【技术实现步骤摘要】
语义分割模型的训练和高精地图车道线的生成方法和设备
[0001]本公开涉及计算机
，尤其涉及自动驾驶、人工智能、智能交通、深度学习等领域，具体涉及一种语义分割模型的训练和高精地图车道线的生成方法、装置、设备、存储介质和计算机程序产品。
技术介绍
[0002]车道线是高精地图经验图层的核心要素。现有技术中，车道线多是根据交通标志半自动化生成，这种方式生成的车道线不符合人类驾驶习惯。还有基于感知障碍车轨迹聚合生成拟人化的车道线，但由于障碍车部署数量的限制，会出现部分车道线缺失的问题。
技术实现思路
[0003]本公开提供了一种语义分割模型的训练和高精地图车道线的生成方法、装置、设备、存储介质和计算机程序产品。
[0004]根据本公开的第一方面，提供了一种语义分割模型的训练方法，包括：
[0005]获取样本图像，样本图像中包括样本车道线；
[0006]利用初始网络，从样本图像中提取出样本车道线的起止点对的特征；
[0007]利用初始网络，提取样本语义地图的特征；
[00...
【技术保护点】
【技术特征摘要】
1.一种语义分割模型的训练方法，包括：获取样本图像，所述样本图像中包括样本车道线；利用初始网络，从所述样本图像中提取出所述样本车道线的起止点对的特征；利用所述初始网络，提取样本语义地图的特征；根据所述样本语义地图的特征和所述起止点对的特征，利用所述初始网络，得到对所述样本车道线的预测图像；根据所述样本图像和所述预测图像，调整所述初始网络的参数，得到语义分割模型，所述语义分割模型用于根据目标车道线的起止点对图像，输出包括所述目标车道线的目标图像。2.根据权利要求1所述的训练方法，其中，利用所述初始网络，提取样本语义地图的特征之前，还包括：获取与所述样本车道线对应的样本高精地图；编码所述样本高精地图，以得到所述样本语义地图。3.根据权利要求1所述的训练方法，其中，所述样本图像包括第一样本图像和第二样本图像，所述第一样本图像中包括第一样本车道线，所述第二样本图像中包括第二样本车道线，所述第一样本车道线为人类驾驶车辆的行驶轨迹，所述第二样本车道线为现实世界中划线的车道线。4.根据权利要求3所述的训练方法，其中，所述预测图像包括与所述第一样本车道线对应的第一预测图像以及对所述第二样本车道线对应的第二预测图像，根据所述样本图像和所述预测图像，调整所述初始网络的参数，得到语义分割模型，包括：根据所述第一样本图像以及所述第一预测图像的差异，构建第一损失子函数；根据所述第二样本图像以及所述第二预测图像的差异，构建第二损失子函数；根据所述第一损失子函数以及所述第二损失子函数，构建所述初始网络的损失函数，其中，所述第一损失子函数的权重大于所述第二损失子函数的权重；调整所述初始网络的参数，直到所述损失函数收敛。5.一种高精地图车道线的生成方法，包括：获取与目标高精地图对应的目标语义地图；将所述目标语义地图和目标车道线的起止点对图像输入语义分割模型，以得到包括所述目标车道线的目标图像；其中，所述语义分割模型为权利要求1至4任一项所述的训练方法得到；根据所述目标图像，生成所述目标车道线。6.根据权利要求5所述的生成方法，其中，根据所述目标图像，生成所述目标车道线，包括：对所述目标图像进行关键点提取，得到所述目标车道线上的多个关键点；对各关键点进行曲线拟合，生成所述目标车道线。7.一种语义分割模型的训练装置，包括：样本图像获取模块，用于获取样本图像，所述样本图像中包括样本车道线；起止点对特征提取模块，用于利用初始网络，从所述样本图像中提取出所述样本车道
线的起止点对的特征；语义地图特征提取模块，用于利用所述初始网络，提取样本语义地图的特征；预测模块，用于根据所述样本语义地图的特征和所述起止点对的特征，利用所述初始网络，得到对所述样本车道线的预测图像；参数调整模块，用于根据所述样本图像和所述预测图像，调整所述初始网络的参数，得到语义分割模型，所述语义分割模型用于根据目标车道线的起止点对图像，输出包括所述目标车道线的目标图像。8.根据权利要求7所述的训练...
【专利技术属性】
技术研发人员：何雷，耿涛，刘阳，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：
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。