本公開提供了一種測試方法、目標對象檢測方法、行駛控制方法、裝置、電子設備及存儲介質，該測試方法包括：利用設定的檢測方法對第一樣本數據進行檢測，得到檢測結果；基于所述第一樣本數據、所述檢測結果、和所述第一樣本數據的標注結果，確定所述設定的檢測方法在總距離范圍內的第一評測數據、和在每個局部距離范圍內第二評測數據；其中，各個局部范圍是將所述總距離范圍劃分后得到的；所述總距離范圍為基于所述第一樣本數據對應的采集設備的檢測范圍和/或所述第一樣本數據中包括的對象的深度信息確定的；基于所述第一評測數據和所述第二評測數據，確定所述設定的檢測方法的性能。

技術領域

本公開涉及深度學習技術領域，具體而言，涉及一種測試方法、目標對象檢測方法、行駛控制方法、裝置、電子設備及存儲介質。

背景技術

由于目標檢測算法應用廣泛，使得目標檢測算法成為計算機視覺領域備受關注的研究熱點。近年來隨著深度學習的發展，三維3D圖像的目標檢測的研究取得了較大的進展，與二維2D目標檢測相比，3D目標檢測結合了深度信息，能夠提供目標對象的位置、方向、尺寸等空間場景信息，在自動駕駛和機器人領域發展迅速，使得3D目標檢測成為計算機視覺領域的核心問題。

因此，提出一種可以較準確的評測3D目標檢測算法的方法愈發重要。

發明內容

有鑒于此，本公開至少提供一種測試方法、目標對象檢測方法、行駛控制方法、裝置、電子設備及存儲介質。

第一方面，本公開提供了一種測試方法，包括：

利用設定的檢測方法對第一樣本數據進行檢測，得到檢測結果；

基于所述第一樣本數據、所述檢測結果、和所述第一樣本數據的標注結果，確定所述設定的檢測方法在總距離范圍內的第一評測數據、和在每個局部距離范圍內第二評測數據；其中，各個局部范圍是將所述總距離范圍劃分后得到的；所述總距離范圍為基于所述第一樣本數據對應的采集設備的檢測范圍和/或所述第一樣本數據中包括的對象的深度信息確定的；

基于所述第一評測數據和所述第二評測數據，確定所述設定的檢測方法的性能。

一種可能的實施方式中，所述設定的檢測方法由神經網絡執行，基于所述第一評測數據和所述第二評測數據，確定所述設定的檢測方法的性能，包括：

基于所述第一評測數據和所述第二評測數據，確定所述神經網絡的性能。

一種可能的實施方式中，在所述神經網絡的性能未達到預設性能的情況下，所述方法還包括：

利用第二樣本數據對所述神經網絡進行訓練，直至基于訓練后的神經網絡的第一評測數據和第二評測數據確定的訓練后的神經網絡的性能達到或超過預設性能。

一種可能的實施方式中，所述第一評測數據和所述第二評測數據中包括以下中的一種或多種：

鳥瞰圖平均準確率BEV mAP指標、三維平均準確率3D mAP指標、誤檢率、漏檢率、平均距離誤差、平均尺寸誤差、平均朝向誤差。

采用上述方法，第一評測數據和第二評測數據中包括一種或多種指標，通過設置多種指標，可以較準確的確定檢測方法的性能，提高檢測方法的準確度。

一種可能的實施方式中，在所述第一評測數據和/或所述第二評測數據中包括平均距離誤差的情況下，根據下述步驟確定所述平均距離誤差：

基于所述第一樣本數據的標注結果和所述檢測結果，從所述第一樣本數據中確定滿足對應距離范圍的、屬于真正標簽的目標樣本數據；其中，所述真正標簽的目標樣本數據為所述檢測結果指示的檢測類別與所述標注結果指示的檢測類別一致的正樣本；

確定所述目標樣本數據的檢測結果指示的預測三維檢測框在俯視圖中的投影檢測框的位置信息、以及所述目標樣本數據的標注結果指示的標注三維檢測框在所述俯視圖中的投影真值框的位置信息；