【技术实现步骤摘要】
本申请涉及交通导航，尤其涉及一种云端上高精地图构建方法、装置、设备、介质及产品。
技术介绍
1、高精地图又被称为高清地图(high definition map，hd map)，高精地图拥有丰富的道路布局信息，通常用于自动驾驶辅助的地图。传统的离线高清地图需要大量的手工标注和定期更新标签样本，导致了昂贵的标签成本，因此在线高精地图构建方法就显得十分重要，尤其是道路交通标志和标线的识别过程。
2、现有技术中，如果将图像信息进行离线存储，而不是在线处理，则需要在云端上进一步做视觉分析处理；具体的，可以将相机采集到的大量的照片数据，批量存储在云平台的存储设备中，进一步的，利用经过大量特别训练过的模型，分别对照片数据中不同的交通目标进行视觉分割和视觉识别处理；得到处理后的结果，并存储到结构化的数据库中，以构建高精地图。
3、但是，不同交通目标的分割和分类任务，均需要专门训练对应的模型进行部署，导致高精地图在云端上设计复杂，维护困难，以及高昂冗余的部署成本。
技术实现思路
1、本申请提供一种云端上高精地图构建方法、装置、设备、介质及产品，用于解决现有不同交通目标的分割和分类任务，均需要专门训练对应的模型进行部署，导致高精地图在云端上设计复杂，维护困难，以及高昂冗余的部署成本的问题。
2、第一方面，本申请提供一种云端上高精地图构建方法，所述方法包括：
3、针对每一特定区域，获取所述特定区域对应的预设数量的街景图片，将所述街景图片输入提前训练好的交
4、将所述街景图片输入提前训练好的交通标线分割模型中，得到所述街景图片中的至少一个交通标线和所述至少一个交通标线的类型；所述交通标线的类型用于对道路上的交通进行管制和引导；所述提前训练好的交通标线分割模型为复用预训练模型对应的编码器结构和参数进行训练得到的；
5、基于所述街景图片的存储顺序以及所述交通标志的类型、所述交通标线的类型将所述至少一个交通标志和所述至少一个交通标线进行整合和关联，得到高精地图。
6、可选的，所述预训练模型的训练过程包括：
7、获取第一训练数据集；所述第一训练数据集包括街景图片；
8、针对每一街景图片，将所述街景图片按照预定义大小进行重塑，得到第一图片，将所述第一图片按照预定义步长切分成a个第一图像块；a为大于1的正整数；
9、利用随机算法对所述a个第一图像块中的a-m个第一图像块进行遮挡，并将遮挡后的a个第一图像块逐一进行展平处理，得到a个一维向量；m为大于1且小于a的正整数；
10、为所述a个一维向量添加位置编码，得到a个初始向量，并将所述a个初始向量和所述街景图片输入预训练模型中进行训练，得到训练好的预训练模型；所述位置编码为基于所述街景图片提前定义的编码向量。
11、可选的，将所述a个初始向量和所述街景图片输入预训练模型中进行训练，得到训练好的预训练模型，包括：
12、将m个初始向量输入编码器中，得到第一特征图向量；所述编码器包括第一多头注意力机制模块、第一多层感知机模块和第一层归一化模块；所述第一多头注意力机制模块用于对所述m个初始向量进行融合处理；所述第一多层感知机模块用于对所述m个初始向量进行分类和映射处理；所述第一层归一化模块用于对所述m个初始向量进行标准化处理；所述m个初始向量为所述a个第一图像块中的未被遮挡的第一图像块对应的初始向量；
13、将所述第一特征图向量与a-m个初始向量进行组合，得到第二特征图向量，并将所述第二特征图向量输入解码器中，得到输出向量；所述解码器包括第二多头注意力机制模块、第二多层感知机模块和第二层归一化模块；所述第二多头注意力机制模块用于对所述第二特征图向量进行融合处理；所述第二多层感知机模块用于对所述第二特征图向量进行分类和映射处理；所述第二层归一化模块用于对所述第二特征图向量进行标准化处理；
14、将所述输出向量进行重塑处理，得到二维图像块，并按照所述街景图片的初始顺序将二维图像块组合成比对图像；
15、利用第一预定义算法计算所述比对图像和所述街景图片的第一差异值，并基于所述第一差异值更新预训练模型的参数，直至所述预训练模型的损失函数值满足第一预设条件，得到训练好的预训练模型。
16、可选的，所述交通标志识别模型的训练过程包括：
17、获取第二训练数据集；所述第二训练数据集包括多个第二样本；所述第二样本包括交通标志图片、所述交通标志图片对应的交通标志以及所述交通标志的类型；
18、针对每一交通标志图片，将所述交通标志图片按照预定义大小进行重塑，得到第二图片，将所述第二图片按照预定义步长切分成a个第二图像块；a为大于1的正整数；
19、将所述a个第二图像块逐一进行展平处理，得到a个第一向量，并为所述a个第一向量添加位置编码，得到a个第二向量；所述位置编码为基于所述交通标志图片提前定义的编码向量；
20、将所述a个第二向量输入到训练好的预训练模型的编码器中，得到第三特征图向量，并基于所述交通标志的类型对所述第三特征图向量进行编码操作；
21、将经过编码操作的所述第三特征图向量输入到训练好的预训练模型的解码器中，得到第一输出结果，并基于所述第一输出结果和所述交通标志进行模型参数优化，得到训练好的交通标志识别模型。
22、可选的，基于所述第一输出结果和所述交通标志进行模型参数优化，得到训练好的交通标志识别模型，包括：
23、将所述第一输出结果进行特征拆分，得到第一特征矩阵和第二特征矩阵，并利用矩阵乘法计算所述第一特征矩阵和所述第二特征矩阵的结果，得到第二输出结果；
24、基于所述第二输出结果，利用加权平均算法，计算平均向量，并利用激活函数对所述平均向量进行归一化处理，得到第三输出结果；
25、利用第二预定义算法计算所述第三输出结果和所述交通标志的第二差异值，并基于所述第二差异值更新交通标志识别模型的参数，直至所述交通标志识别模型的损失函数值满足第二预设条件，得到训练好的交通标志识别模型。
26、可选的，所述交通标线分割模型的训练过程包括：
27、获取第三训练数据集；所述第三训练数据集包括多个第三样本；所述第三样本包括街景图片、所述街景图片对应的交通标线以及所述交通标线的类型；
28、针对每一街景图片，将所述街景图片按照预定义大小进行重塑，得到第三图片，将所述第三图片按照预定义步长切分成a个第三图像块；a为大于1的正整数；
29、将所述a个第三图像块逐一进行展平处理，得到a个第三向量，并为本文档来自技高网...
【技术保护点】
1.一种云端上高精地图构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预训练模型的训练过程包括：
3.根据权利要求1所述的方法，其特征在于，所述交通标志识别模型的训练过程包括：
4.根据权利要求3所述的方法，其特征在于，基于所述第一输出结果和所述交通标志进行模型参数优化，得到训练好的交通标志识别模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述交通标线分割模型的训练过程包括：
6.根据权利要求5所述的方法，其特征在于，基于所述第四输出结果和所述交通标线进行模型参数优化，得到训练好的交通标线分割模型，包括：
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
8.一种云端上高精地图构建装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
10.一种计算机可读存储介质/计算机程序产品，其特征在于，所述计算机可读存储介质存储有计算机执行指令，所述计算机执行指
...【技术特征摘要】
1.一种云端上高精地图构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预训练模型的训练过程包括：
3.根据权利要求1所述的方法，其特征在于，所述交通标志识别模型的训练过程包括：
4.根据权利要求3所述的方法，其特征在于，基于所述第一输出结果和所述交通标志进行模型参数优化，得到训练好的交通标志识别模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述交通标线分割模型的训练过程包括：
6.根据权利要求5所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：范淼，姚毅，宋向勃，李翔，
申请(专利权)人：北京四维图新科技股份有限公司，
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。