CN109657077A - 模型训练方法、车道线生成方法、设备及存储介质 - Google Patents
模型训练方法、车道线生成方法、设备及存储介质 Download PDFInfo
- Publication number
- CN109657077A CN109657077A CN201811291586.6A CN201811291586A CN109657077A CN 109657077 A CN109657077 A CN 109657077A CN 201811291586 A CN201811291586 A CN 201811291586A CN 109657077 A CN109657077 A CN 109657077A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- sample image
- lane line
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种模型训练方法、车道线生成方法、设备及存储介质。本发明实施例通过根据该样本图像库和该样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的该生成式对抗网络中的生成模型，将目标车道的图像信息作为该生成模型的输入，以使该生成模型在该图像信息中预测车道线，当该目标车道中的车道线残缺或模糊不清时，通过该生成模型可生成已残缺部分的车道线，从而使得该目标车道的结构化数据完整，以提高电子地图的精确度。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种模型训练方法、车道线生成方法、设备及存储介质。
背景技术
当前在生成电子地图时,需要采集行车道的图像信息，并根据该行车道的图像信息分析出行车道的结构化数据，根据该结构化数据生成该行车道的电子地图。
但是，在采集行车道的图像信息时，由于实际道路中有些车道线是残缺的、或者是模糊的，导致该图像信息中缺乏相应的车道线，从而导致最终生成的电子地图不够精准。
发明内容
本发明实施例提供一种模型训练方法、车道线生成方法、设备及存储介质，以提高电子地图的精确度。
第一方面，本发明实施例提供一种模型训练方法，包括：
获取样本图像库，所述样本图像库中的每个样本图像包括车道线；
确定所述每个样本图像对应的真值图像，所述真值图像包括所述车道线，所述车道线在所述真值图像中对应第一像素值，所述真值图像中除所述车道线之外的部分对应第二像素值；
根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的所述生成式对抗网络中的生成模型。
第二方面，本发明实施例提供一种车道线生成方法，包括：
将目标车道的图像信息作为生成式对抗网络中的生成模型的输入，以使所述生成模型输出所述图像信息对应的预测图像，所述图像信息对应的预测图像包括所述生成模型在所述图像信息中预测的车道线，所述预测的车道线用于生成所述目标车道的电子地图；
其中，所述生成式对抗网络中的生成模型是根据如第一方面所述的方法训练得到的。
第三方面，本发明实施例提供一种模型训练装置，包括：
获取模块，用于获取样本图像库，所述样本图像库中的每个样本图像包括车道线；
确定模块，用于确定所述每个样本图像对应的真值图像，所述真值图像包括所述车道线，所述车道线在所述真值图像中对应第一像素值，所述真值图像中除所述车道线之外的部分对应第二像素值；
模型训练模块，用于根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的所述生成式对抗网络中的生成模型。
第四方面，本发明实施例提供一种车道线生成装置，包括：
车道线生成模块，用于将目标车道的图像信息作为生成式对抗网络中的生成模型的输入，以使所述生成模型输出所述图像信息对应的预测图像，所述图像信息对应的预测图像包括所述生成模型在所述图像信息中预测的车道线，所述预测的车道线用于生成所述目标车道的电子地图；
其中，所述生成式对抗网络中的生成模型是根据如第一方面所述的方法训练得到的。
第五方面，本发明实施例提供一种模型训练设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以下操作：
获取样本图像库，所述样本图像库中的每个样本图像包括车道线；
确定所述每个样本图像对应的真值图像，所述真值图像包括所述车道线，所述车道线在所述真值图像中对应第一像素值，所述真值图像中除所述车道线之外的部分对应第二像素值；
根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的所述生成式对抗网络中的生成模型。
第六方面，本发明实施例提供一种车道线生成设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以下操作：
将目标车道的图像信息作为生成式对抗网络中的生成模型的输入，以使所述生成模型输出所述图像信息对应的预测图像，所述图像信息对应的预测图像包括所述生成模型在所述图像信息中预测的车道线，所述预测的车道线用于生成所述目标车道的电子地图；
其中，所述生成式对抗网络中的生成模型是根据如第一方面所述的方法训练得到的。
第七方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现第一方面和/或第二方面所述的方法。
本发明实施例提供的模型训练方法、车道线生成方法、设备及存储介质，通过根据该样本图像库和该样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的该生成式对抗网络中的生成模型，将目标车道的图像信息作为该生成模型的输入，以使该生成模型在该图像信息中预测车道线，当该目标车道中的车道线残缺或模糊不清时，通过该生成模型可生成已残缺部分的车道线，从而使得该目标车道的结构化数据完整，以提高电子地图的精确度。
附图说明
图1为本发明实施例提供的电子地图车道线生成方法流程图；
图2为本发明实施例提供的真值图像的示意图；
图3为本发明实施例提供的生成式对抗网络的结构示意图；
图4为本发明实施例提供的一种应用场景的示意图；
图5为本发明实施例提供的一种应用场景的示意图；
图6为本发明另一实施例提供的电子地图车道线生成方法流程图；
图7为本发明另一实施例提供的生成模型和判别模型迭代训练的示意图；
图8为本发明实施例提供的电子地图车道线生成装置的结构示意图；
图9为本发明实施例提供的电子地图车道线生成设备的结构示意图；
图10为本发明实施例提供的车道线生成设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供的电子地图车道线生成方法，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图1为本发明实施例提供的模型训练方法流程图。本发明实施例针对现有技术的如上技术问题，提供了模型训练方法，该方法具体步骤如下：
步骤101、获取样本图像库，所述样本图像库中的每个样本图像包括车道线。
本实施例所述的方法适用于生成电子地图的制图设备，该制图设备可以是计算机、服务器、终端设备等具有数据处理能力的设备。该制图设备获取样本图像库，该样本图像库中包括多个样本图像，每个样本图像包括车道线，也就是说，该样本图像库中的每个样本图像可以是车道线的图像，该车道线的图像可以是通过拍摄设备拍摄的图像，也可以是该制图设备根据探测设备例如雷达和/或激光探测设备实时检测的行车道的三维点云，生成的该行车道的底图。
可选的，所述样本图像库包括多个集合，每个集合包括至少一个样本图像。例如，样本图像库包括100个样本图像，该100个样本图像分为10个集合，每个集合包括10个样本图像。
步骤102、确定所述每个样本图像对应的真值图像，所述真值图像包括所述车道线，所述车道线在所述真值图像中对应第一像素值，所述真值图像中除所述车道线之外的部分对应第二像素值。
在本实施例中，对于每个样本图像，还需要确定该样本图像对应的真值图像，该样本图像对应的真值图像中包括该样本图像中的车道线，也就是说，该样本图像中的车道线对应出现在该样本图像对应的真值图像中，且该车道线在该样本图像中的位置和该车道线在真值图像中的位置相同。该真值图像可以是黑白图，也可以是灰度图，可选的，该真值图像中的车道线对应一种像素值，该真值图像中除车道线之外的部分对应另一种像素值。
如图2所示，20表示样本图像库中的一个样本图像，样本图像20中包括车道线21，对应生成样本图像20的真值图像22，真值图像22中包括车道线23，车道线23在真值图像22中的位置和车道线21在样本图像20中的位置相同，在真值图像22中，车道线23对应一种像素值，该真值图像22中除车道线23之外的部分对应另一种像素值。
步骤103、根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的所述生成式对抗网络中的生成模型。
如图3所示，30表示生成式对抗网络，31表示生成式对抗网络30中的生成模型，32表示生成式对抗网络30中的判别模型。其中，生成模型31可以在样本图像中增加一些车道线，增加的车道线可能是该样本图像中残缺的车道线，也可以是为了辅助无人驾驶车辆行驶所增加的车道线，判别模型32用于判断生成模型31增加的车道线是否是真的车道线，如果判别模型32确定生成模型31增加的车道线不是真的车道线，则生成模型31需要重新生成新的车道线，以便判别模型32再次判断生成模型31重新生成的新的车道线是否是真的车道线，即通过生成模型31和判别模型32之间的对抗以生成样本图像中残缺的车道线或没有的车道线。为了使生成模型31和判别模型32生成准确的车道线，需要对该生成式对抗网络30进行训练，具体的，根据该样本图像库和该样本图像库中每个样本图像对应的真值图像，对该生成式对抗网络30进行训练，以得到训练完成的生成模型31和判别模型32。
可选的，所述根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，包括：根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练。
例如，根据该样本图像库和该样本图像库中每个样本图像对应的真值图像，对该生成式对抗网络30中的生成模型31和判别模型32进行迭代训练，直到训练出能够生成准确的车道线的生成模型31。
如图4所示，40表示包括两车道的行车道，当前需要制作行车道40的电子地图例如高精度道路地图，因此，需要采集行车道40的图像信息，根据该行车道40的图像信息确定该行车道40的结构化数据，并根据行车道40的结构化数据生成该行车道40对应区域的高精度道路地图。
例如，车辆41行驶在行车道40的右侧车道，车辆41上设置有拍摄设备例如相机、以及探测设备例如雷达和/或激光探测设备，其中，相机实时采集行车道的二维图像，同时雷达和/或激光探测设备实时检测行车道的三维点云，由于行车道40中的车道线42是残缺不完整的，因此，相机采集到的二维图像中只能包括行车道40中的部分车道线，雷达和/或激光探测设备也只能采集到部分车道线的三维点云。车辆41可以将相机实时采集到的行车道的二维图像和/或探测设备实时检测到的该行车道的三维点云发送给制图设备43，制图设备43还可以根据该行车道的三维点云进一步生成该行车道的底图。行车道40中不完整的车道线42可作为目标车道，目标车道的图像信息可以是由相机拍摄的二维图像，也可以是由制图设备43生成的底图。为了确定行车道40中缺失部分的车道线，将目标车道的图像信息作为上述步骤训练完成的生成模型31的输入，以使生成模型31输出该图像信息对应的预测图像，该预测图像包括生成模型31在该图像信息中预测的车道线。如图5所示，假设生成模型31已经是训练完成的能够生成准确的车道线的模型，51表示目标车道的图像信息，52表示生成模型31输出的预测图像，其中，预测图像52中包括生成模型31在图像信息51中预测的车道线53，该生成模型31在图像信息51中预测的车道线53也就是该生成模型31在图像信息51的基础上新生成的车道线53，从而使得目标车道变得完整，从而使得行车道40的结构化数据变得完整，提高了高精度道路地图的精度。可以理解，生成模型31预测的车道线53可能不是实际存在的车道线，却是生成高精度道路地图所需要的部分。
本发明实施例通过根据该样本图像库和该样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的该生成式对抗网络中的生成模型，将目标车道的图像信息作为该生成模型的输入，以使该生成模型在该图像信息中预测车道线，当该目标车道中的车道线残缺或模糊不清时，通过该生成模型可生成已残缺部分的车道线，从而使得该目标车道的结构化数据完整，以提高电子地图的精确度。
图6为本发明另一实施例提供的模型训练方法流程图。在上述实施例的基础上，所述根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练，具体包括如下步骤：
步骤601、将所述多个集合中一个集合包括的至少一个样本图像和所述至少一个样本图像分别对应的真值图像作为所述生成式对抗网络中生成模型的输入，以使所述生成模型输出所述至少一个样本图像分别对应的预测图像，所述至少一个样本图像分别对应的预测图像包括所述生成模型在所述至少一个样本图像中预测的车道线。
例如，样本图像库包括100个样本图像，该100个样本图像分为10个集合，每个集合包括10个样本图像，假设样本图像库中该100个样本图像的标号依次为0-99，第一个集合包括标号是0-9的10个样本图像，第二个集合包括标号是10-19的10个样本图像，依次类推，第10个集合包括标号是89-99的10个样本图像。
如图7所示，生成模型71和判别模型72是待训练的模型，以第一个集合为例，对生成模型71和判别模型72进行第一次迭代训练。第一次迭代训练后的生成模型记为生成模型73，第一次迭代训练后的判别模型记为判别模型74，以第二个集合为例，对生成模型73和判别模型74进行第二次迭代训练，依次类推，直到满足停止迭代的条件时，生成模型和判别模型即为训练完成的模型。
以第一个集合为例，样本图像0对应真值图像0，样本图像1对应真值图像1，依次类推，样本图像9对应真值图像9，将样本图像0-9和真值图像0-9作为生成模型71的输入，生成模型71根据样本图像0和样本图像0对应的真值图像0输出预测图像0，根据样本图像1和样本图像1对应的真值图像1输出预测图像1，依次类推，样本图像9和样本图像9对应的真值图像9输出预测图像9。其中，预测图像0包括生成模型71在样本图像0中预测的车道线，预测图像1包括生成模型71在样本图像1中预测的车道线，依次类推，预测图像9包括生成模型71在样本图像9中预测的车道线。其中，任一个样本图像、该样本图像对应的真值图像、该样本图像对应的预测图像大小相同。
步骤602、根据所述至少一个样本图像分别对应的真值图像和所述至少一个样本图像分别对应的预测图像，计算所述生成模型的损失函数值。
例如，样本图像0对应的真值图像0包括N个像素，样本图像0对应的预测图像0也包括N个像素，y(i)表示真值图像0中的第i个像素的像素值，y'(i)表示预测图像0中的第i个像素的像素值，y'(i)的取值范围是0-1，根据真值图像0和预测图像0计算的生成模型71的损失函数值记为L0，L0、y(i)、y'(i)的关系具体如下公式(1)所示：
同理，根据真值图像1和预测图像1计算的生成模型71的损失函数值记为L1，L1的计算方法与公式(1)类似，此处不再赘述。依次类推，根据真值图像9和预测图像9计算的生成模型71的损失函数值记为L9。L0、L1、…、L9的平均值可作为该生成模型71的损失函数值L。
步骤603、若所述生成模型的损失函数值大于预设值，则将所述至少一个样本图像分别对应的预测图像作为所述生成式对抗网络中判别模型的输入，以使所述判别模型确定所述生成模型在所述至少一个样本图像中预测的车道线不是真车道线的概率。
由于生成模型71和判别模型72需要进行第一次迭代训练的模型，生成模型71的损失函数值可能还比较大，例如，生成模型71的损失函数值大于预设值，则将预测图像0-9作为判别模型72的输入，判别模型72根据样本图像0和预测图像0计算生成模型71在样本图像0上预测的车道线不是真车道线的概率P0，根据样本图像1和预测图像1计算生成模型71在样本图像1上预测的车道线不是真车道线的概率P1，依次类推，根据样本图像9和预测图像9计算生成模型71在样本图像9上预测的车道线不是真车道线的概率P9。进一步计算P0、P1、…、P9的平均值得到概率M0。
步骤604、根据所述概率，更新所述生成模型的损失函数值。
判别模型72将概率M0输出给生成模型71，生成模型71根据该概率M0更新生成模型71的损失函数值L，例如，可以将概率M0作为生成模型71新的损失函数值。
步骤605、根据所述生成模型更新后的损失函数值，调整所述生成模型的参数值，所述参数值用于所述生成模型输出所述多个集合中下一个集合包括的至少一个样本图像分别对应的预测图像。
生成模型71根据更新后的损失函数值，调整生成模型71的参数值，调整参数值之后，生成模型71迭代为生成模型73。判别模型72也可以迭代为判别模型74，例如，如果判别模型72输出的概率M0较大，则说明判别模型72确定生成模型71预测的车道线大部分是假的；如果判别模型72输出的概率M0较小，则说明判别模型72确定生成模型71预测的车道线大部分是真的；当判别模型72输出的概率M0小于预设概率时，说明判别模型72无法准确的检测出生成模型71预测的假的车道线，此时，可以将真实的车道线的图像输入到判别模型72，以使判别模型72根据真实的车道线图像进行学习，以提高判别模型72对假车道线的识别能力。
在对生成模型和判别模型进行第二次迭代训练时，将第二个集合中的样本图像10-19和样本图像10-19对应的真值图像10-19作为生成模型73的输入，生成模型73根据样本图像10和样本图像10对应的真值图像10输出预测图像10，根据样本图像11和样本图像11对应的真值图像11输出预测图像11，依次类推，样本图像19和样本图像19对应的真值图像19输出预测图像19。其中，预测图像10包括生成模型73在样本图像10中预测的车道线，预测图像11包括生成模型73在样本图像11中预测的车道线，依次类推，预测图像19包括生成模型73在样本图像19中预测的车道线。
根据上述公式(1)所述的原理，根据真值图像10和预测图像10计算出一个损失函数值，根据真值图像11和预测图像11计算出一个损失函数值，依次类推，根据真值图像19和预测图像19计算出一个损失函数值，将这多个损失函数值求平均得到生成模型73的损失函数值。
如果生成模型73的损失函数值L小于预设值，则停止迭代训练。
如果生成模型73的损失函数值L大于预设值，则将预测图像10-19作为判别模型74的输入，判别模型74根据样本图像10和预测图像10计算生成模型73在样本图像10上预测的车道线不是真车道线的概率N0，根据样本图像11和预测图像11计算生成模型73在样本图像11上预测的车道线不是真车道线的概率N1，依次类推，根据样本图像19和预测图像19计算生成模型73在样本图像19上预测的车道线不是真车道线的概率N9。进一步计算N0、N1、…、N9的平均值得到概率M1。
判别模型74将概率M1输出给生成模型73，生成模型73根据该概率M1更新生成模型73的损失函数值，例如，可以将概率M1作为生成模型73新的损失函数值。
生成模型73根据更新后的损失函数值，调整生成模型73的参数值，调整参数值之后，生成模型得到了第二次迭代训练。依次类推，根据第三个集合中的10个样本图像和该10个样本图像中每个样本图像对应的真值图像对生成模型和判别模型进行第三次迭代训练，直到满足停止迭代的条件。
在本实施例中，满足停止迭代的条件可以有如下几种可能的方式：
一种方式是：若所述生成模型的损失函数值小于所述预设值，则停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
例如，当某一个集合的样本图像和该样本图像的真值图像输入该生成模型，该生成模型输出该样本图像的预测图像，根据该真值图像和该预测图像计算得到的生成模型的损失函数值小于预设值时停止对生成模型和判别模型迭代训练。
由于迭代过程中，生成模型的损失函数值不断减小，当生成模型的损失函数值减小到小于预设值时，说明该生成模型的损失函数值已收敛，此时可以停止对生成模型和判别模型迭代训练。
另一种方式是：若对所述生成式对抗网络中的生成模型和判别模型已迭代训练的次数大于预设次数，则停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
在本实施例中，生成模型和判别模型可以同时迭代，也可以不同时迭代，以同时迭代为例，当生成模型和判别模型同时迭代的次数大于预设次数时停止对生成模型和判别模型迭代训练。
作为一种可能的方式：在迭代的过程中，样本图像库中的样本图像可以重复利用，例如，当第10个集合中的样本图像和该样本图像对应的真值图像输入生成模型，生成模型输出该样本图像对应的预测图像，根据该样本图像对应的真值图像和该样本图像对应的预测图像计算出的该生成模型的损失函数值还未收敛，或者，该生成模型的损失函数值还未小于预设值，则下次迭代时，采用第一个集合中的样本图像和该样本图像对应的真值图像作为该生成模型的输入。
作为另一种可能的方式：在迭代的过程中，样本图像库中的样本图像可以不断的增加或更新，在每次迭代时，采用不同的样本图像作为该生成模型的输入。
本发明实施例通过对生成式对抗网络中的生成模型和判别模型进行迭代训练，可提高生成模型生成车道线的准确度，进一步提高电子地图的精确度。
另外，本发明实施例还提供一种车道线生成方法。该方法具体包括：将目标车道的图像信息作为生成式对抗网络中的生成模型的输入，以使所述生成模型输出所述图像信息对应的预测图像，所述图像信息对应的预测图像包括所述生成模型在所述图像信息中预测的车道线，所述预测的车道线用于生成所述目标车道的电子地图；其中，所述生成式对抗网络中的生成模型是根据如上所述的模型训练方法训练得到的。其中，生成模型在所述图像信息中预测的车道线也就是该生成模型在该图像信息的基础上新生成的车道线。
如图5所示，假设生成模型31已经是训练完成的能够生成准确的车道线的模型，51表示目标车道的图像信息，52表示生成模型31输出的预测图像，其中，预测图像52中包括生成模型31在图像信息51中预测的车道线53，从而使得目标车道变得完整，从而使得行车道40的结构化数据变得完整，提高了高精度道路地图的精度。
在本实施例中，该生成模型可以是预先训练好的模型，当获取到目标车道的图像信息时，将该目标车道的图像信息作为该生成模型的输入，由该生成模型在该图像信息中预测车道线，即生成车道线。
可以理解，对生成模型进行训练的装置或设备，以及用于生成车道线的装置或设备，可以是相同的装置或设备，也可以是不同的装置或设备。
图8为本发明实施例提供的模型训练装置的结构示意图。该模型训练装置具体可以是上述实施例中的制图设备，或该制图设备的部件。本发明实施例提供的模型训练装置可以执行模型训练方法实施例提供的处理流程，如图8所示，模型训练装置80包括：获取模块81、确定模块82、模型训练模块83；其中，获取模块81用于获取样本图像库，所述样本图像库中的每个样本图像包括车道线；确定模块82用于确定所述每个样本图像对应的真值图像，所述真值图像包括所述车道线，所述车道线在所述真值图像中对应第一像素值，所述真值图像中除所述车道线之外的部分对应第二像素值；模型训练模块83用于根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的所述生成式对抗网络中的生成模型。
可选的，所述样本图像库包括多个集合，每个集合包括至少一个样本图像。
可选的，模型训练模块83具体用于：根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练。
可选的，模型训练模块83具体用于：将所述多个集合中一个集合包括的至少一个样本图像和所述至少一个样本图像分别对应的真值图像作为所述生成式对抗网络中生成模型的输入，以使所述生成模型输出所述至少一个样本图像分别对应的预测图像，所述至少一个样本图像分别对应的预测图像包括所述生成模型在所述至少一个样本图像中预测的车道线；根据所述至少一个样本图像分别对应的真值图像和所述至少一个样本图像分别对应的预测图像，计算所述生成模型的损失函数值；若所述生成模型的损失函数值大于预设值，则将所述至少一个样本图像分别对应的预测图像作为所述生成式对抗网络中判别模型的输入，以使所述判别模型确定所述生成模型在所述至少一个样本图像中预测的车道线不是真车道线的概率；根据所述概率，更新所述生成模型的损失函数值；根据所述生成模型更新后的损失函数值，调整所述生成模型的参数值，所述参数值用于所述生成模型输出所述多个集合中下一个集合包括的至少一个样本图像分别对应的预测图像。
可选的，模型训练装置80还包括：控制模块84；控制模块84用于当所述生成模型的损失函数值小于所述预设值时，控制所述模型训练模块停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
或者，控制模块84用于当所述模型训练模块对所述生成式对抗网络中的生成模型和判别模型已迭代训练的次数大于预设次数时，控制所述模型训练模块停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
图8所示实施例的模型训练装置可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例还提供一种车道线生成装置。该车道线生成装置可以执行上述车道线生成方法实施例提供的处理流程。该车道线生成装置包括：车道线生成模块，该车道线生成模块用于将目标车道的图像信息作为生成式对抗网络中的生成模型的输入，以使所述生成模型输出所述图像信息对应的预测图像，所述图像信息对应的预测图像包括所述生成模型在所述图像信息中预测的车道线，所述预测的车道线用于生成所述目标车道的电子地图；其中，所述生成式对抗网络中的生成模型是根据上述模型训练方法训练得到的。
可以理解，模型训练装置和车道线生成装置可以是同一设备中的不同装置，或者，模型训练装置和车道线生成装置分别部署在不同的设备中。
图9为本发明实施例提供的模型训练设备的结构示意图。该模型训练设备具体可以是上述实施例中的制图设备。本发明实施例提供的模型训练设备可以执行模型训练方法实施例提供的处理流程，如图9所示，模型训练设备90包括：存储器91、处理器92、计算机程序和通讯接口93；其中，计算机程序存储在存储器91中，并被配置为由处理器92执行以下操作：获取样本图像库，所述样本图像库中的每个样本图像包括车道线；确定所述每个样本图像对应的真值图像，所述真值图像包括所述车道线，所述车道线在所述真值图像中对应第一像素值，所述真值图像中除所述车道线之外的部分对应第二像素值；根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的所述生成式对抗网络中的生成模型。
可选的，所述样本图像库包括多个集合，每个集合包括至少一个样本图像。
可选的，处理器92在根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练时，具体用于：根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练。
可选的，处理器92在根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练时，具体用于：将所述多个集合中一个集合包括的至少一个样本图像和所述至少一个样本图像分别对应的真值图像作为所述生成式对抗网络中生成模型的输入，以使所述生成模型输出所述至少一个样本图像分别对应的预测图像，所述至少一个样本图像分别对应的预测图像包括所述生成模型在所述至少一个样本图像中预测的车道线；根据所述至少一个样本图像分别对应的真值图像和所述至少一个样本图像分别对应的预测图像，计算所述生成模型的损失函数值；若所述生成模型的损失函数值大于预设值，则将所述至少一个样本图像分别对应的预测图像作为所述生成式对抗网络中判别模型的输入，以使所述判别模型确定所述生成模型在所述至少一个样本图像中预测的车道线不是真车道线的概率；根据所述概率，更新所述生成模型的损失函数值；根据所述生成模型更新后的损失函数值，调整所述生成模型的参数值，所述参数值用于所述生成模型输出所述多个集合中下一个集合包括的至少一个样本图像分别对应的预测图像。
可选的，处理器92还用于：若所述生成模型的损失函数值小于所述预设值，则停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
可选的，处理器92还用于：若对所述生成式对抗网络中的生成模型和判别模型已迭代训练的次数大于预设次数，则停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
图9所示实施例的模型训练设备可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图10为本发明实施例提供的车道线生成设备的结构示意图。该车道线生成设备具体可以是上述实施例中的制图设备。本发明实施例提供的车道线生成设备可以执行上述车道线生成方法实施例提供的处理流程，如图10所示，车道线生成设备100包括：存储器101、处理器102、计算机程序；其中，计算机程序存储在存储器101中，并被配置为由处理器102执行以下操作：将目标车道的图像信息作为生成式对抗网络中的生成模型的输入，以使所述生成模型输出所述图像信息对应的预测图像，所述图像信息对应的预测图像包括所述生成模型在所述图像信息中预测的车道线，所述预测的车道线用于生成所述目标车道的电子地图；其中，所述生成式对抗网络中的生成模型是根据上述实施例所述的模型训练方法训练得到的。
可以理解，模型训练设备和车道线生成设备可以是同一设备，也可以是不同设备。
另外，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述实施例所述的模型训练方法和/或车道线生成方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (15)
1.一种模型训练方法，其特征在于，包括：
获取样本图像库，所述样本图像库中的每个样本图像包括车道线；
确定所述每个样本图像对应的真值图像，所述真值图像包括所述车道线，所述车道线在所述真值图像中对应第一像素值，所述真值图像中除所述车道线之外的部分对应第二像素值；
根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的所述生成式对抗网络中的生成模型。
2.根据权利要求1所述的方法，其特征在于，所述样本图像库包括多个集合，每个集合包括至少一个样本图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，包括：
根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练。
4.根据权利要求3所述的方法，其特征在于，所述根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练，包括：
将所述多个集合中一个集合包括的至少一个样本图像和所述至少一个样本图像分别对应的真值图像作为所述生成式对抗网络中生成模型的输入，以使所述生成模型输出所述至少一个样本图像分别对应的预测图像，所述至少一个样本图像分别对应的预测图像包括所述生成模型在所述至少一个样本图像中预测的车道线；
根据所述至少一个样本图像分别对应的真值图像和所述至少一个样本图像分别对应的预测图像，计算所述生成模型的损失函数值；
若所述生成模型的损失函数值大于预设值，则将所述至少一个样本图像分别对应的预测图像作为所述生成式对抗网络中判别模型的输入，以使所述判别模型确定所述生成模型在所述至少一个样本图像中预测的车道线不是真车道线的概率；
根据所述概率，更新所述生成模型的损失函数值；
根据所述生成模型更新后的损失函数值，调整所述生成模型的参数值，所述参数值用于所述生成模型输出所述多个集合中下一个集合包括的至少一个样本图像分别对应的预测图像。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若所述生成模型的损失函数值小于所述预设值，则停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若对所述生成式对抗网络中的生成模型和判别模型已迭代训练的次数大于预设次数，则停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
7.一种车道线生成方法，其特征在于，包括：
将目标车道的图像信息作为生成式对抗网络中的生成模型的输入，以使所述生成模型输出所述图像信息对应的预测图像，所述图像信息对应的预测图像包括所述生成模型在所述图像信息中预测的车道线，所述预测的车道线用于生成所述目标车道的电子地图；
其中，所述生成式对抗网络中的生成模型是根据如权利要求1-6任一项所述的方法训练得到的。
8.一种模型训练设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以下操作：
获取样本图像库，所述样本图像库中的每个样本图像包括车道线；
确定所述每个样本图像对应的真值图像，所述真值图像包括所述车道线，所述车道线在所述真值图像中对应第一像素值，所述真值图像中除所述车道线之外的部分对应第二像素值；
根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练，得到训练完成的所述生成式对抗网络中的生成模型。
9.根据权利要求8所述的模型训练设备，其特征在于，所述样本图像库包括多个集合，每个集合包括至少一个样本图像。
10.根据权利要求9所述的模型训练设备，其特征在于，所述处理器在根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对生成式对抗网络进行训练时，具体用于：
根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练。
11.根据权利要求10所述的模型训练设备，其特征在于，所述处理器在根据所述样本图像库和所述样本图像库中每个样本图像对应的真值图像，对所述生成式对抗网络中的生成模型和判别模型进行迭代训练时，具体用于：
将所述多个集合中一个集合包括的至少一个样本图像和所述至少一个样本图像分别对应的真值图像作为所述生成式对抗网络中生成模型的输入，以使所述生成模型输出所述至少一个样本图像分别对应的预测图像，所述至少一个样本图像分别对应的预测图像包括所述生成模型在所述至少一个样本图像中预测的车道线；
根据所述至少一个样本图像分别对应的真值图像和所述至少一个样本图像分别对应的预测图像，计算所述生成模型的损失函数值；
若所述生成模型的损失函数值大于预设值，则将所述至少一个样本图像分别对应的预测图像作为所述生成式对抗网络中判别模型的输入，以使所述判别模型确定所述生成模型在所述至少一个样本图像中预测的车道线不是真车道线的概率；
根据所述概率，更新所述生成模型的损失函数值；
根据所述生成模型更新后的损失函数值，调整所述生成模型的参数值，所述参数值用于所述生成模型输出所述多个集合中下一个集合包括的至少一个样本图像分别对应的预测图像。
12.根据权利要求11所述的模型训练设备，其特征在于，所述处理器还用于：
若所述生成模型的损失函数值小于所述预设值，则停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
13.根据权利要求11所述的模型训练设备，其特征在于，所述处理器还用于：
若对所述生成式对抗网络中的生成模型和判别模型已迭代训练的次数大于预设次数，则停止对所述生成式对抗网络中的生成模型和判别模型迭代训练。
14.一种车道线生成设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以下操作：
将目标车道的图像信息作为生成式对抗网络中的生成模型的输入，以使所述生成模型输出所述图像信息对应的预测图像，所述图像信息对应的预测图像包括所述生成模型在所述图像信息中预测的车道线，所述预测的车道线用于生成所述目标车道的电子地图；
其中，所述生成式对抗网络中的生成模型是根据如权利要求1-6任一项所述的方法训练得到的。
15.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811291586.6A CN109657077A (zh) | 2018-10-31 | 2018-10-31 | 模型训练方法、车道线生成方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811291586.6A CN109657077A (zh) | 2018-10-31 | 2018-10-31 | 模型训练方法、车道线生成方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109657077A true CN109657077A (zh) | 2019-04-19 |
Family
ID=66110459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811291586.6A Pending CN109657077A (zh) | 2018-10-31 | 2018-10-31 | 模型训练方法、车道线生成方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657077A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135302A (zh) * | 2019-04-30 | 2019-08-16 | 百度在线网络技术（北京）有限公司 | 训练车道线识别模型的方法、装置、设备和存储介质 |
| CN111114544A (zh) * | 2019-11-25 | 2020-05-08 | 福瑞泰克智能系统有限公司 | 一种补偿车道线确定方法、装置、可移动设备及存储介质 |
| CN111310737A (zh) * | 2020-03-26 | 2020-06-19 | 深圳极视角科技有限公司 | 一种车道线检测方法及装置 |
| CN111415709A (zh) * | 2020-03-16 | 2020-07-14 | 北京君立康生物科技有限公司 | 菌落生长图像的预测方法、装置、电子设备及存储介质 |
| CN111414995A (zh) * | 2020-03-16 | 2020-07-14 | 北京君立康生物科技有限公司 | 小目标菌落的检测处理方法、装置、电子设备及介质 |
| CN111815698A (zh) * | 2020-07-20 | 2020-10-23 | 广西安良科技有限公司 | 人工智能单目3d点云生成方法、装置、终端及存储介质 |
| CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
| CN112541396A (zh) * | 2020-11-16 | 2021-03-23 | 西人马帝言(北京)科技有限公司 | 一种车道线检测方法、装置、设备及计算机存储介质 |
| CN115063507A (zh) * | 2022-06-20 | 2022-09-16 | 合众新能源汽车有限公司 | 绘制虚拟车道线的方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
| CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
| CN107590518A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种多特征学习的对抗网络训练方法 |
| CN107679483A (zh) * | 2017-09-27 | 2018-02-09 | 北京小米移动软件有限公司 | 号牌识别方法及装置 |
-
2018
- 2018-10-31 CN CN201811291586.6A patent/CN109657077A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592114A (zh) * | 2011-12-26 | 2012-07-18 | 河南工业大学 | 复杂路况的车道线特征提取、识别方法 |
| CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
| CN107590518A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种多特征学习的对抗网络训练方法 |
| CN107679483A (zh) * | 2017-09-27 | 2018-02-09 | 北京小米移动软件有限公司 | 号牌识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 张茂于: "《产业专利分析报告（第58册）-自动驾驶》", 30 June 2017 * |
| 王凯: "基于生成式对抗网络(GAN)的自动驾驶容错感知研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 高志强 黄剑 李永 刘明明: "《深度学习：从入门到实践》", 30 June 2018 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11508163B2 (en) | 2019-04-30 | 2022-11-22 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for training lane line identifying model, device, and storage medium |
| CN110135302A (zh) * | 2019-04-30 | 2019-08-16 | 百度在线网络技术（北京）有限公司 | 训练车道线识别模型的方法、装置、设备和存储介质 |
| CN110135302B (zh) * | 2019-04-30 | 2021-08-31 | 百度在线网络技术（北京）有限公司 | 训练车道线识别模型的方法、装置、设备和存储介质 |
| CN111114544A (zh) * | 2019-11-25 | 2020-05-08 | 福瑞泰克智能系统有限公司 | 一种补偿车道线确定方法、装置、可移动设备及存储介质 |
| CN111415709A (zh) * | 2020-03-16 | 2020-07-14 | 北京君立康生物科技有限公司 | 菌落生长图像的预测方法、装置、电子设备及存储介质 |
| CN111414995A (zh) * | 2020-03-16 | 2020-07-14 | 北京君立康生物科技有限公司 | 小目标菌落的检测处理方法、装置、电子设备及介质 |
| CN111415709B (zh) * | 2020-03-16 | 2023-05-30 | 北京君立康生物科技有限公司 | 菌落生长图像的预测方法、装置、电子设备及存储介质 |
| CN111414995B (zh) * | 2020-03-16 | 2023-05-19 | 北京君立康生物科技有限公司 | 小目标菌落的检测处理方法、装置、电子设备及介质 |
| CN111310737A (zh) * | 2020-03-26 | 2020-06-19 | 深圳极视角科技有限公司 | 一种车道线检测方法及装置 |
| CN111310737B (zh) * | 2020-03-26 | 2023-10-13 | 山东极视角科技股份有限公司 | 一种车道线检测方法及装置 |
| CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
| CN111815698A (zh) * | 2020-07-20 | 2020-10-23 | 广西安良科技有限公司 | 人工智能单目3d点云生成方法、装置、终端及存储介质 |
| CN112541396A (zh) * | 2020-11-16 | 2021-03-23 | 西人马帝言(北京)科技有限公司 | 一种车道线检测方法、装置、设备及计算机存储介质 |
| CN115063507A (zh) * | 2022-06-20 | 2022-09-16 | 合众新能源汽车有限公司 | 绘制虚拟车道线的方法及装置 |
| CN115063507B (zh) * | 2022-06-20 | 2024-07-26 | 合众新能源汽车股份有限公司 | 绘制虚拟车道线的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657077A (zh) | 模型训练方法、车道线生成方法、设备及存储介质 | |
| US10943148B2 (en) | Inspection neural network for assessing neural network reliability | |
| Lenz et al. | Deep neural networks for Markovian interactive scene prediction in highway scenarios | |
| EP3385909B1 (en) | Optical flow determination system | |
| CN108171112A (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
| CN108345875A (zh) | 可行驶区域检测模型训练方法、检测方法和装置 | |
| CN109087510A (zh) | 交通监测方法及装置 | |
| JP7263216B2 (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
| WO2021071772A1 (en) | Multi-agent simulations | |
| CN110059646B (zh) | 训练动作规划模型的方法及目标搜索方法 | |
| CN110281949B (zh) | 一种自动驾驶统一分层决策方法 | |
| CN112241969A (zh) | 基于交通监控视频的目标检测跟踪方法、装置及存储介质 | |
| WO2023231991A1 (zh) | 交通信号灯感知方法、装置、设备及存储介质 | |
| CN114299607A (zh) | 一种基于自动驾驶汽车的人车碰撞危险度分析方法 | |
| CN109685805A (zh) | 一种图像分割方法及装置 | |
| CN118171723A (zh) | 智能驾驶策略的部署方法、装置、设备、存储介质和程序产品 | |
| CN116485796B (zh) | 害虫检测方法、装置、电子设备及存储介质 | |
| CN106228029B (zh) | 基于众包的量化问题求解方法和装置 | |
| CN114104005B (zh) | 自动驾驶设备的决策方法、装置、设备及可读存储介质 | |
| CN115937801A (zh) | 基于图卷积的车辆轨迹预测方法及装置 | |
| CN108648463B (zh) | 一种路口交通视频中车辆检测方法及系统 | |
| CN115981302A (zh) | 车辆跟驰换道行为决策方法、装置及电子设备 | |
| CN114387555B (zh) | 基于无人机视频图像的元胞自动机模型校正方法及装置 | |
| CN117332264A (zh) | 一种行驶轨迹预测模型的训练方法及行驶轨迹预测方法 | |
| CN116817903B (zh) | 一种基于先验视觉引导的智能机器人全局定位方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |