【技术实现步骤摘要】
自动驾驶感知模型的生成方法、装置及电子设备
[0001]本公开涉及计算机
，尤其涉及自动驾驶、深度学习等人工智能
，具体涉及一种自动驾驶感知模型的生成方法、装置及电子设备。
技术介绍
[0002]随着人工智能技术地不断发展和完善，其已经在与人类日常生活相关的各个领域扮演着极其重要的作用，例如，人工智能已经在自动驾驶领域取得了显著的进步。
[0003]目前，用于自动驾驶感知的模型由于要满足车端部署，往往非常轻量，其对应的模型性能有较大的提升空间。因此，如何提升部署在车端的模型的性能成为重点的研究方向。
技术实现思路
[0004]本公开提供了一种自动驾驶感知模型的生成方法、装置及电子设备。
[0005]根据本公开的第一方面，提供了一种自动驾驶感知模型的生成方法，包括：
[0006]获取样本训练数据集，其中，所述样本训练数据集中包含车道图像及所述车道图像在待训练任务类型下对应的第一标签；
[0007]将所述车道图像分别输入教师感知模型及初始自动驾驶感知模型中，以获取所述教师感知模型输出的第一预测结果及所述初始自动驾驶感知模型输出的第二预测结果；
[0008]将所述第一预测结果及所述第一标签进行融合，以获取所述车道图像对应的第二标签；
[0009]根据所述第二标签与所述第二预测结果之间的差异，对所述初始自动驾驶感知模型进行修正，以获取目标自动驾驶感知模型。
[0010]根据本公开的第二方面，提供了一种自动驾驶感知模型的生成装置，包括：>[0011]第一获取模块，用于获取样本训练数据集，其中，所述样本训练数据集中包含车道图像及所述车道图像在待训练任务类型下对应的第一标签；
[0012]第二获取模块，用于将所述车道图像分别输入教师感知模型及初始自动驾驶感知模型中，以获取所述教师感知模型输出的第一预测结果及所述初始自动驾驶感知模型输出的第二预测结果；
[0013]第三获取模块，用于将所述第一预测结果及所述第一标签进行融合，以获取所述车道图像对应的第二标签；
[0014]第四获取模块，用于根据所述第二标签与所述第二预测结果之间的差异，对所述初始自动驾驶感知模型进行修正，以获取目标自动驾驶感知模型。
[0015]根据本公开的第三方面，提供了一种电子设备，包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的自动驾驶感知模型的
生成方法。
[0019]根据本公开第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的自动驾驶感知模型的生成方法。
[0020]根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现如第一方面所述的自动驾驶感知模型的生成方法的步骤。
[0021]本公开提供的自动驾驶感知模型的生成方法、装置及电子设备，存在如下有益效果：
[0022]本公开实施例中，先获取样本训练数据集，其中，样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签，之后将车道图像分别输入教师感知模型及初始自动驾驶感知模型中，以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果，并将第一预测结果及第一标签进行融合，以获取车道图像对应的第二标签，最后根据第二标签与第二预测结果之间的差异，对初始自动驾驶感知模型进行修正，以获取目标自动驾驶感知模型。由此，通过将第一标签与教师感知模型输出的第一预测结果进行融合，以获取用于初始自动驾驶感知模型训练的第二标签，从而使初始自动驾驶感知模型通过第二标签学习教师感知模型学习到的知识，从而不仅可以获取轻量级的目标自动驾驶感知模型，还可以提高生成的目标自动驾驶感知模型的性能。
[0023]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0024]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0025]图1是根据本公开一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图；
[0026]图2是根据本公开又一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图；
[0027]图3是根据本公开又一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图；
[0028]图4是根据本公开一实施例提供的一种自动驾驶感知模型的生成装置的结构示意图；
[0029]图5是用来实现本公开实施例的自动驾驶感知模型的生成方法的电子设备的框图。
具体实施方式
[0030]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0031]本公开实施例涉及计算机视觉、深度学习等人工智能
[0032]人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
[0033]深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
[0034]自动驾驶一般指自动驾驶系统。自动驾驶系统采用先进的通信、计算机、网络和控制技术，对列车实现实时、连续控制。自动驾驶系统相关的关键技术，包括环境感知、逻辑推理和决策、运动控制、处理器性能等。
[0035]下面参考附图描述本公开实施例的自动驾驶感知模型的生成方法、装置及电子设备。
[0036]其中，需要说明的是，本实施例的自动驾驶感知模型的生成方法的执行主体为自动驾驶感知模型的生成装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
[0037]图1是根据本公开一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图。
[0038]如图1所示，该自动驾驶感知模型的生成方法包括：
[0039]S101：获取样本训练数据集，其中，样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签。
[0040]其中，样本训练数据集中可以包含大量的车道图像，及每个待训练任务类型下每个车道图像对应的第一标签。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种自动驾驶感知模型的生成方法，包括：获取样本训练数据集，其中，所述样本训练数据集中包含车道图像及所述车道图像在待训练任务类型下对应的第一标签；将所述车道图像分别输入教师感知模型及初始自动驾驶感知模型中，以获取所述教师感知模型输出的第一预测结果及所述初始自动驾驶感知模型输出的第二预测结果；将所述第一预测结果及所述第一标签进行融合，以获取所述车道图像对应的第二标签；根据所述第二标签与所述第二预测结果之间的差异，对所述初始自动驾驶感知模型进行修正，以获取目标自动驾驶感知模型。2.根据权利要求1所述的方法，其中，所述将所述第一预测结果及所述第一标签进行融合，以获取第二标签，包括：根据所述车道图像中每个像素点的第一预测结果与所述第一标签之间的差异，确定所述车道图像中每个像素点的第一预测结果对应的第一权重因子；根据所述待训练任务类型，确定所述车道图像中每个像素点对应的第二权重因子；获取所述车道图像中每个像素点的第一预测结果对应的第一初始权重，及第一标签对应的第二初始权重；将所述车道图像中每个像素点的第一预测结果对应的所述第一初始权重、所述第一权重因子及所述第二权重因子的乘积，确定为所述车道图像中每个像素点的第一预测结果对应的目标权重；基于所述车道图像中每个像素点的第一标签对应的所述第二初始权重及第一预测结果对应的所述目标权重，将所述车道图像中每个像素点的所述第一预测结果及所述第一标签进行融合，以获取所述车道图像中每个像素点对应的第二标签；基于所述车道图像中每个像素点对应的第二标签，生成所述车道图像对应的所述第二标签。3.根据权利要求2所述的方法，其中，所述根据所述车道图像中每个像素点的第一预测结果与所述第一标签之间的差异，确定所述车道图像中每个像素点的第一预测结果对应的第一权重因子，包括：根据所述车道图像中每个像素点的第一预测结果与第一标签之间的差异，确定所述车道图像中每个像素点的第一预测结果对应的目标损失值；根据损失值与权重因子之间的映射关系、及所述车道图像中每个像素点的第一预测结果对应的所述目标损失值，确定所述车道图像中每个像素点的第一预测结果对应的所述第一权重因子。4.根据权利要求2所述的方法，其中，所述根据所述待训练任务类型，确定所述车道图像中每个像素点对应的第二权重因子，包括：基于所述第一标签，确定所述车道图像中包含的正样本及负样本；基于所述待训练任务类型，查询权重因子映射表，以获取所述待训练任务类型的正样本对应的第一数值、负样本对应的第二数值，其中，第一数值大于第二数值；确定所述车道图像的正样本中每个像素点对应的第二权重因子为所述第一数值、所述车道图像的负样本中每个像素点对应的第二权重因子为所述第二数值。
5.根据权利要求4所述的方法，其中，还包括：确定所述车道图像中正样本对应的像素点数量与所述车道图像中的全部像素点数量之间的比值；根据所述比值，确定所述车道图像中每个像素点对应的第三权重因子；根据所述车道图像中每个像素点对应的所述第一权重因子、所述第二权重因子、所述第三权重因子及所述第一初始权重的乘积，对所述车道图像中每个像素点的第一预测结果对应的所述目标权重进行更新。6.根据权利要求5所述的方法，其中，所述根据所述比值，确定所述车道图像中每个像素点对应的第三权重因子，包括：在所述比值小于第一阈值、且大于第二阈值的情况下，确定所述车道图像的正样本中每个像素点对应的第三权重因子为第三数值，所述车道图像的负样本中每个像素点对应的第三权重因子为第四数值，其中，所述第三数值大于所述第四数值；或者，在所述比值小于或等于所述第二阈值的情况下，确定所述车道图像的正样本中每个像素点对应的第三权重因子为第五数值，所述车道图像的负样本中每个像素点对应的第三权重因子为0，其中，所述第五数值大于所述第三数值。7.一种自动驾驶感知模型的生成装置，包括：第一获取模块，用于获取样本训练数据集，其中，所述样本训练数据集中包含车道图像及所述车道图像在待训练任务类型下对应的第一标签；第二获取模块，用于将所述车道图像分别输入教师感知模型及初始自动驾驶感知模型中，以获取所述教师感知模型输出的第一预测结果及...
【专利技术属性】
技术研发人员：朱宇祺，
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。