路沿线的检测分类方法、检测分类模型训练方法技术

本公开涉及一种路沿线的检测分类方法、检测分类模型训练方法。所述方法包括：获取待识别图像数据；将所述待识别图像数据输入至预先训练得到的检测分类模型中，利用所述检测分类模型输出所述待识别图像数据中路沿线的检测结果和分类结果，其中，所述检测分类模型中检测任务和分类任务共享卷积层和卷积层的处理操作，且在最后一个卷积层通过通道划分检测任务的检测结果和分类任务的分类结果。采用本方法能够减少处理的时间，并且确定图像数据中所对应的路沿线的检测结果和分类结果。对应的路沿线的检测结果和分类结果。对应的路沿线的检测结果和分类结果。

【技术实现步骤摘要】
路沿线的检测分类方法、检测分类模型训练方法


[0001]本公开涉及自动驾驶
，特别是涉及一种路沿线的检测分类方法、检测分类模型训练方法。

技术介绍

[0002]随着智能汽车的发展，越来越多的智能汽车注重自动驾驶技术。而车道线中的路沿线识别作为自动驾驶中重要的任务之一，为车辆的控制和高清地图建图提供了重要的信息。而随着自动驾驶算法的不断迭代，路沿线的类型识别需求也越来越多。
[0003]目前针对路沿线识别的算法中，在车辆控制及建图更高的要求下，路沿线识别中需提供更丰富的细粒度类别信息，即需要确定各种路沿线所对应的分类结果。而如果需要确定各种路沿线所对应的分类结果，则通常情况下处理的时间将会增加，影响车端部署。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够减少处理的时间，并且确定图像数据中所对应的路沿线的检测结果和分类结果的路沿线的检测分类方法、检测分类模型训练方法。
[0005]第一方面，本公开提供了一种路沿线的检测分类方法。所述方法包括：
[0006]获取待识别图像数据；
[0007]将所述待识别图像数据输入至预先训练得到的检测分类模型中，利用所述检测分类模型输出所述待识别图像数据中路沿线的检测结果和分类结果，其中，所述检测分类模型中检测任务和分类任务共享卷积层和卷积层的处理操作，且在最后一个卷积层通过通道划分检测任务的检测结果和分类任务的分类结果。
[0008]在其中一个实施例中，所述检测分类模型是利用进行类别均衡后的至少两种类别的训练分类数据进行训练后得到的模型。
[0009]在其中一个实施例中，所述检测分类模型的训练过程进一步包括：
[0010]获取至少两种类别的训练分类数据；
[0011]对所述至少两种类别的训练分类数据进行类别均衡，得到每种类别的训练分类数据的训练数据量；所述类别均衡包括：根据每种所述训练分类数据的数据量确定每种所述训练分类数据的采样率，根据所述采样率获取每种所述训练分类数据的训练数据量，其中，所述每种所述训练分类数据的训练数据量之间的差值在第一预设范围内；
[0012]利用每种类别的训练分类数据的训练数据量进行模型训练，得到检测分类模型。
[0013]在其中一个实施例中，所述根据每种所述训练分类数据的数据量确定每种所述训练分类数据的采样率，包括：
[0014]响应于所述训练分类数据中第一训练分类数据的数据量小于等于预设的数据量阈值，提高所述第一训练分类数据的采样率；
[0015]响应于所述训练分类数据中第一训练分类数据的数据量大于预设的数据量阈值，
降低所述第一训练分类数据的采样率。
[0016]在其中一个实施例中，所述对所述至少两种类别的训练分类数据进行类别均衡，得到每种类别的训练分类数据的训练数据量之后，所述方法还包括：
[0017]将类别均衡后的每种所述训练分类数据对应的分类器经过相同次数的梯度更新。
[0018]在其中一个实施例中，所述获取至少两种类别的训练分类数据之后，所述方法还包括：
[0019]根据每类所述训练分类数据中的路沿线属性信息确定所述训练分类数据中异常训练分类数据；
[0020]在模型训练时，不进行计算所述异常训练分类数据的损失值。
[0021]在其中一个实施例中，所述根据每类所述训练分类数据中的路沿线属性信息确定所述训练分类数据中异常训练分类数据，包括：
[0022]响应于所述训练分类数据中路沿线的长度信息小于预设的长度阈值，确定所述训练分类数据为异常训练分类数据；
[0023]响应于所述训练分类数据中路沿线的坐标信息未处于预设的坐标范围内，确定所述训练分类数据为异常训练分类数据；
[0024]响应于所述训练分类数据中存在脏数据，确定所述脏数据为异常训练分类数据，所述脏数据包括：训练分类数据中对路沿线标注错误的数据、不属于路沿线分类类别中的数据以及无法识别出路沿线分类类别的数据。
[0025]第二方面，本公开还提供了一种检测分类模型训练方法，所述方法包括：
[0026]获取至少两种类别的训练分类数据；
[0027]对所述至少两种类别的训练分类数据进行类别均衡，得到每种类别的训练分类数据的训练数据量；所述类别均衡包括：根据每种所述训练分类数据的数据量确定每种所述训练分类数据的采样率，根据所述采样率获取每种所述训练分类数据的训练数据量，其中，所述每种所述训练分类数据的训练数据量之间的差值在第一预设范围内；
[0028]利用每种类别的训练分类数据的训练数据量进行模型训练，得到检测分类模型。
[0029]在其中一个实施例中，所述检测分类模型中检测任务和分类任务共享卷积层和卷积层的处理操作，且在最后一个卷积层，通过通道划分检测任务的检测结果和分类任务的分类结果。
[0030]第三方面，本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一方法实施例的步骤。
[0031]第四方面，本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例的步骤。
[0032]第五方面，本公开还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方法实施例的步骤。
[0033]上述各实施例中，利用检测分类模型对待识别图像数据进行处理，能够输出待识别图像数据中路沿线的检测结果和分类结果。而检测分类模块通常是一体化模型，并且检测任务和分类任务共享卷积层和卷积层的处理操作。相比于目前非一体化模型，本案能够
利用GPU的高并行性，利用共享卷积层和卷积层的处理操作，且不同数据之间的操作不会相互影响，能够减少处理的时间，并且确定各种路沿线所对应的检测结果和分类结果。
附图说明
[0034]为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为一个实施例中路沿线的检测分类方法的应用环境示意图；
[0036]图2为一个实施例中路沿线的检测分类方法的流程示意图；
[0037]图3为一个实施例中检测分类模型的训练过程的步骤的流程示意图；
[0038]图4为一个实施例中S304步骤的流程示意图；
[0039]图5为一个实施例中S302步骤之后的流程示意图；
[0040]图6为一个实施例中S502步骤的流程示意图；
[0041]图7为另一个实施例中路沿线的检测分类方法的流程示意图；
[0042]图8为一个实施例中路沿线的检测分类装置的结构框图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路沿线的检测分类方法，其特征在于，所述方法包括：获取待识别图像数据；将所述待识别图像数据输入至预先训练得到的检测分类模型中，利用所述检测分类模型输出所述待识别图像数据中路沿线的检测结果和分类结果，其中，所述检测分类模型中检测任务和分类任务共享卷积层和卷积层的处理操作，且在最后一个卷积层通过通道划分检测任务的检测结果和分类任务的分类结果。2.根据权利要求1所述的方法，其特征在于，所述检测分类模型是利用进行类别均衡后的至少两种类别的训练分类数据进行训练后得到的模型。3.根据权利要求2所述的方法，其特征在于，所述检测分类模型的训练过程进一步包括：获取至少两种类别的训练分类数据；对所述至少两种类别的训练分类数据进行类别均衡，得到每种类别的训练分类数据的训练数据量；所述类别均衡包括：根据每种所述训练分类数据的数据量确定每种所述训练分类数据的采样率，根据所述采样率获取每种所述训练分类数据的训练数据量，其中，所述每种所述训练分类数据的训练数据量之间的差值在第一预设范围内；利用每种类别的训练分类数据的训练数据量进行模型训练，得到检测分类模型。4.根据权利要求3所述的方法，其特征在于，所述根据每种所述训练分类数据的数据量确定每种所述训练分类数据的采样率，包括：响应于所述训练分类数据中第一训练分类数据的数据量小于等于预设的数据量阈值，提高所述第一训练分类数据的采样率；响应于所述训练分类数据中第一训练分类数据的数据量大于预设的数据量阈值，降低所述第一训练分类数据的采样率。5.根据权利要求3所述的方法，其特征在于，所述对所述...

【专利技术属性】
技术研发人员：陈进，
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：