【技术实现步骤摘要】
一种基于集成不确定性的道路场景异常检测方法
[0001]本专利技术涉及计算机视觉图像分割
，具体是一种基于集成不确定性的道路场景下异常检测方法。
技术介绍
[0002]近年来，计算机视觉领域随着深度学习技术的不断发展，在日常生活生产的各个领域中发挥了巨大的作用，其中自动驾驶领域依托于各种视觉感知算法的更新，在落地应用上产生了巨大的进步。而为了保证自动驾驶系统的安全性和鲁棒性，如何让视觉感知模块能够在行驶过程中准确的识别路面上可能出现的各种异常物体，已经成为了热门的研究课题，吸引了广泛的关注。针对在自动驾驶中非常重要的道路场景异常检测任务提出了一个极为简洁的方法。在没有关于外形和尺寸的先验知识的设定下，异常检测被定义为OoD检测任务。认知不确定性表现为当一个模型使用有限的训练数据训练后，它将会难以在和训练数据分布差异很大的测试数据上产生可靠的预测。
[0003]由于其在自动驾驶应用中的潜力，道路场景下的异常检测任务最近引起了越来越多的研究兴趣。通常，它可以通过使用基于重建的方法的经典异常检测框架来处理。这些方法将...
【技术保护点】
【技术特征摘要】
1.一种基于集成不确定性的道路异常检测方法，其特征在于包括以下步骤：1)准备数据，包括多种道路模式特征的真实场景数据，用于方法的训练和测试；2)准备多种基本模型，基本模型指语义分割模型，所有模型应在结构、规模、信息聚合方式上具有差异性；并在城市街景数据集上经过充分训练；3)使用基本模型构建道路异常检测模型；4)训练模型，对数据集的训练集数据使用数据增强技术生成伪异常，将数据输入到构建的道路异常检测模型中，通过损失函数训练模型，得到训练完成的模型；5)测试模型，将数据集的测试集数据输入到训练完成的模型中，测试模型的整体效果。2.根据权利要求1所述的基于集成不确定性的道路异常检测方法，其特征在于，所述步骤1)具体实现如下：准备Cityscapes数据集、LostAndFound数据集、RoadAnomaly数据集和RoadObstacle数据集，这四个数据集用于基本模型的预训练、道路异常检测模型的训练与测试；其中Cityscapes数据集包含从50个不同城市的街景中拍摄的各种视频片段，共包含20000帧弱标注的数据和5000帧高质量的标注数据；LostAndFound数据集关注于检测道路上由丢失货物引起的意外小障碍物的问题；数据使用ZED被动双目采集，共有2104帧标注的数据；RoadAnomaly数据集包括了在驾驶过程中遇到的道路上不寻常的异常物体，共包括100张测试图片；RoadObstacle数据集的图像来自于行驶过程中的车载摄像头，共包含327张包含像素级别标注的测试图像。3.根据权利要求1所述的基于集成不确定性的道路异常检测方法，其特征在于，所述步骤2)选择多种语义分割模型作为基本模型使用，包括以下步骤：21)根据模型的网络结构、参数规模、信息聚合方式这些属性挑选具有差异性的多个基本模型，基本模型可从现有的开源语义分割模型中挑选；其中结构差异指神经网络各组成模块内部构造的差异及模块间连接方式的差异性，规模差异性指神经网络的参数量规模，信息聚合方式的差异性指基于卷积架构和基于transformer架构的神经网络；22)使用相同的训练策略在Cityscapes数据集上充分训练这些语义分割模型；23)统计模型的相关信息，包括网络的参数量、语义分割性能、输入图像下采样率，统计完成后作为基本模型加入模型池。4.根据权利要求1所述的基于集成不确定性的道路异常检测方法，其特征在于，所述步骤3)使用基本模型构建道路异常检测模型，包括以下步骤：31)使用多个基本模型构成模型差异性模块；选取模型池中的多个语义分割模型，这些模型的输出包括语义分割结果和输入图像经过模型Encoder后所输出的中间特征图；32)使用多个连续的卷积模块构建信息集成模块；信息集成模块的最小组成部分包括卷积核大小为3x3的卷积层、BatchNorm层、以及激活函数层，输入数据的空间尺寸随着卷积核池化操作将会逐渐减小，卷积模块使用线性连接的方式。5.根据权利要求1所述的基于集成不确定性的道路异常检测方法，其特征在于，所述步骤4)使用基本模型构建道路异常检测模型，包括以下步骤：41)输入数据通过数据增强方法构造伪异常(伪异常指通过数据增强方法在原始图像随机位置上人为生成的异...
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。