基于自动泊车模型的特征提取方法和卷积神经网络技术

本发明专利技术涉及一种基于自动泊车模型的特征提取方法、卷积神经网络、车载计算系统和计算机存储介质。所示方法包括：A、将采集到的泊车环境图像作为输入信息输入到自动泊车模型；B、利用自动泊车模型的骨干网络对输入信息进行特征提取；其中，骨干网络包括四个特征提取阶段，四个特征提取阶段中的每一个均包括依次串联的卷积核大小为1*3、3*3、3*1的卷积层结构，以等效卷积核大小为5*5的卷积层结构的较大感受野。受野。受野。

【技术实现步骤摘要】
基于自动泊车模型的特征提取方法和卷积神经网络


[0001]本专利技术涉及自动泊车
，并且更具体地涉及一种基于自动泊车模型的特征提取方法、卷积神经网络、车载计算系统和计算机存储介质。

技术介绍

[0002]卷积神经网络的应用部署一直是自动驾驶感知算法，尤其是自动泊车算法的难点。目前主流的卷积神经网络通常涉及包括注意力机制、分组卷积、自定义运算在内的复杂操作来提升模型性能，而这些复杂操作在极大程度上限制了卷积神经网络在车端的部署。受限于车载计算平台对模型中特殊操作的不支持以及对其极高的速度要求和较高的精度要求，设计出一种高效且易部署的骨干网络成为了自动泊车领域中亟待解决的问题。

技术实现思路

[0003]为了解决或至少缓解以上问题中的一个或多个，提供了以下技术方案。
[0004]按照本专利技术的第一方面，提供一种基于自动泊车模型的特征提取方法，包括：A、将采集到的泊车环境图像作为输入信息输入到所述自动泊车模型；B、利用所述自动泊车模型的骨干网络对所述输入信息进行特征提取；其中，所述骨干网络包括四个特征提取阶段，所述四个特征提取阶段中的每一个均包括依次串联的卷积核大小为1*3、3*3、3*1的卷积层结构，以等效卷积核大小为5*5的卷积层结构的感受野。
[0005]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述四个特征提取阶段包括第一提取阶段、第二提取阶段、第三提取阶段和第四提取阶段，并且所述四个特征提取阶段中的每一个包括：一个等效步长为2的第一卷积块；以及一个或多个等效步长为1的第二卷积块。
[0006]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，在所述第一卷积块中对输入信息进行以下处理操作：将所述输入数据复制为第一输入数据和第二输入数据；将所述第一输入数据输入到第一卷积层以生成第一输出数据，其中所述第一卷积层的步长为2、卷积核大小为3*3；将所述第二输入数据输入到依次串联的第二卷积层、第三卷积层、第四卷积层以生成第二输出数据，其中所述第二卷积层的步长为1、卷积核大小为1*3，所述第三卷积层的步长为2、卷积核大小为3*3，所述第四卷积层的步长为1、卷积核大小为3*1；以及将所述第一输出数据和所述第二输出数据在通道维度上进行拼接，以生成第三输出数据。
[0007]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，在所述第二卷积块中对输入信息进行以下处理操作：将第三输出数据输入到第五卷积层以生成第四输出数据，其中所述第五卷积层的步长为1、卷积核大小为1*1；将所述第四输出数据按通道维度划分为两部分，以生成第五输出数据和第六输出数据，其中所述第五输出数据和所述第六输出数据的通道数均为所述第四输出数据的通道数的二分之一；将所述第六输出数据输入到依次串联的第六卷积层、第七卷积层、第八卷积层以生成第七输出数据，其中所述第六卷积
层的步长为1、卷积核大小为1*3，所述第七卷积层的步长为1、卷积核大小为3*3，所述第八卷积层的步长为1、卷积核大小为3*1；以及将所述第五输出数据和所述第七输出数据在通道维度上进行拼接，以生成第八输出数据。
[0008]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述第六卷积层的卷积核个数为第六输出数据的通道数的二倍，所述第七卷积层的卷积核个数等于所述第六卷积层的卷积核个数，所述第八卷积层的卷积核个数为所述第六卷积层的卷积核个数的二分之一。
[0009]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述第一提取阶段和第二提取阶段仅包括一个第二卷积块，所述第三提取阶段和第四提取阶段所包括的第二卷积块个数取决于模型算力和期望推理速度。
[0010]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述第一提取阶段的输入通道数为N，所述第二提取阶段的输入通道数为2*N，所述第三提取阶段的输入通道数为4*N，所述第四提取阶段的输入通道数为8*N，其中N的大小取决于模型算力和期望推理速度。
[0011]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述骨干网络还包括一个快速降采样阶段，在所述快速降采样阶段对输入信息进行以下处理操作：将输入数据输入到步长为2、空洞卷积率为1、卷积核大小为3*3的卷积层。
[0012]根据本专利技术的第二方面，提供一种卷积神经网络，包括骨干网络，所述骨干网络用于对泊车环境图像进行特征提取，所述骨干网络包括四个特征提取阶段，所述四个特征提取阶段中的每一个均包括依次串联的卷积核大小为1*3、3*3、3*1的卷积层结构，以等效卷积核大小为5*5的卷积层结构的感受野。
[0013]根据本专利技术的第三方面，提供一种车载计算系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现根据本专利技术第一方面所述的方法中的任意一项。
[0014]根据本专利技术的第四方面，提供一种计算机存储介质，所述计算机存储介质包括指令，所述指令在运行时执行根据本专利技术第一方面所述的方法中的任意一项。
[0015]一方面，根据本专利技术的一个或多个实施例的特征提取骨干网络包括四个特征提取阶段，其中每个特征提取阶段均由简单的基本卷积运算块构成，因此能够在无需额外处理的情况下直接部署于车载计算平台，解决了在车端部署受限的问题。
[0016]另一方面，根据本专利技术的一个或多个实施例通过低沉本等效替代大感受野（例如，利用卷积核大小为1*3、3*3、3*1的卷积层结构来近似等效卷积核大小为5*5的卷积层）、通道复用操作（例如，将第二卷积块的输入数据按通道维度划分为两部分）以及通道扩张技术，在实现卷积神经网络的快速推理能力的同时有效提升了模型性能，从而满足了对于车端泊车模型的速度快、性能高、易部署的要求。
附图说明
[0017]本专利技术的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示。在所述附图中：图1为按照本专利技术的一个或多个实施例的基于自动泊车模型的特征提取方法10的
流程图；图2为按照本专利技术的一个或多个实施例的骨干网络20的示意性框图；图3为按照本专利技术的一个或多个实施例的第一卷积块的示意性框图；图4为按照本专利技术的一个或多个实施例的第二卷积块的示意性框图；以及图5为按照本专利技术的一个实施例的车载计算系统50的框图。
具体实施方式
[0018]以下具体实施方式的描述本质上仅仅是示例性的，并且不旨在限制所公开的技术或所公开的技术的应用和用途。此外，不意图受在前述
、
技术介绍
或以下具体实施方式中呈现的任何明示或暗示的理论的约束。
[0019]在实施例的以下详细描述中，阐述了许多具体细节以便提供对所公开技术的更透彻理解。然而，对于本领域普通技术人员显而易见的是，可以在没有这些具体细节的情况下实践所公开的技术。在其他实例中，没有详细描述公知的特征，以避免不必要地使描述复杂化。
[0020]诸如“包含”和“包括”之类的用语表示除了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自动泊车模型的特征提取方法，其特征在于，包括：A、将采集到的泊车环境图像作为输入信息输入到所述自动泊车模型；B、利用所述自动泊车模型的骨干网络对所述输入信息进行特征提取；其中，所述骨干网络包括四个特征提取阶段，所述四个特征提取阶段中的每一个均包括依次串联的卷积核大小为1*3、3*3、3*1的卷积层结构，以等效卷积核大小为5*5的卷积层结构的感受野。2.根据权利要求1所述的方法，其中，所述四个特征提取阶段包括第一提取阶段、第二提取阶段、第三提取阶段和第四提取阶段，并且所述四个特征提取阶段中的每一个包括：一个等效步长为2的第一卷积块；以及一个或多个等效步长为1的第二卷积块。3.根据权利要求2所述的方法，其中，在所述第一卷积块中对输入信息进行以下处理操作：将所述输入数据复制为第一输入数据和第二输入数据；将所述第一输入数据输入到第一卷积层以生成第一输出数据，其中所述第一卷积层的步长为2、卷积核大小为3*3；将所述第二输入数据输入到依次串联的第二卷积层、第三卷积层、第四卷积层以生成第二输出数据，其中所述第二卷积层的步长为1、卷积核大小为1*3，所述第三卷积层的步长为2、卷积核大小为3*3，所述第四卷积层的步长为1、卷积核大小为3*1；以及将所述第一输出数据和所述第二输出数据在通道维度上进行拼接，以生成第三输出数据。4.根据权利要求2所述的方法，其中，在所述第二卷积块中对输入信息进行以下处理操作：将第三输出数据输入到第五卷积层以生成第四输出数据，其中所述第五卷积层的步长为1、卷积核大小为1*1；将所述第四输出数据按通道维度划分为两部分，以生成第五输出数据和第六输出数据，其中所述第五输出数据和所述第六输出数据的通道数均为所述第四输出数据的通道数的二分之一；将所述第六输出数据输入到依次串联的第六卷积层、第七卷积层、第八卷积层以生成第七输出数据，其中所述第六卷积层的步...

【专利技术属性】
技术研发人员：陆鑫，
申请(专利权)人：安徽蔚来智驾科技有限公司，
类型：发明
国别省市：