[發明專利]車道線分割模型的訓練方法、裝置、設備及存儲介質

在審

• 申請號: 202210183501.2
• 申請日: 2022-02-25
• 公開（公告）號: CN114445684A
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 朱海民;張青峰;盧仁建;葉秀敏
• 申請（專利權）人: 福思（杭州）智能科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V20/58;G06K9/62
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 鄭華潔

本發明公開一種車道線分割模型的訓練方法、裝置、設備及存儲介質，涉及機器學習領域，解決了車道線位置檢測時計算資源消耗較多的問題。該車道線分割模型的訓練方法包括：獲取車道線的訓練圖片；將訓練圖片分別輸入第一模型和第二模型進行特征提取，得到第一特征數據和第二特征數據，第一模型的模型層數大于第二模型；根據第一特征數據和第二特征數據得到模仿損失函數；根據訓練圖片的標簽數據和第二特征數據得到分類損失函數；根據模仿損失函數和分類損失函數，對第二模型進行訓練。

技術領域

本發明涉及機器學習領域，尤其涉及一種車道線分割模型的訓練方法、裝置、設備及存儲介質。

背景技術

隨著科技的發展，自動駕駛技術已經逐漸走進人們的日常生活，潛移默化的改變著人們的出行方式。而自動駕駛技術中的車道線位置檢測的精確性會影響路徑規劃的精確性。

現有技術中，為降低車道線位置檢測時的資源消耗，通常采用輕量級的檢測模型來進行車道線的位置檢測，但這種輕量級的檢測模型通常學習能力有限，無法很好的解決車道線檢測中正負樣本分布嚴重不平衡的問題，存在檢測精度較低的問題。

發明內容

本申請提供一種車道線分割模型的訓練方法、裝置、設備及存儲介質，能夠提高輕量級的車道線位置檢測模型的檢測精度。

本申請實施例第一方面，提供一種車道線分割模型的訓練方法，該方法包括：獲取車道線的訓練圖片；將訓練圖片分別輸入第一模型和第二模型進行特征提取，得到第一特征數據和第二特征數據，第一模型的模型層數大于第二模型；根據第一特征數據和第二特征數據得到模仿損失函數；根據車道線的訓練圖片標簽數據和第二特征數據得到分類損失函數；根據模仿損失函數和分類損失函數，對第二模型進行訓練。

在一個實施例中，根據第一特征數據和第二特征數據得到模仿損失函數，包括：

分別對第一特征數據和第二特征數據進行特征融合處理，得到第一融合數據和第二融合數據；

根據第一融合數據和第二融合數據得到模仿損失函數。

在一個實施例中，根據第一融合數據和第二融合數據得到模仿損失函數，包括：

將第一融合數據和第二融合數據進行差運算，得到特征差；

將第一融合數據和第二融合數據分別輸入至預設的分類網絡，得到第一目標數據和第二目標數據；

根據特征差、第一目標數據和第二目標數據得到模仿損失函數。

在一個實施例中，根據特征差、第一目標數據和第二目標數據得到模仿損失函數，包括：

分別對第一目標數據和第二目標數據進行最大值運算，得到第一掩模和第二掩模；

根據特征差、第一掩模和第二掩模得到模仿損失函數。

在一個實施例中，根據特征差、第一掩模和第二掩模得到模仿損失函數，包括：

對第一掩模和第二掩模進行或運算，得到模仿掩模；

根據特征差和模仿掩模得到模仿損失函數。

在一個實施例中，根據車道線的訓練圖片標簽數據和第二特征數據得到分類損失函數，包括：對第二特征數據進行特征融合處理，得到第二融合數據；將第二融合數據分別輸入至預設的分類模型，得到模型分類結果；獲取車道線訓練圖片的標簽數據；根據模型分類結果和標簽數據得到分類損失函數。

在一個實施例中，第二模型包括全卷積適應層，方法還包括：

利用包括全卷積適應層的第二模型，對訓練圖片進行特征提取。

本申請實施例第二方面，提供了一種車道線分割模型的訓練裝置，其特征在于，裝置包括：