【技术实现步骤摘要】
一种数据处理方法和相关装置
[0001]本申请涉及自动驾驶
，特别是涉及一种数据处理方法和相关装置。
技术介绍
[0002]随着科学技术的发展，无人驾驶技术受到各个领域学者的广泛关注。搭载无人驾驶技术的车辆被称为自动驾驶车辆，自动驾驶车辆能通过感知周围环境，更新其地图资讯，让交通工具可以持续感知其位置。
[0003]相关技术中，自动驾驶车辆通过相机拍摄周围的环境，得到待检测图像，识别周围环境中物体在待检测图像中的深度，进而得到该物体与自动驾驶车辆之间的距离等信息。例如，当前车拍摄车辆前方的图像得到待检测图像，识别前车在待检测图像中的深度，进而得到当前车与前车之间的距离。
[0004]但是，相关技术中，对于待检测图片中物体深度识别的准确性不高。
技术实现思路
[0005]为了解决上述技术问题，本申请提供了一种数据处理方法和相关装置，用于提高待检测图片中物体深度识别的准确性。
[0006]本申请实施例公开了如下技术方案：
[0007]一方面，本申请实施例提供一种数据处理方法，
【技术保护点】
【技术特征摘要】
1.一种数据处理方法，其特征在于，所述方法包括：获取待检测图像；将所述待检测图像输入至包括I个编码器和I个解码器的神经网络模型中，通过所述神经网络模型的第I个解码器输出的语义信息确定所述待检测图像中每个像素点的深度；其中，每个编码器包括N个编码单元，每个解码器包括N个解码单元，第i个编码器的第n个编码单元的输入为第i
‑
1个编码器的第n个编码单元输出的语义特征、第i
‑
1个解码器的第n个解码单元输出的语义信息和第i个编码器的第n
‑
1个编码单元输出的语义特征，所述第i个编码器的第n个编码单元输出的语义特征输入至第i个编码器的第n+1个编码单元和第i个解码器的第n个解码单元，所述I和所述N为大于1的整数，所述i为小于或等于所述I的正整数，所述n为小于或等于所述N的正整数；根据所述待检测图像中每个像素点的深度确定所述待检测图像中包括物体的深度。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型还包括深度卷积层，所述通过所述神经网络模型的第I个解码器输出的语义信息确定所述待检测图像中每个像素点的深度，包括：通过所述神经网络模型的第I个解码器的第j个解码单元输出的语义信息输入至所述深度卷积层，通过所述深度卷积层确定所述待检测图像中每个像素点的深度；其中，所述第I个解码器的第j个解码单元的输入为所述第I个解码器的第j个解码单元输出的语义信息和所述第I个编码器的第j个编码单元输出的语义特征，第I个编码器的第j个编码单元输出的语义特征的分辨率与所述待检测图像的分辨率一致，所述j为小于或等于所述I的正整数。3.根据权利要求1所述的方法，其特征在于，所述神经网络模型还包括融合特征模块，所述融合特征模块包括拼接层、权重层、调整层和第一融合层，所述方法还包括：将第i
‑
1个编码器的第n个编码单元输出的语义特征、第i
‑
1个解码器的第n个解码单元输出的语义信息和第i个编码器的第n
‑
1个编码单元输出的语义特征输入至所述拼接层中，通过所述拼接层得到包括多个部分的拼接特征；将所述拼接特征输入至所述权重层中，确定每个部分对应的权重；通过所述调整层，将所述拼接特征中每个特征与对应的权重相乘，得到调整特征；将所述调整特征输入至所述第一融合层，得到第一融合特征，以便输入至所述第i个编码器的第n个编码单元。4.根据权利要求1所述的方法，其特征在于，所述神经网络还包括基础模块，所述方法还包括：将第i个编码器的第n个编码单元输出的语义特征，以及第i个解码器的第n+1个解码单元输出的语义信息输入至所述基础模块中，通过所述基础模块得到第二融合特征，以便输入至第i个解码器的第n个解码单元。5.根据权利要求4所述的方法，其特征在于，所述基础模块包括第二融合层、第一卷积层、第一批处理层、第三融合层和第一激活层，所述将第i个编码器的第n个编码单元输出的语义特征，以及第i个解码器的第n+1个解码单元输出的语义信息输入至所述基础模块中，通过所述基础模块得到第二融合特征，包括：将第i个编码器的第n个编码单元输出的语义特征，...
【专利技术属性】
技术研发人员：严欣，王君乐，
申请(专利权)人：腾讯科技深圳有限公司，
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。