用于自动驾驶车辆的方法、介质和系统技术方案

在一个实施方式中，公开了加速批规范化的卷积神经网络(CNN)模型的系统。系统从第一CNN模型提取多个第一层组，第一组中的每组具有第一卷积层和第一批规范化层。对于多个第一组中的每组，系统基于第一批规范化层计算第一标度矢量和第一偏移矢量，以及基于第一卷积层以及第一标度矢量和第一偏移矢量生成表示多个第一组中的对应的组的第二卷积层。系统基于与多个第一组对应的第二卷积层生成加速CNN模型，以使得加速CNN模型随后用于将由自动驾驶车辆(ADV)感知的对象分类。

Method, medium and system for automatic driving vehicle

In one embodiment, a system of accelerating the batch normalized convolution neural network (CNN) model is disclosed. The system extracts multiple first layer groups from the first CNN model, each of which has the first convolution layer and the first batch of normalization layers. For each group of the plurality of first groups, the system calculates the first scale vector and the first offset vector based on the first normalization layer, and generates the second convolution layer representing the corresponding group in the plurality of first groups based on the first convolution layer and the first scale vector and the first offset vector. The system generates an accelerated CNN model based on a second convolution layer corresponding to a plurality of first sets so that the accelerated CNN model is then used to classify objects perceived by an automatic driving vehicle (ADV).

【技术实现步骤摘要】
用于自动驾驶车辆的方法、介质和系统
本专利技术的实施方式大体涉及操作自动驾驶车辆。更具体地，本专利技术的实施方式涉及用于自动驾驶车辆(ADV)的卷积神经网络模型的卷积/退卷积层和批规范化(batch-norm)层的离线组合。
技术介绍
以自动驾驶模式运行(例如，无人驾驶)的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可以使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在一些情况下在没有任何乘客的情况下行驶。在操作中，为了导航通过道路，ADV通常利用神经网络对对象(例如，交通灯)进行学习和分类。在机器学习中，因为在深度卷积神经网络(CNN)中存在许多内层并且每层贡献计算和存储分配的区块，所以CNN或者深度CNN的训练和推理是计算和存储密集型的。附加激活层(ActivationLayer)趋向于增加推理和测试的准确度；然而，附加层也增加了深度CNN所需要的计算和存储分配。
技术实现思路
本申请的一方面提供了一种计算机实施的方法，所述方法包括：从第一卷积神经网络模型提取多个第一层组，所述多个第一层组中的每组具有第一卷积层和第一批规范本文档来自技高网...

【技术保护点】
1.计算机实施的方法，所述方法包括：从第一卷积神经网络模型提取多个第一层组，所述多个第一层组中的每组具有第一卷积层和第一批规范化层；对于所述多个第一层组中的每组，基于所述第一批规范化层计算第一标度矢量和第一偏移矢量，以及基于所述第一卷积层、所述第一标度矢量和所述第一偏移矢量生成表示所述多个第一层组中的对应的组的第二卷积层；以及基于与所述多个第一层组对应的第二卷积层生成第二卷积神经网络模型，其中，所述第二卷积神经网络模型随后用于将由自动驾驶车辆感知的对象分类。

【技术特征摘要】
2017.03.06 US 15/451,3451.计算机实施的方法，所述方法包括：从第一卷积神经网络模型提取多个第一层组，所述多个第一层组中的每组具有第一卷积层和第一批规范化层；对于所述多个第一层组中的每组，基于所述第一批规范化层计算第一标度矢量和第一偏移矢量，以及基于所述第一卷积层、所述第一标度矢量和所述第一偏移矢量生成表示所述多个第一层组中的对应的组的第二卷积层；以及基于与所述多个第一层组对应的第二卷积层生成第二卷积神经网络模型，其中，所述第二卷积神经网络模型随后用于将由自动驾驶车辆感知的对象分类。2.根据权利要求1所述的计算机实施的方法，还包括：对于所述多个第一层组中的每组，基于所述多个第一层组中的对应的组的第一批规范化层和第一标度层计算第二标度矢量和第二偏移矢量；以及基于所述第二标度矢量、所述第二偏移矢量和所述第一卷积层生成所述第二卷积层。3.根据权利要求1所述的计算机实施的方法，还包括：从所述第一卷积神经网络模型提取多个第二层组，所述多个第二层组中的每组具有第一退卷积层和第二批规范化层；对于所述多个第二层组中的每组，基于所述第二批规范化层计算第三标度矢量和第三偏移矢量，以及基于所述第三标度矢量和所述第三偏移矢量以及所述第一退卷积层生成表示所述多个第二层组中的对应的组的第二退卷积层，其中，所述第二卷积神经网络模型包括与所述多个第二层组对应的第二退卷积层。4.根据权利要求3所述的计算机实施的方法，还包括：对于所述多个第二层组中的每组，基于所述多个第二层组中的对应的组的第二批规范化层和第二标度层计算第四标度矢量和第四偏移矢量；以及基于所述第四标度矢量、所述第四偏移矢量和所述第一退卷积层生成所述第二退卷积层。5.根据权利要求1所述的计算机实施的方法，其中，所述第一卷积层具有多维输入。6.根据权利要求5所述的计算机实施的方法，其中，针对所述多维输入中的每个维度标量地计算所述第一标度矢量和所述第一偏移矢量。7.根据权利要求6所述的计算机实施的方法，其中，基于所述多维输入中的每个维度的平均值和标准差计算所述第一标度矢量和所述第一偏移矢量。8.根据权利要求7所述的计算机实施的方法，其中，针对所述多维输入中的每个维度独立地计算所述平均值和所述标准差。9.非暂时性机器可读介质，所述非暂时性机器可读介质存储有指令，所述指令当被处理器执行时，致使所述处理器执行操作，所述操作包括：从第一卷积神经网络模型提取多个第一层组，所述多个第一层组中的每组具有第一卷积层和第一批规范化层；对于所述多个第一层组中的每组，基于所述第一批规范化层计算第一标度矢量和第一偏移矢量，以及基于所述第一卷积层、所述第一标度矢量和所述第一偏移矢量生成表示所述多个第一层组中的对应的组的第二卷积层；以及基于与所述多个第一层组对应的第二卷积层生成第二卷积神经网络模型，其中，所述第二卷积神经网络模型随后用于将由自动驾驶车辆感知的对象分类。10.根据权利要求9所述的非暂时性机器可读介质，还包括：对于所述多个第一层组中的每组，基于所述多个第一层组中的对应的组的第一批规范化层和第一标度层计算第二标度矢量和第二偏移矢量；以及基于所述第二标度矢...

【专利技术属性】
技术研发人员：余震华，薄晓，周军，张伟德，托尼·韩，
申请(专利权)人：百度美国有限责任公司，
类型：发明
国别省市：美国,US