本申请涉及到目标识别，特别是一种高速驾驶场景下的小目标识别。
背景技术：
1、自动驾驶场景中的目标检测任务中，被测目标的大小不固定，其大小与物体本身大小以及物体在视野中的位置有关，物体体积越大、在视野中越近则目标越大，物体体积越小、在视野中越远则目标越小。被测物体尺度相差过大会造成模型精度降低。
2、自动驾驶环境感知主要依赖摄像头和激光雷达等传感器获取数据，再通过算法对传感器数据进行处理、提取、建模从而得到车辆周围环境信息。由于毫米波雷达的干扰性较弱和激光雷达感知范围有限，远距离(100m以上)的目标多通过摄像头进行感知。远距离下的小目标(15pixel×15pixel以下的目标)多出现在高速、高架等行驶速度极高的场景，对于驾驶安全性具有重大意义。然而，由于所占像素过少且通常缺乏充足的外观信息，小目标往往难以与背景或相似的目标区分。
3、传统方法通过数据增强和增加多尺度检测框的方法来解决小目标检测问题。数据增强主要是在训练过程中对图像进行缩放与拼接，将数据集中的大尺寸目标转换为中等尺寸目标，中等尺寸目标转换为小尺寸目标，从而提高训练数据小尺寸目标的数量与质量；多尺度检测框主要是增加更小尺寸的检测框在原始图像上进行匹配，从而提升小目标性能。然而，传统方法存在两个明显问题：第一，数据增强多用于确定数据集，而自动驾驶是接近无限开放的场景，数据增强的方法效果过差；第二，检测框数量与算法运行时长呈线性关系o(n)，且小尺度检测框所需的滑动次数更多，导致该方法极大增加了算法耗时。而自动驾驶场景对算法运行速度有极高要求，在较多小目标的高速驾驶场景更为如此。
技术实现思路
1、本申请实施例提供了自动驾驶中的小目标检测方法、装置、电子设备和存储介质，用于解决现有技术中自动驾驶的高速场景下，无法快速准确检测小目标的技术问题。
2、本申请的第一个方面，提供一种自动驾驶中的小目标检测方法，包括：
3、采用神经网络对目标图像进行多尺度目标检测，所述目标图像为根据当前的第一目标采集方案所采集得到的目标图像；
4、对所述多尺度目标进行结果评估获得第一评估结果，所述第一评估结果用于指示所述多尺度目标与所述目标图像中的实际目标之间的差距；
5、根据所述第一评估结果生成目标图像采集调整策略，所述目标图像采集调整策略用于指示基于所述第一目标采集方案生成第二目标采集方案以替换所述第一目标采集方案，所述第二目标采集方案相比所述第一目标采集方案具有更多所述第一评估结果中差距较大的目标的采集需求。
6、进一步的，所述神经网络为特征金字塔网络。
7、进一步的，所述采用神经网络对目标图像进行多尺度目标检测之前，还包括：
8、采用骨干网络对目标图像处理以获得多个层次的输入特征图，所述特征图用于作为所述特征金字塔网络的输入。
9、进一步的，所述骨干网络为残差网络。
10、进一步的，所述采用神经网络对目标图像进行多尺度目标检测，包括：
11、通过所述输入特征图获得多个层次的中间特征图，所述中间特征图的层次m比所述特征金字塔的输入层数少n，所述n大于等于1；其中所述中间特征图中的最高层由所述输入特征图中的最高层经过卷积获得，所述中间特征图的次高层至所述中间特征图的最低层由对应该层的输入特征图经过卷积后融合其上一层的中间特征图的上采样图获得；
12、将所述中间特征图经过卷积后获得所述特征金字塔网络的m个层次的输出特征图；
13、将所述m个输出特征图中最低一层的输出特征图经过n次上采样获得所述所述特征金字塔网络的n个层次的输出特征图，其中，所述最低一层的输出特征图每经过一次上采样后获得所述特征金字塔网络的更低一层次的输出特征图。
14、进一步的，所述特征金字塔的输入特征图大于等于3。
15、进一步的，所述特征金字塔的输入特征图的层次为4，所述中间特征图的层次为3。
16、本申请的第二个方面，提供一种自动驾驶中的小目标检测装置，包括：
17、图像检测模块，用于采用神经网络对目标图像进行多尺度目标检测，所述目标图像为根据当前的第一目标采集方案所采集得到的目标图像；
18、结果评估模块，用于对所述多尺度目标进行结果评估获得第一评估结果，所述第一评估结果用于指示所述多尺度目标与所述目标图像中的实际目标之间的差距；
19、策略调整模块，用于根据所述第一评估结果生成目标图像采集调整策略，所述目标图像采集调整策略用于指示基于所述第一目标采集方案生成第二目标采集方案以替换所述第一目标采集方案，所述第二目标采集方案相比所述第一目标采集方案具有更多所述第一评估结果中差距较大的目标的采集需求。
20、本申请的第三个方面，提供一种电子设备，包括至少一个处理器；所述处理器与存储器耦合，所述存储器用于存储一条或多条计算指令，其中，所述一条或多条计算机指令被所述处理器运行时执行以实现本申请的第一个方面所述的方法步骤。
21、一种计算机可读存储介质，其特征在于，其上存储有计算机指令，其中，该计算机指令被处理器运行时执行以实现本申请的第一个方面所述的方法步骤。
22、在本申请实施例中，采用神经网络对目标图像进行多尺度目标检测，所述目标图像为根据当前的第一目标采集方案所采集得到的目标图像；对所述多尺度目标进行结果评估获得第一评估结果，所述第一评估结果用于指示所述多尺度目标与所述目标图像中的实际目标之间的差距；根据所述第一评估结果生成目标图像采集调整策略，所述目标图像采集调整策略用于指示基于所述第一目标采集方案生成第二目标采集方案以替换所述第一目标采集方案，所述第二目标采集方案相比所述第一目标采集方案具有更多所述第一评估结果中差距较大的目标的采集需求。通过本申请解决了现有技术中在自动驾驶的高速场景下，无法快速准确检测小目标的技术问题，从而在提高小目标检测能力的基础上，提高自动驾驶车辆的安全性能。
1.自动驾驶中的小目标检测方法，其特征在于,包括：
2.根据权利要求1所述的方法，其特征在于，所述神经网络为特征金字塔网络。
3.根据权利要求2所述的方法，其特征在于，所述采用神经网络对目标图像进行多尺度目标检测之前，还包括：
4.根据权利要求3所述的方法，其特征在于，所述骨干网络为残差网络。
5.根据权利要求3所述的方法，其特征在于，所述采用神经网络对目标图像进行多尺度目标检测，包括：
6.根据权利要求5所述的方法，其特征在于，所述特征金字塔的输入特征图大于等于3。
7.根据权利要求6所述的方法，其特征在于，所述特征金字塔的输入特征图的层次为4，所述中间特征图的层次为3。
8.自动驾驶中的小目标检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括至少一个处理器；所述处理器与存储器耦合，所述存储器用于存储一条或多条计算指令，其中，所述一条或多条计算机指令被所述处理器运行时执行以实现权利要求1～7中任一项所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，其中，该计算机指令被处理器运行时执行以实现权利要求1～7中任一项所述的方法步骤。
