【技术实现步骤摘要】
一种针对路侧感知模型进行训练的方法、装置及设备
[0001]本说明书涉及深度学习
，尤其涉及一种针对路侧感知模型进行训练的方法、装置及设备。
技术介绍
[0002]在路侧感知场景中，交通参与者的类别、位置、速度等信息依赖于路侧感知系统中的路侧感知模型进行感知，路侧感知模型的训练又依赖于标注的数据量，标注的数据量越大，深度学习模型的拟合能力越强，拟合能力越强对交通参与者的感知越准确。数据标注量的大小，能够决定路侧感知模型在实际应用中的感知性能。
[0003]路侧感知模型在路侧应用中，随着路侧场景的变化，例如：路侧感知设备安装高度变化、路侧感知设备太阳入射角变化、雨天雾天等环境因素变化，在不同的路侧感知场景中输入模型的数据与训练时的标注数据分布存在差异，这种差异会导致模型无法准确地计算出交通参与者的相关信息。
[0004]目前数据标注主要通过人工标注与离线自动标注的方式完成。人工标注是根据标注人的经验，对视频图像中的交通参与者进行标注。但是，人工标注数据耗时长，需要大量的人力资源投入，且数据标注质量受个人主...
【技术保护点】
【技术特征摘要】
1.一种针对路侧感知模型进行训练的方法，其特征在于，所述方法包括：获取第一路侧感知模型；所述第一路侧感知模型是利用第一训练样本对深度学习模型进行训练得到的；所述第一训练样本是根据路侧感知设备针对交通参与者采集到的图像数据生成的已被标注的样本；利用所述第一路侧感知模型对第二训练样本进行处理，得到针对交通参与者的预测结果；所述第二训练样本是根据路侧感知设备针对交通参与者采集到的图像数据生成的未被标注的样本；根据所述预测结果，生成所述第二训练样本的标注数据；利用携带有所述标注数据的所述第二训练样本对所述第一路侧感知模型进行训练，得到第二路侧感知模型；根据所述第一路侧感知模型的模型评价指标以及所述第二路侧感知模型的模型评价指标，从所述第一路侧感知模型与所述第二路侧感知模型中，确定目标路侧感知模型。2.根据权利要求1所述的方法，其特征在于，所述获取第一路侧感知模型之前，还包括：获取路侧感知设备针对交通参与者采集到的图像数据；获取目标用户针对所述图像数据的标注操作；响应于所述标注操作，生成所述第一训练样本；利用所述第一训练样本对深度学习模型进行训练，得到所述第一路侧感知模型。3.根据权利要求2所述的方法，其特征在于，所述获取路侧感知设备针对交通参与者采集到的图像数据，具体包括：获取路侧感知设备在预设路段上针对交通参与者采集到的图像数据；所述从所述第一路侧感知模型与所述第二路侧感知模型中，确定目标路侧感知模型，具体包括：从所述第一路侧感知模型与所述第二路侧感知模型中，确定出应用于所述预设路段上的目标路侧感知模型。4.根据权利要求1所述的方法，其特征在于，所述利用所述第一路侧感知模型对第二训练样本进行处理，得到针对交通参与者的预测结果，具体包括：将所述第二训练样本输入所述第一路侧感知模型，得到所述第一路侧感知模型输出的用于反映所述第二训练样本中的交通参与者的类别、尺寸、位置或者行驶速度的预测结果。5.根据权利要求1所述的方法，其特征在于，所述根据所述预测结果，生成所述第二训练样本的标注数据，具体包括：对所述预测结果进行数据滤波处理，得到初筛数据；对所述初筛数据进行多传感器数据融合处理，得到所述第二训练样本的标注数据。6.根据权利要求1所述的方法，其特征在于，所述利用携带有所述标注数据的所述第二训练样本对所述第一路侧感知模型进行训练，得到第二路侧感知模型，具体包括：利用携带有所述标注数据的所述第二训练样本，采用随机梯度下降求解损失函数全局极值的方式对所述第一路侧感知模型进行训练，得到所述第二路侧感知模型。7.根据权利要求1所述的方法，其特征在于，所述根据所述第一路侧感知模型的模型评价指标以及所述第二路侧感知模型的模型评价指标，从所述第一路侧感知模型与所述第二路侧感知模型中，确定目标路侧感知模型，具体包括：
确定所述第一路侧感知模型以及所述第二路侧感知模型的各个...
【专利技术属性】
技术研发人员：刘鹏，
申请(专利权)人：云控智行科技有限公司，
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。