本发明涉及深度学习，特别是涉及一种车辆检测模型的训练方法、系统、设备及介质。
背景技术：
1、随着深度学习的发展，智能交通系统也逐渐被应用于各个领域，车辆检测更是在其中发挥必不可少的作用，尤其是在交通管理和车流量统计等方面应用广泛，且车辆检测对于减少交通事故具有重要的意义。
2、然而现有的车辆检测模型大多是通过传统算法实现，对车辆的检测速度较慢，且检测精度较低，无法满足车流量较大道路的检测需求。因此，存在待改进之处。
技术实现思路
1、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车辆检测模型的训练方法、系统、设备及介质，改善了现有的车辆检测模型的检测精度较低的问题。
2、为解决上述技术问题，本发明是通过以下技术方案实现的：
3、本发明提供一种车辆检测模型的训练方法，包括：
4、获取待训练图像集和对应的带标签图像集；
5、获取初始无锚框检测网络模型，并将所述待训练图像集输入所述初始无锚框检测网络模型中进行特征提取处理，生成多尺度特征图像集；
6、对所述多尺度特征图像集进行注意力融合处理，生成中间融合特征图像集；
7、对所述中间融合特征图像集进行目标预测处理，生成多个初始预测框图像；
8、根据所述初始预测框图像对所述中间融合特征图像集进行对齐修正处理，生成多尺度对齐特征图像集；
9、根据所述多尺度对齐特征图像集对多个所述初始预测框图像进行优化处理，生成多个中间预测框图像；
10、根据所述带标签图像集对所述中间融合特征图像集进行样本判断处理，生成目标样本特征图像集；
11、根据所述中间预测框图像对所述目标样本特征图像集与所述带标签图像集进行损失函数处理，生成目标损失函数值；
12、根据所述目标损失函数值对所述初始无锚框检测网络模型进行反向传播处理，生成目标车辆检测模型。
13、在本发明一实施例中， 所述获取待训练图像集和对应的带标签图像集的步骤包括：
14、获取待训练图像集；
15、对所述待训练图像集进行标签标注处理，生成对应的带标签图像集。
16、在本发明一实施例中，所述对所述多尺度特征图像集进行注意力融合处理，生成中间融合特征图像集的步骤包括：
17、对所述多尺度特征图像集进行卷积处理，生成初始卷积特征图像集；
18、对所述初始卷积特征图像集进行分类处理，生成浅层卷积特征图像集和深层卷积特征图像集；
19、对所述浅层卷积特征图像集和所述深层卷积特征图像集进行池化激活处理，生成池化激活特征图像集；
20、对所述深层卷积特征图像集和所述池化激活特征图像集进行第一张量积处理，生成初始张量积特征图像集；
21、对所述初始张量积特征图像集和所述浅层卷积特征图像集进行处理，生成中间融合特征图像集。
22、在本发明一实施例中，所述对所述浅层卷积特征图像集和所述深层卷积特征图像集进行池化激活处理，生成池化激活特征图像集的步骤包括：
23、对所述浅层卷积特征图像集的通道域进行全局平均池化处理，生成初始平均池化特征图像集；
24、对所述深层卷积特征图像集进行上采样处理，生成初始上采样特征图像集；
25、对所述初始平均池化特征图像集和所述初始上采样特征图像集进行第二张量积处理，生成中间张量积特征图像集；
26、对所述中间张量积特征图像集的空间域进行最大池化激活处理，生成池化激活特征图像集。
27、在本发明一实施例中，所述对所述初始张量积特征图像集和所述浅层卷积特征图像集进行处理，生成中间融合特征图像集的步骤包括：
28、对所述初始张量积特征图像集和所述浅层卷积特征图像集进行融合处理，生成初始融合特征图像集；
29、对所述初始融合特征图像集进行多层次卷积处理，生成中间融合特征图像集。
30、在本发明一实施例中，所述根据所述初始预测框图像对所述中间融合特征图像集进行对齐修正处理，生成多尺度对齐特征图像集的步骤包括：
31、对所述初始预测框图像进行解码处理，生成多个解码信息；
32、对多个所述解码信息进行相对标准卷积处理，生成多个解码偏移量；
33、对所述中间融合特征图像集进行多卷积核卷积处理，生成多个预测框偏移量；
34、根据多个所述解码偏移量和多个所述预测框偏移量对所述初始预测框图像进行位置细化处理，生成特征提取位置框图像；
35、根据所述特征提取位置框图像对所述中间融合特征图像集进行特征提取处理，生成多尺度对齐特征图像集。
36、在本发明一实施例中，所述根据所述带标签图像集对所述中间融合特征图像集进行样本判断处理，生成目标样本特征图像集的步骤包括：
37、对所述中间融合特征图像集的特征点中心与所述带标签图像集的特征点中心进行中心距离处理，生成多个初始中心距离数据；
38、判断所述初始中心距离数据是否大于或等于预设阈值；
39、若所述初始中心距离数据大于或等于所述预设阈值，则舍弃该所述初始中心距离数据对应的中间融合特征图像；
40、若所述初始中心距离数据小于所述预设阈值，则保留该所述初始中心距离数据对应的中间融合特征图像；
41、对所述带标签图像集和保留的多个中间融合特征图像进行交并比函数处理，生成多个对应的交并比函数值；
42、对多个所述交并比函数值进行处理，生成均值方差和；
43、基于所述均值方差和与所述交并比函数值的比较，生成初始样本特征图像集；
44、基于多个所述初始样本特征图像的特征点中心与对应的多个所述带标签图像的比较，生成目标样本特征图像集。
45、本发明还提供一种车辆检测模型的训练系统，包括：
46、图像获取模块，用以获取待训练图像集和对应的带标签图像集；
47、特征提取模块，用以获取初始无锚框检测网络模型，并将所述待训练图像集输入所述初始无锚框检测网络模型中进行特征提取处理，生成多尺度特征图像集；
48、特征融合模块，用以对所述多尺度特征图像集进行注意力融合处理，生成中间融合特征图像集；
49、目标预测模块，用以对所述中间融合特征图像集进行目标预测处理，生成多个初始预测框图像；
50、特征对齐模块，用以根据所述初始预测框图像对所述中间融合特征图像集进行对齐修正处理，生成多尺度对齐特征图像集；
51、优化处理模块，用以根据所述多尺度对齐特征图像集对多个所述初始预测框图像进行优化处理，生成多个中间预测框图像；
52、样本分配模块，用以根据所述带标签图像集对所述中间融合特征图像集进行样本判断处理，生成目标样本特征图像集；
53、损失处理模块，用以根据所述中间预测框图像对所述目标样本特征图像集与所述带标签图像集进行损失函数处理，生成目标损失函数值；
54、模型优化模块，用以根据所述目标损失函数值对所述初始无锚框检测网络模型进行反向传播处理，生成目标车辆检测模型。
55、本发明还提供一种电子设备，包括：
56、一个或多个处理器；
57、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车辆检测模型的训练方法。
58、本发明还提供一种计算机可读存储介质，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车辆检测模型的训练方法。
59、如上所述，本发明提供一种车辆检测模型的训练方法、系统、设备及介质，能够有效提取过车图像的特征，提高目标车辆检测模型对路桥过车车辆的检测精度，从而提高路桥过车的检测效率。
1.一种车辆检测模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的车辆检测模型的训练方法，其特征在于，所述获取待训练图像集和对应的带标签图像集的步骤包括：
3.根据权利要求1所述的车辆检测模型的训练方法，其特征在于，所述对所述多尺度特征图像集进行注意力融合处理，生成中间融合特征图像集的步骤包括：
4.根据权利要求3所述的车辆检测模型的训练方法，其特征在于，所述对所述浅层卷积特征图像集和所述深层卷积特征图像集进行池化激活处理，生成池化激活特征图像集的步骤包括：
5.根据权利要求3所述的车辆检测模型的训练方法，其特征在于，所述对所述初始张量积特征图像集和所述浅层卷积特征图像集进行处理，生成中间融合特征图像集的步骤包括：
6.根据权利要求1所述的车辆检测模型的训练方法，其特征在于，所述根据所述初始预测框图像对所述中间融合特征图像集进行对齐修正处理，生成多尺度对齐特征图像集的步骤包括：
7.根据权利要求1所述的车辆检测模型的训练方法，其特征在于，所述根据所述带标签图像集对所述中间融合特征图像集进行样本判断处理，生成目标样本特征图像集的步骤包括：
8.一种车辆检测模型的训练系统，其特征在于，所述训练系统包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一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，使计算机执行权利要求1至7中任一项所述的车辆检测模型的训练方法。
