(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211353246.8 (22)申请日 2022.11.01 (71)申请人 合肥综合 性国家科 学中心人工智能 研究院 （安徽省人工智能实验室） 地址 230000 安徽省合肥市望江西路5 089 号， 中国科学技术大学先进技术研究 院未来中心B120 5-B1208 (72)发明人 王子磊　张燚鑫　 (74)专利代理 机构 深圳市世纪恒程知识产权代 理事务所 4 4287 专利代理师 丁志新 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06T 7/73(2017.01) (54)发明名称 基于交通场景的目标检测方法、 装置、 设备 及存储介质 (57)摘要 本发明涉及图像检测技术领域， 公开了一种 基于交通场景的目标检测方法、 装置、 设备及存 储介质， 该方法包括： 对获取到的交通场景图像 进行特征提取， 获得候选框特征； 对候选框特征 中的各交通场景特征进行空间注 意力加权， 获得 场景提议特征； 基于场景提议特征 获取粗粒度分 类损失和位置回归损失， 基于候选框特征和场景 提议特征获取细粒度分类损失； 基于细粒度分类 损失、 粗粒度分类损失和位置回归损失获得总体 损失函数， 根据总体损失函数获取基于多级学习 的交通场景目标检测模型， 通过基于多级学习的 交通场景目标检测模型对交通场景图像进行检 测。 相比于现有技术直接对原始图像进行图像检 测， 本发明上述方法保证了对交通场景图像检测 的准确性。 权利要求书2页 说明书9页 附图4页 CN 115527070 A 2022.12.27 CN 115527070 A 1.一种基于交通场景的目标检测方法， 其特 征在于， 所述方法包括以下步骤： 对获取到的交通场景图像进行 特征提取， 获得候选 框特征； 对所述候选框特征中的各交通场景 特征进行空间注意力加权， 获得场景提 议特征； 基于所述场景提议特征获取粗粒度分类损失和位置回归损失， 基于所述候选框特征和 所述场景提 议特征获取细粒度分类损失； 基于所述细粒度分类损失、 所述粗粒度分类损失和所述位置回归损失获得总体损失函 数， 根据所述总体损失函数获取基于多级学习的交通场景目标检测模型， 通过所述基于多 级学习的交通场景目标检测模型对所述交通场景图像进行检测。 2.如权利要求1所述的基于交通场景的目标检测方法， 其特征在于， 所述对所述候选框 特征中的各交通场景 特征进行空间注意力加权， 获得场景提 议特征， 包括： 计算所述 候选框特征中的特 征总数量； 构建与所述特 征总数量相同数量的特 征向量； 基于所述特征向量对所述候选框特征中的各交通场景特征进行空间注意力加权， 获得 场景提议特征。 3.如权利要求1所述的基于交通场景的目标检测方法， 其特征在于， 所述基于所述场景 提议特征获取粗粒度分类损失和位置回归损失， 包括： 将所述场景提议特征输入至粗粒度分类器和位置回归器中， 分别获得原始粗粒度类别 分数和位置回归偏差， 并对所述原始粗粒度类别分数进行logit调整， 获得粗粒度类别分 数； 基于所述粗粒度类别分数和所述位置回归偏差分别获得粗粒度分类损 失和位置回归 损失。 4.如权利要求3所述的基于交通场景的目标检测方法， 其特征在于， 所述基于所述候选 框特征和所述场景提 议特征获取细粒度分类损失， 包括： 从所述候选框特征中提取精细化特 征； 将所述精细化特 征与所述场景提 议特征进行相加融合， 获得融合特 征； 将所述融合特征输入至细粒度分类器， 获得原始细粒度类别分数， 并对所述原始细粒 度类别分数进行l ogit调整， 获得细粒度类别分数； 基于所述细粒度类别分数与所述 粗粒度类别分数获得细粒度分类损失。 5.如权利要求4所述的基于交通场景的目标检测方法， 其特征在于， 所述从所述候选框 特征中提取精细化特 征， 包括： 基于注意力机制从所述 候选框特征中提取关键特 征； 将所述注意力机制对应的注意力权 重特征与所述关键特 征相乘， 获得乘积特 征； 对所述乘积特 征进行全卷积 操作， 获得精细化特 征。 6.如权利要求1所述的基于交通场景的目标检测方法， 其特征在于， 所述基于所述细粒 度分类损失、 所述粗粒度分类损失和所述位置回归损失获得总体损失函数， 根据所述总体 损失函数获取基于多 级学习的交通场景目标检测模型， 包括： 对所述细粒度分类损失、 所述粗粒度分类损失和所述位置回归损失进行累加后获得总 体损失函数； 通过反向传播算法以及梯度 下降策略对所述总体损失函数进行最小化操作， 获得最小权　利　要　求　书 1/2 页 2 CN 115527070 A 2损失函数； 基于所述 最小损失函数获取基于多 级学习的交通场景目标检测模型。 7.如权利要求1所述的基于交通场景的目标检测方法， 其特征在于， 所述对获取到的交 通场景图像进行 特征提取， 获得候选 框特征之前， 还 包括： 对采集到的第一原 始图像进行图像增强， 获得第二原 始图像； 将所述第二原 始图像进行尺度变换， 获得交通场景图像。 8.一种基于交通场景的目标检测装置， 其特征在于， 所述基于交通场景的目标检测装 置包括： 特征提取模块， 用于对获取到的交通场景图像进行 特征提取， 获得候选 框特征； 特征加权模块， 用于对所述候选框特征中的各交通场景特征进行空间注意力加权， 获 得场景提 议特征； 损失计算模块， 用于基于所述场景提议特征获取粗粒度分类损 失和位置回归损 失， 基 于所述候选框特征和所述场景提 议特征获取细粒度分类损失； 图像检测模块， 用于基于所述细粒度分类损 失、 所述粗粒度分类损 失和所述位置回归 损失获得总体损失函数， 根据所述总体损失函数获取基于多级学习的交通场景目标检测模 型， 通过所述基于多 级学习的交通场景目标检测模型对所述交通场景图像进行检测。 9.一种基于交通场景的目标检测设备， 其特征在于， 所述设备包括： 存储器、 处理器及 存储在所述存储器上并可在所述处理器上运行的基于交通场景的目标检测程序， 所述基于 交通场景 的目标检测 程序配置为实现如权利要求1至7中任一项所述的基于交通场景 的目 标检测方法的步骤。 10.一种存储介质， 其特征在于， 所述存储介质上存储有基于交通场景的目标检测程 序， 所述基于交通场景的目标检测程序被处理器执行时实现如权利要求 1至7中任一项所述 的基于交通场景的目标检测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115527070 A 3