样本图像的获取方法、装置、电子设备及车辆制造方法及图纸

本公开提出一种样本图像的获取方法、装置、电子设备及车辆，涉及自动驾驶技术领域。包括：获取初始车道线检测模型对验证图像的预测结果；若预测结果与验证图像的标注结果之间的差异大于差异阈值，确定验证图像中包含的车道线对应的第一属性信息及验证图像对应的目标场景；从未标注图像集中获取对应场景为目标场景的候选图像集；获取每张候选图像中包含的车道线对应的第二属性信息；将对应的第二属性信息与第一属性信息相同的候选图像，确定为样本图像。由此，可以基于车道线检测模型预测效果较差的验证图像、对应的第一属性信息及目标场景，准确、高效地从大量未标注图像中筛选出与验证图像相似的样本图像，用于对车道线检测模型进一步训练。型进一步训练。型进一步训练。

【技术实现步骤摘要】
样本图像的获取方法、装置、电子设备及车辆


[0001]本公开涉及自动驾驶
，尤其涉及一种样本图像的获取方法、装置、电子设备及车辆。

技术介绍

[0002]车道线检测是自动驾驶中必不可少的一个环节，目的是从车体传感器得到的数据中分析并完成对道路中的车道线的感知，从而为后续，例如，道路路线规划、车体定位、自动驾驶环节模拟显示等等应用提供必要信息。
[0003]一个鲁棒的车道线检测模型，通常有一套覆盖不同场景，多样的、标注精准的车道线数据集训练生成。但是，由于车辆在实际道路行驶时场景复杂，并且会受到多方因素的影响，例如天气、遮挡、道路脏污、车道线标识不清晰等因素。因此，需要采集并标注海量的、多样性高的、场景涵盖丰富的样本数据，以对车道线检测模型进行训练。如果靠纯人工的方式从海量的数据中选取用于对车道线检测模型进行训练的样本数据并进行标注，需要巨大的人力成本，且效率较低。

技术实现思路

[0004]本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]本公开第一方面实施例提出了一种样本图像的获取方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种样本图像的获取方法，其特征在于，包括：获取初始车道线检测模型对验证图像的预测结果；响应于所述预测结果与所述验证图像的标注结果之间的差异大于差异阈值，确定所述验证图像中包含的车道线对应的第一属性信息及所述验证图像对应的目标场景；对未标注图像集中的每张未标注图像进行场景识别，以从所述未标注图像集中获取对应场景为所述目标场景的候选图像集；对所述候选图像集中的每张候选图像进行车道线分类，以获取每张候选图像中包含的车道线对应的第二属性信息；将对应的第二属性信息与所述第一属性信息相同的候选图像，确定为样本图像。2.根据权利要求1所述的方法，其特征在于，所述对所述候选图像集中的每张候选图像进行车道线分类，以获取每张候选图像中包含的车道线对应的第二属性信息，包括：将所述候选图像输入车道线分类模型中的特征提取网络，以获取所述候选图像对应的第一特征图；将所述第一特征图分别输入所述车道线分类模型中每个车道线类别对应的分支网络，以获取每个分支网络输出的分类结果及不同车道线数量的概率；根据每个所述分支网络输出的分类结果及不同车道线数量的概率，确定所述候选图像中包含的车道线对应的第二属性信息。3.根据权利要求2所述的方法，其特征在于，所述将所述第一特征图分别输入所述车道线分类模型中每个车道线类别对应的分支网络，以获取每个分支网络输出的分类结果及不同车道线数量的概率，包括：将所述第一特征图输入所述分支网络中的卷积网络，以获取第二特征图；将所述第二特征图输入所述分支网络中的注意力网络，以获取注意力图；将所述第二特征图与所述注意力图相乘，以获取第三特征图；将第三特征图输入所述分支网络中的第一分类子网络，以获取所述分类结果；将第三特征图输入所述分支网络中的第二分类子网络，以获取所述不同车道线数量的概率。4.根据权利要求2所述的方法，其特征在于，所述根据每个所述分支网络输出的分类结果及不同车道线数量的概率，确定所述候选图像中包含的车道线对应的第二属性信息，包括：在任一分支网络输出的分类结果指示所述候选图像中包含所述任一分支网络对应的车道线的情况下，基于所述任一分支网络输...

【专利技术属性】
技术研发人员：柴亚捷，张亚森，闫泽杭，
申请(专利权)人：北京小米松果电子有限公司，
类型：发明
国别省市：