2D结果分别为Bi和Bj，假设Bi和Bj的重叠部分用Y表示，Bi中除了Y之外的部分用X表示，Bj中除了Y之外的部分用Z表示，则Bi与Bj的交并比的计算公式可以表示为：Y/(X+Y+Z)。

以两个阶段为例，假设第一阶段对应的2D结果包括A1和B1，第二阶段的2D结果包括A2和B2，则可以分别计算A1与A2之间的交并比，A1与B2之间的交并比，B1与B2之间的交并比，假设A1与A2之间的交并比大于预设阈值(比如0.5)，则A1和A2对应的3D检测结果为待融合结果。

获得待融合结果后，可以基于不确定度进行融合处理。具体地，融合处理时的计算公式为：

其中，

通过基于交并比确定待融合结果，可以将对同一类别的不同阶段的检测结果进行融合，提高目标检测的精度。

进一步地，对应每种类别的检测结果，还可以采用非极大值抑制算法获得各个阶段的检测结果。比如，对应第一阶段的车的检测结果，检测时可以获得多个车的3D边框，此时可以采用非极大值抑制算法，获得一个车的3D边框作为第一阶段的车的检测结果。

另外，如果交并比小于预设阈值，则可以选择不确定度小的检测结果作为最终的目标检测结果。比如，假设B1与B2之间的交并比小于预设阈值，且B1的不确定度小于B2的不确定度，则可以将B1对应的第一阶段的3D检测结果作为对应类别的最终的目标检测结果。

本公开实施例中，针对单目图像的3D目标检测，通过采用多尺度信息以及距离信息，可以解决单目的近大远小效应引起的问题，通过位置编码以及基于不确定度对不同阶段的检测结果进行融合，提升了单目3D检测的精度。

图8是本公开第八实施例的示意图，本实施例提供一种目标检测模型的训练方法，该方法包括：

801、对图像样本进行特征提取处理，以获得所述图像样本的多个阶段的图像特征。

802、对所述图像样本进行位置编码处理，以获得所述图像样本的位置编码。

803、基于所述多个阶段的图像特征以及所述位置编码，获得所述图像样本中的目标的所述多个阶段的检测结果。

804、基于所述多个阶段的检测结果和所述目标的真值，构建总损失函数。

805、基于所述总损失函数，训练目标检测模型。

其中，训练阶段采用的图像可以称为图像样本，可以从已有的训练集中获取图像样本。

获取图像样本后，可以对图像样本中的目标进行人工标注，获得图像样本中的目标的真值，真值即为目标的真实结果，比如包括：真实的3D的7维张量，以及类别标签，一般可以对应类别标注为1。

一些实施例中，所述多个阶段的检测结果包括至少一种类别的检测结果，所述基于所述多个阶段的检测结果，构建总损失函数，包括：

确定所述多个阶段的检测结果中的待融合结果，对所述待融合结果进行融合处理，以获得融合结果，基于所述融合结果构建第一损失函数；

确定所述多个阶段的检测结果中的非融合结果，基于所述非融合结果构建第二损失函数；

基于所述多个阶段的检测结果的类别检测结果，构建第三损失函数；

基于所述第一损失函数、所述第二损失函数和所述第三损失函数，构建所述总损失函数。

即，总损失函数可以包括三个部分，分别为第一损失函数、第二损失函和第三损失函数，第一损失函数是基于融合结果构建的，第二损失函数是基于非融合结果构建的，第三损失函数是基于类别构建的。

通过基于多个方面构建总损失函数，可以考虑更全面的信息，以构建更精准的模型。

一些实施例中，所述多个阶段的检测结果为3D结果，所述确定所述多个阶段的检测结果中的待融合结果，包括：

将所述3D结果映射为2D结果；

确定所述多个阶段中各个阶段的检测结果对应的2D结果与所述目标的2D真值之间的交并比；

若所述交并比大于预设阈值的阶段大于一个阶段，将所述大于一个阶段的检测结果作为待融合结果。

通过基于检测结果对应的2D结果以及2D真值的交并比，可以选择与真值接近的检测结果作为待融合结果。

一些实施例中，所述多个阶段的检测结果为3D结果，确定所述多个阶段的检测结果中的非融合结果，包括：

将所述3D结果映射为2D结果；

确定所述多个阶段中各个阶段的检测结果对应的2D结果与所述目标的2D真值之间的交并比；

若所述交并比大于预设阈值的阶段为一个阶段，将所述一个阶段的检测结果作为非融合结果。

通过基于检测结果对应的2D结果以及2D真值的交并比，可以选择与真值接近的检测结果作为非融合结果。

其中，与预测阶段不同的是，训练阶段可以将各个阶段的检测结果与真值进行比较，以确定待融合结果。

比如，第一阶段的检测结果对应的2D结果包括A1和B1，第二阶段的检测结果对应的2D结果包括A2和B2，真值分别为A0和B0，则可以分别计算A1与A0的交并比，A2与A0的交并比，假设这两个交并比均大于预设阈值，则第一阶段的A1对应的检测结果以及第二阶段的A2对应的检测结果为待融合结果。之后，可以对这两个阶段的检测结果进行融合，以获得融合结果。

又比如，B1与B0的交并比大于预设阈值，B2与B0的交并比小于预设阈值，则将第一阶段的B1对应的检测结果作为非融合结果。

一些实施例中，所述方法还包括：

基于所述多个阶段的图像特征以及所述位置编码，确定所述多个阶段的检测结果的不确定度；

所述对所述待融合结果进行融合处理，包括：

基于所述不确定度，对所述待融合结果进行融合处理；

所述基于所述融合结果构建第一损失函数，包括：

对所述不确定度进行正则化，以获得正则化的不确定度；

基于所述融合结果和所述正则化的不确定度，构建第一损失函数。

通过在构建第一损失函数时还考虑不确定度，可以构建更准确的总损失函数。

一些实施例中，所述基于所述多个阶段的图像特征以及所述位置编码，确定所述多个阶段的检测结果的不确定度，包括：

对所述多个阶段的图像特征和所述位置编码进行拼接，以得到拼接张量；

将所述拼接张量作为注意力网络的输入，采用所述注意力网络对所述拼接张量进行处理，以获得所述多个阶段的检测结果的不确定度。

通过注意力网络获得不确定度，可以提高不确定度的准确度。

其中，总损失函数的计算公式可以为：

Loss

其中，Loss

构建总损失函数后，基于总损失函数进行训练可以包括：基于总损失函数调整模型参数，直至达到结束条件，结束条件可以包括：预设的迭代次数或者损失函数收敛，将达到结束条件时的模型作为最终模型。

其中，目标检测模型中包括的深度神经网络可以具体包括：特征提取网络、解码器和注意力网络，因此，调整模型参数时可以是具体调整上述三个网络的参数。

本公开实施例中，通过基于多个阶段的检测结果构建总损失函数，可以在总损失函数中参考尺度信息，通过获得多个阶段的检测结果时考虑位置编码，可以参考距离信息，因此，总损失函数参考了尺度信息和距离信息，可以提高目标检测模型的精度。

图9是本公开第九实施例的示意图，本实施例提供一种目标检测装置，该装置900包括：特征提取模块901、位置编码模块902、第一获取模块903和第二获取模块904。

特征提取模块901用于对图像进行特征提取处理，以获得所述图像的多个阶段的图像特征；位置编码模块902用于对所述图像进行位置编码处理，以获得所述图像的位置编码；第一获取模块903用于基于所述多个阶段的图像特征以及所述位置编码，获得所述图像中的目标的所述多个阶段的检测结果；第二获取模块904用于基于所述多个阶段的检测结果，获得目标检测结果。

一些实施例中，所述多个阶段的检测结果包括至少一种类别的检测结果，所述第二获取模块904具体用于：确定所述多个阶段的检测结果中的待融合结果；对所述待融合结果进行融合处理，以获得所述待融合结果对应类别的目标检测结果；和/或，将所述多个阶段的检测结果中的非待融合结果，作为所述非待融合结果对应类别的目标检测结果。

一些实施例中，所述装置900还包括：确定模块，用于基于所述多个阶段的图像特征以及所述位置编码，确定所述多个阶段的检测结果的不确定度；所述第二获取模块904进一步具体用于：基于所述不确定度，对所述待融合结果进行融合处理。

一些实施例中，所述确定模块具体用于：对所述多个阶段的图像特征和所述位置编码进行拼接，以得到拼接张量；将所述拼接张量作为注意力网络的输入，采用所述注意力网络对所述拼接张量进行处理，以获得所述多个阶段的检测结果的不确定度。

一些实施例中，所述多个阶段的检测结果为3D结果，所述第二获取模块904进一步具体用于：将所述3D结果映射为2D结果；确定不同阶段的检测结果对应的2D结果之间的交并比；若所述交并比大于预设阈值，将所述不同阶段的检测结果作为待融合结果。

本公开实施例中，通过基于多个阶段的检测结果获得目标检测结果，可以在目标结果中参考尺度信息，通过获得多个阶段的检测结果时考虑位置编码，可以参考距离信息，因此，目标检测结果参考了尺度信息和距离信息，可以提高目标检测精度。

图10是本公开第十实施例的示意图，本实施例提供一种目标检测模型的训练装置，该装置1000包括：特征提取模块1001、位置编码模块1002、获取模块1003、构建模块1004和训练模块1005。

特征提取模块1001用于对图像样本进行特征提取处理，以获得所述图像样本的多个阶段的图像特征；位置编码模块1002用于对所述图像样本进行位置编码处理，以获得所述图像样本的位置编码；获取模块1003用于基于所述多个阶段的图像特征以及所述位置编码，获得所述图像样本中的目标的所述多个阶段的检测结果；构建模块1004用于基于所述多个阶段的检测结果，构建总损失函数；训练模块1005用于基于所述总损失函数，训练目标检测模型。

一些实施例中，所述多个阶段的检测结果包括至少一种类别的检测结果，所述构建模块1004具体用于：

确定所述多个阶段的检测结果中的待融合结果，对所述待融合结果进行融合处理，以获得融合结果，基于所述融合结果构建第一损失函数；

确定所述多个阶段的检测结果中的非融合结果，基于所述非融合结果构建第二损失函数；

基于所述多个阶段的检测结果的类别检测结果，构建第三损失函数；

基于所述第一损失函数、所述第二损失函数和所述第三损失函数，构建所述总损失函数。

一些实施例中，所述装置1000还包括：

确定模块，用于基于所述多个阶段的图像特征以及所述位置编码，确定所述多个阶段的检测结果的不确定度；

所述构建模块1004进一步具体用于：基于所述不确定度，对所述待融合结果进行融合处理；对所述不确定度进行正则化，以获得正则化的不确定度；基于所述融合结果和所述正则化的不确定度，构建第一损失函数。

一些实施例中，所述确定模块具体用于：对所述多个阶段的图像特征和所述位置编码进行拼接，以得到拼接张量；将所述拼接张量作为注意力网络的输入，采用所述注意力网络对所述拼接张量进行处理，以获得所述多个阶段的检测结果的不确定度。

一些实施例中，所述多个阶段的检测结果为3D结果，所述构建模块1004进一步具体用于：将所述3D结果映射为2D结果；确定所述多个阶段中各个阶段的检测结果对应的2D结果与所述目标的2D真值之间的交并比；若所述交并比大于预设阈值的阶段大于一个阶段，将所述大于一个阶段的检测结果作为待融合结果。

一些实施例中，所述多个阶段的检测结果为3D结果，所述构建模块1004进一步具体用于：将所述3D结果映射为2D结果；确定所述多个阶段中各个阶段的检测结果对应的2D结果与所述目标的2D真值之间的交并比；若所述交并比大于预设阈值的阶段为一个阶段，将所述一个阶段的检测结果作为非融合结果。

本公开实施例中，通过基于多个阶段的检测结果构建总损失函数，可以在总损失函数中参考尺度信息，通过获得多个阶段的检测结果时考虑位置编码，可以参考距离信息，因此，总损失函数参考了尺度信息和距离信息，可以提高目标检测模型的精度。

可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。

可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如目标检测方法或目标检测模型的训练方法。例如，在一些实施例中，目标检测方法或目标检测模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM1103并由计算单元1101执行时，可以执行上文描述的目标检测方法或目标检测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标检测方法或目标检测模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。