【技术实现步骤摘要】
驾驶场景分割方法、装置、电子设备和存储介质
本申请涉及计算机视觉
，尤其涉及一种驾驶场景分割方法、装置、电子设备和存储介质。
技术介绍
自动驾驶车辆是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。驾驶场景分割作为道路环境感知中的一环，对于自动驾驶车辆至关重要。目前的驾驶场景分割多是基于卷积神经网络(ConvolutionalNeuralNetwork，CNN)抽取的高阶特征进行驾驶场景分割，虽然降低了计算强度但也存在部分复杂场景分割效果不佳的问题，尤其是在一些特定的天气、清晰度低、有遮挡物或者道路拥堵的情况下，时常出现过分割现象，分割效果并不稳定。
技术实现思路
本申请提供一种驾驶场景分割方法、装置、电子设备和存储介质，以实现准确、可靠且能够适应复杂环境的驾驶场景分割。本申请提供一种驾驶场景分割方法，包括：确定待分割的驾驶场景图；将所述驾驶场景图输入至场景分割模型，得到所述场景分割模型输出的场景分割结果；所述场景分割模型是基于...
【技术保护点】
1.一种驾驶场景分割方法，其特征在于，包括：/n确定待分割的驾驶场景图；/n将所述驾驶场景图输入至场景分割模型，得到所述场景分割模型输出的场景分割结果；/n所述场景分割模型是基于样本驾驶场景图及其样本场景分割结果训练得到的；所述场景分割模型用于对驾驶场景图进行不同注意力机制下的场景分割，并将不同注意力机制下的分割结果进行融合。/n
【技术特征摘要】
1.一种驾驶场景分割方法，其特征在于，包括：
确定待分割的驾驶场景图；
将所述驾驶场景图输入至场景分割模型，得到所述场景分割模型输出的场景分割结果；
所述场景分割模型是基于样本驾驶场景图及其样本场景分割结果训练得到的；所述场景分割模型用于对驾驶场景图进行不同注意力机制下的场景分割，并将不同注意力机制下的分割结果进行融合。
2.根据权利要求1所述的驾驶场景分割方法，其特征在于，所述将所述驾驶场景图输入至场景分割模型，得到所述场景分割模型输出的场景分割结果，包括：
将所述驾驶场景图输入至所述场景分割模型的双重注意力分割层，得到所述双重注意力分割层输出的双重注意力分割结果；
将所述驾驶场景图输入至所述场景分割模型的期望最大化注意力分割层，得到所述期望最大化注意力分割层输出的期望最大化注意力分割结果；
将所述双重注意力分割结果和所述期望最大化注意力分割结果输入至所述场景分割模型的融合层，得到所述融合层输出的所述场景分割结果。
3.根据权利要求2所述的驾驶场景分割方法，其特征在于，所述将所述驾驶场景图输入至场景分割模型的双重注意力分割层，得到所述双重注意力分割层输出的双重注意力分割结果，包括：
将所述驾驶场景图输入至所述双重注意力分割层的第一特征提取层，得到所述第一特征提取层输出的第一场景图特征；
将所述第一场景图特征输入至所述双重注意力分割层的空间注意力层，得到所述空间注意力层输出的空间注意力特征；
将所述第一场景图特征输入至所述双重注意力分割层的通道注意力层，得到所述通道注意力层输出的通道注意力特征；
将所述空间注意力特征和所述通道注意力特征输入至所述双重注意力分割层的聚合分割层，得到所述聚合分割层输出的所述双重注意力分割结果。
4.根据权利要求2所述的驾驶场景分割方法，其特征在于，所述将所述驾驶场景图输入至场景分割模型的期望最大化注意力分割层，得到所述期望最大化注意力分割层输出的期望最大化注意力分割结果，包括：
将所述驾驶场景图输入至所述期望最大化注意力分割层的第二特征提取层，得到所述第二特征提取层输出的第二场景图特征；
将所述第二场景图特征输入至所述期望最大化注意力分割层的期望最大化层，得到所述期望最大化层输出的重构场景特征；
将所述重构场景特征输入至所述期望最大化注意力分割层的重构分割层，得到所述重构分割层输出的期望最大化注意力分割结果。
5.根据权利要求4所述的驾驶场景分割方法，其特征在于，所述将所述第二场景图特征输入至所述期望最大化注意力分割层的期望最大化层，得到所述期望最大化层输出的重构场景特征，包括：
将所述第二场景图特征和当前迭代基输入至所述期望最大化层的期望层，得到所述期望层输出的当前注意力特征图；
将所述当前注意力特征图输入至所述期望最大化层的最大化层，得到所述最大化层输出的下一迭代基，将所述下一迭代基更新为当前迭代基，直至所述当前迭代基的更新次数达到预设次数；
将所述当前注意力特征图和所述当前迭代基输入至所述期望最大化层的重构层，得到所述重构层输出的重构场景特征。
6.根据权利要求2所述的驾驶场景分割方法，其特征在于，所述将所述双重注意力分割结果和...
【专利技术属性】
技术研发人员：陈海波，罗志鹏，徐振宇，
申请(专利权)人：深延科技北京有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。