【技术实现步骤摘要】
面向自动驾驶环境的语义分割自动化方法、系统及介质
[0001]本专利技术涉及图像语义分割
,具体涉及面向自动驾驶环境的语义分割自动化方法
、
系统及介质
。
技术介绍
[0002]目前自动驾驶避障主要依靠各种图像识别算法,而语义分割正是最重要的一种环境理解手段
。
它能够实现像素级别的图像分类,对于自动驾驶系统精确把握周围环境信息尤其重要
。
但是语义分割的训练繁琐且需要大量的人力投入,不适宜模型的快速迁移部署,因此亟需一种能够自动化训练语义分割模型的方法
。
[0003]近年来,自动化机器学习
(AutoML)
兴起
。AutoML
泛指在机器学习各阶段流程中有一个或多个阶段采取自动化而无需人工参与的实现方案
。AutoML
的目的是使人从这些机器学习应用程序中解放出来,摆脱上述繁琐的模型设计与优化等过程,实现真正意义上的机器学习
。AutoML
的完整流程由数据准备
、
特征工程
、
模型选择
、
参数优化与模型评估这些过程组成
。
对于上述五个过程,已经涌现出了不少的算法,甚至是全流程自动化的系统,它们在语音
、
视频
、
搜索等领域应用广泛,但是在自动驾驶领域,缺少特异化自动化机器学习方法
。
[0004]语义分割自动化学习已取得不少成果
。
...
【技术保护点】
【技术特征摘要】
1.
一种面向自动驾驶环境的语义分割自动化方法,其特征在于,包括以下步骤:步骤
S1
:获取车前可见光图像数据,对所述车前可见光图像数据进行数据清洗,得到车前可见光图像数据集,将所述车前可见光图像数据集划分为训练数据集和测试数据集;所述车前可见光图像数据包括:不同照明和天气条件下直线
、
弯道和岔道的轨道图像;步骤
S2
:将所述训练数据集输入到语义分割模型中进行训练,得到分割图像,对所述分割图像进行评分,得到数据评分;步骤
S3
:将所述分割图像的数据评分作为轨道状态输入到强化学习模型中进行训练,得到筛选后的分割图像;步骤
S4
:汇总所述筛选后的分割图像,检索到其原始数据,输入到所述语义分割模型进行二次训练,得到权重参数,将所述权重参数加载到所述语义分割模型中,针对待检测的图像,运行所述语义分割模型得到检测结果
。2.
如权利要求1所述的面向自动驾驶环境的语义分割自动化方法,其特征在于:步骤
S3
中,将所述分割图像的数据评分作为轨道状态输入到强化学习模型中进行训练的具体步骤为:步骤
S31
:定义动作空间
A
=<
a1,a2,...,a
N
>,
S
为状态空间,包含
N
维数据,其中1~
N
‑1维表示之前处理后的数据,第
N
维表示正在处理的候选数据,状态
s
t
∈S
表示智能体在
t
时刻的状态,初始化状态
s0、
经验回放池
D、
目标
Q
网络以及当前
Q
网络;步骤
S32
:智能体根据当前状态
s
t
,利用
ε
‑
Greedy
方法选择动作
a
t
执行,以1‑
ε
的概率根据当前
Q
网络输出的最大
Q
值选择动作同时以
ε
的概率从其他动作中随机选择一个动作
a
t
作为当前的动作,执行动作
a
t
后,获得奖励
r
t
,同时智能体转移到新状态
s
t+1
;步骤
S33
:智能体将交互经验
e
t
=
(s
t
,a
t
,r
t
,s
t+1
)
存放到经验回放池
D
t
=
{e1,...,e
t
}
中,同时从
D
t
中随机选择一批经验
{e1,...,e
j
}
,计算目标值
y
j
和损失函数
L(
θ
)
,并采用梯度下降法更新当前
Q
网络的参数
θ
;步骤
S34
:循环运行步骤
S32
‑
S33
直到达到设置的最大迭代次数或者网络收敛为止;其中,所述强化学习模型为
DQN
模型,
DQN
模型包括智能体与外界环境,智能体与外界环境的交互使用马尔科夫决策过程进行建模
。3.
如权利要求2所述的面向自动驾驶环境的语义分割自动化方法,其特征在于:步骤...
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。