一种基于梯度协方差特征分解的自动驾驶多任务感知方法和系统技术方案

本发明专利技术公开了一种基于梯度协方差特征分解的自动驾驶多任务感知方法，包括：采集驾驶环境图像数据，搭建多任务检测模型，并输入驾驶环境图像数据；所述多任务检测模型包括主干特征提取网络、特征选择模块和多任务检测分支；针对各任务建立对应的损失函数，获取各任务检测模型的损失函数；基于各任务检测模型损失函数更新各任务检测分支参数；基于协方差矩阵特征分解的多任务梯度融合更新算法更新主干特征提取网络的参数；对多任务检测模型进行训练，使用训练好的多任务检测模型进行检测识别，并行输出交通目标检测、可行驶区域检测和车道线检测结果；本发明专利技术有效提高了自动驾驶车辆感知外界环境的效率和精度。

【技术实现步骤摘要】

本专利技术涉及一种自动驾驶多任务感知方法和系统，尤其涉及一种基于梯度协方差特征分解的自动驾驶多任务感知方法和系统。

技术介绍

1、自动驾驶车辆的感知能力是其精准理解周围环境、为下游路径规划与控制提供坚实数据支撑的关键。其中，交通目标检测、可行驶区域检测和车道线检测是感知的三个重要任务。由于车端算力资源有限，同时部署多个复杂模型可能导致域控制器过载，多任务检测模型逐渐成为自动驾驶感知算法的未来发展趋势。现有的自动驾驶多任务检测模型大多从结构方面进行优化设计，通过不断堆叠复杂模块来提高精度，却造成实际部署时模型检测速度低下。此外，传统训练策略在反向传播更新参数时，仅仅将多个任务的损失进行简单相加，忽视了不同任务之间的梯度下降方向可能存在冲突或幅度上的巨大差异，导致模型在训练过程中无法向全局最优方向进行优化。因此，研究高效的多任务模型训练方法，确保各任务在有限参数下得到充分训练，以提升检测效率与性能，是一个极具研究价值的问题。

技术实现思路

1、专利技术目的：本专利技术的目的是提供一种能够提升检测效率与性能的基于梯本文档来自技高网...

【技术保护点】

1.一种基于梯度协方差特征分解的自动驾驶多任务感知方法，其特征在于，包括：

2.根据权利要求1所述的基于梯度协方差特征分解的自动驾驶多任务感知方法，其特征在于，所述主干特征提取网络具体选取Elannet，用于提取图像的特征。

3.根据权利要求1所述的基于梯度协方差特征分解的自动驾驶多任务感知方法，其特征在于，所述特征选择模块，通过对输入特征图进行卷积和池化，经过Sigmoid函数将特征归一化到0到1之间，根据下游任务需求，选择Top-K个通道生成通道掩码，输出经过筛选的特征图。

4.根据权利要求1所述的基于梯度协方差特征分解的自动驾驶多任务感知方法，其...

【技术特征摘要】

1.一种基于梯度协方差特征分解的自动驾驶多任务感知方法，其特征在于，包括：

2.根据权利要求1所述的基于梯度协方差特征分解的自动驾驶多任务感知方法，其特征在于，所述主干特征提取网络具体选取elannet，用于提取图像的特征。

3.根据权利要求1所述的基于梯度协方差特征分解的自动驾驶多任务感知方法，其特征在于，所述特征选择模块，通过对输入特征图进行卷积和池化，经过sigmoid函数将特征归一化到0到1之间，根据下游任务需求，选择top-k个通道生成通道掩码，输出经过筛选的特征图。

4.根据权利要求1所述的基于梯度协方差特征分解的自动驾驶多任务感知方法，其特征在于，所述构建多任务检测分支，包括：

5.根据权利要求1所述的基于梯度协方差特征分解的自...

【专利技术属性】
技术研发人员：彭剑坤，吴迪，王少洁，丁璠，李深，于双志，马春野，
申请(专利权)人：东南大学，
类型：发明
国别省市：