【技术实现步骤摘要】
本专利技术涉及机器学习领域，特别是涉及一种基于transformer的深度学习模型。
技术介绍
1、随着目前智能交通技术的发展，和路侧监控相机的普及，智能感知成为了路侧最为广泛的应用。而在路侧智能感知方面，相机由于其低成本和易安装性，作为部署最为广泛的传感器，单目视觉任务是目前路侧感知的重点。对于目前的路侧感知应用，如车速估计，车辆定位等都离不开高精度的相机标定。传统的手动相机标定算法主要是通过直接线性变换或者是张正友标定法。目前的路侧相机标定算法大多都需要手动标定，无法适应相机角度发生改变的场景；另外，由于目前场景中相机部署数量不断增加，仅仅依靠手动标定无法适用于目前的智能交通场景。虽然目前也有一些基于场景消失点估计的自动相机标定算法，但这些方法都要求场景有清晰可见的道路标记，且对于场景可见度要求较高，在一些受光照影响严重的场景精度较低。也有一些不直接基于场景车道线标记的消失点估计的方法，而是基于车辆消失点检测的方法，这类方法直接检测车辆光流跟踪结果，和车辆边缘，分别作为第一个消失点和第二个消失点，然后通过前两个消失点计算得到第三个消...
【技术保护点】
1.一种基于Transformer线分割分类器的路侧相机自标定方法，包括以下步骤：
2.根据权利要求1所述的基于Transformer线分割分类器的路侧相机自标定方法，其特征在于，所述步骤B中，同时结合交通场景下的几何特征和语义特征。
3.根据权利要求1所述的基于Transformer线分割分类器的路侧相机自标定方法，其特征在于，所述步骤B中，场景特征通过几何特征和语义特征共同表示。
4.根据权利要求1所述的基于Transformer线分割分类器的路侧相机自标定方法，其特征在于，所述步骤B中，几何特征包括方向和位置。
5...
【技术特征摘要】
1.一种基于transformer线分割分类器的路侧相机自标定方法，包括以下步骤：
2.根据权利要求1所述的基于transformer线分割分类器的路侧相机自标定方法，其特征在于，所述步骤b中，同时结合交通场景下的几何特征和语义特征。
3.根据权利要求1所述的基于transformer线分割分类器的路侧相机自标定方法，其特征在于，所述步骤b中，场景特征通过几何特征和语义特征共同表示。
4.根据权利要求1所述的基于transformer线分割分类器的路侧相机自标定方法，其特征在于，所述步骤b中，几何特征包括方向和位置。
5.根据权利要求1所述的基于transformer线分割分类器的路侧相机自标定方法，其特征在于，所述步骤b中，语义特征通过卷积神经网络提取。
6.根据权利要求1所述的基于transformer线分割分类器的路侧相机自标定方法，其特征在于，所述步骤b中，线段通过线池化...
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。