CN113762397B - 检测模型训练、高精度地图更新方法、设备、介质及产品 - Google Patents
检测模型训练、高精度地图更新方法、设备、介质及产品 Download PDFInfo
- Publication number
- CN113762397B CN113762397B CN202111060534.XA CN202111060534A CN113762397B CN 113762397 B CN113762397 B CN 113762397B CN 202111060534 A CN202111060534 A CN 202111060534A CN 113762397 B CN113762397 B CN 113762397B
- Authority
- CN
- China
- Prior art keywords
- semantic element
- samples
- interference
- map
- semantic
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 146
- 238000012549 training Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000008859 change Effects 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2358—Change logging, detection, and notification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本公开提供了检测模型训练、高精度地图更新方法、设备、介质及产品，涉及计算机技术领域，尤其涉及自动驾驶技术领域。具体实现方案为：获取电子地图中多个语义要素样本和对应的场景地图样本；其中，每个语义要素样本和每个场景地图样本的样本类型为图像；分别对所述多个语义要素样本进行干扰处理，获得所述多个语义要素样本分别对应的干扰要素样本；基于所述多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本；利用所述多个训练样本，训练变化对象的检测模型，获得目标检测模型；其中，所述目标检测模型用于对所述电子地图中的场景地图图像以及对应的语义要素图像进行目标变化对象的检测。本公开提高了模型训练精度。
Description
技术领域
本公开涉及人工智能技术领域尤其涉及一种检测模型训练、高精度地图更新方法、设备、介质及产品，可用于自动驾驶技术领域。
背景技术
高精度地图是自动驾驶领域的重要组成部分，可以帮助自动驾驶汽车预先感知道路的复杂性，实现安全高效地行驶。为了确保地图保持最新状态，能够向自动驾驶车辆及时反馈最新消息，需要将地图中发生变化的对象进行更新，其中，发生变化的对象例如可以包括：交通标志牌、地面标志、车道线、信号灯、新增路段或者路口等。
目前，为了提高地图更新效率，通常采用将新采集的各个区域的场景地图图像与其原有语义要素图像输入变化对象的检测模型进行对象检测，以获得存在变化的对象，然后利用变化对象所在区域位置，更新原有的要素语义地图，获得新的电子地图。但是这种更新方式存在较大更新误差，更新的准确度较低。
发明内容
本公开提供了一种用于电子地图的检测模型训练、高精度地图更新方法、设备、介质及产品方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种检测模型训练方法，包括：
获取电子地图中多个语义要素样本和对应的场景地图样本；其中，每个样本的样本类型为图像。
分别对所述多个语义要素样本进行干扰处理，获得所述多个语义要素样本分别对应的干扰要素样本。
基于所述多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本。
利用所述多个训练样本，训练变化对象的检测模型，获得目标检测模型。
其中，所述目标检测模型用于对所述电子地图中的场景地图图像以及对应的语义要素图像进行目标变化对象的检测。
根据本公开的第二方面，提供了一种高精度地图更新方法，包括：
获取电子地图中待检测的场景地图图像以及对应的语义要素图像；
利用目标检测模型对场景地图图像以及对应的所述语义要素图像中的目标变化对象进行检测，得到所述目标变化对象在所述语义要素图像中的位置区域。其中，所述目标检测模型是采用第一方面提供的检测模型训练方法对变化对象的检测模型训练获得。
基于所述目标变化对象在所述语义要素图像中的位置区域，更新所述电子地图。
根据本公开的第三方面，提供了一种检测模型训练设备，包括：
图像确定单元，用于获取电子地图中多个语义要素样本和对应的场景地图样本。其中，每个样本的样本类型为图像。
图像干扰单元，用于分别对所述多个语义要素样本进行干扰处理，获得所述多个语义要素样本分别对应的干扰要素样本。
数据确定单元，用于基于所述多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本。
模型处理单元，用于利用所述多个训练样本，训练变化对象的检测模型，获得目标检测模型。
其中，所述目标检测模型用于对所述电子地图中的场景地图图像以及对应的语义要素图像进行目标变化对象的检测。
根据本公开的第四方面，提供了一种高精度地图更新设备，包括：
获取单元，用于获取电子地图中待检测的场景地图图像以及对应的语义要素图像。
检测单元，用于利用目标检测模型对场景地图图像以及对应的所述语义要素图像中的目标变化对象进行检测，得到所述目标变化对象在所述语义要素图像中的位置区域。其中，所述目标检测模型是采用第一方面所述的检测模型训练方法对变化对象的检测模型训练获得。
更新单元，用于基于所述目标变化对象在所述语义要素图像中的位置区域，更新所述电子地图。
根据本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的检测模型训练方法。
根据本公开的第六方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第二方面所述的高精度地图更新方法。
根据本公开的第七方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的检测模型训练方法或者根据第二方面所述的高精度地图更新方法。
根据本公开的第八方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的检测模型训练方法或者第二方面所述的高精度地图更新方法的步骤。
根据本公开的技术解决了现有电子地图的更新方式存在较大更新误差，更新的准确度较低的问题，通过分别对多个语义要素样本进行干扰处理，获得多个语义要素样本分别对应的干扰要素样本。以基于多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练数据。实现对多个语义要素样本的干扰，以利用干扰后的多个干扰要素样本，参与对变化对象的检测模型进行训练，获得的检测模型更稳定，检测精度更高。从而利用训练获得的检测模型检测新采集的场景图像以及要素图像中的变化对象，实现准确检测。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开提供的用于检测模型训练方法的一种网络架构示意图；
图2是根据本公开第一实施例提供的一种检测模型训练方法的流程图；
图3是根据本公开第二实施例提供的一种检测模型训练方法的流程图；
图4根据本公开第三实施例提供的一种高精度地图更新方法的流程图；
图5是根据本公开提供的用于高精度地图更新方法的一种网络架构示意图；
图6是根据本公开第四实施例提供的一种检测模型训练设备的结构示意图；
图7是根据本公开第五实施例提供的一种高精度地图更新设备的结构示意图；
图8是用来实现本公开实施例的检测模型训练方法的电子设备的框图；
图9是用来实现本公开实施例的高精度地图更新方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开提供一种检测模型训练、高精度地图更新方法、设备、介质及产品。可以应用于人工智能领域中的自动驾驶领域，以达到对变化对象的检测模型更稳定精度更高的训练，以提高变化对象的检测精度，实现地图的准确更新。
现有技术中，由于高精地图的数据量非常大，因此，在高精地图更新时，通常采用直接对存在变化的对象所在区域进行地图更新的方式实现。存在变化的对象可以通过变化对象的检测模型检测获得。该检测模型可以为神经网络模型、深度学习模型等。可以实时采集场景地图，然后获取电子地图中同一区域的语义要素地图，以获取场景地图对应的场景地图图像以及语义要素地图对应的语义要素图像，然后将场景地图图像以及语义要素图像作为输入数据输入至检测模型，获得场景地图图像与语义要素图像中存在变化对象的区域位置，以实现变化对象的检测。从而利用检测获得的变化对象的区域位置，对高精地图中的变化对象进行更新，实现高精地图高效而准确的更新。但是现有的这种检测模型检测获得的变化对象存在较大误差，不够准确。
为了解决该技术问题，发明人经过对检测模型的检测结果的分析，发现，检测模型检测获得的变化对象的区域位置与实际的变化对象的区域位置的精度不高，导致高精地图更新不准确。之后，发明人对变化对象检测过程进行研究发现，在实际应用中，语义要素样本是由包含了多个语义要素对象的三维地图图像映射而来，在映射过程中只有图像会产生一定的映射误差。而语义要素样本中各个语义要素对象实际并不随样本进行图像映射，而是直接使用的，因此，在利用语义要素样本以及场景地图样本对应的样本标签直接训练时，会导致检测模型存在一定的训练误差。因此，发明人想到，在模型训练之前，对语义要素样本进行干扰，以利用干扰后的语义要素样本进行模型训练，获得鲁棒性更高的检测模型。
本公开实施例中，确定电子地图的多个语义要素样本，分别对多个语义要素样本进行干扰处理，获得多个语义要素样本分别对应的干扰要素样本。以基于多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练数据。实现对多个语义要素样本的干扰，以利用干扰后的多个干扰要素样本，参与对变化对象的检测模型进行训练，获得的检测模型更稳定，检测精度更高。从而利用训练获得的检测模型检测新采集的场景图像以及要素图像中的变化对象，实现准确检测。
下面将结合附图对本公开的技术方案进行详细介绍。
图1是根据本公开提供的用于检测模型训练方法的一种网络架构示意图，如图1所示，该网络架构中可以包括一种典型的服务器1，服务器1例如可以为配置有根据本公开所示的检测模型训练方法的云端服务器。服务器1可以与发起模型训练的用户设备通过局域网或者广域网进行网络连接。假设该用户设备为个人计算机2。用户可以通过个人计算机2向服务器1发起变化对象的检测模型的模型训练请求。同时，还可以提供多个语义要素样本以及多个语义要素样本分别对应的场景地图样本至配置有本公开提供的地图模型训练方法的服务器1。服务器1可以对语义要素样本干扰后，对检测模型进行训练，获得目标检测模型。然后将训练获得的目标检测模型反馈给用户设备2。从而，用户设备2可以配置本公开提供的地图模型检测方法，以利用接收的服务器1发送的目标检测模型，对输入的场景地图图像以及语义要素图像进行检测，获得目标变化对象。
其中，服务器1例如可以为普通服务器，超级个人计算机，云服务器等类型的服务器，本公开中对服务器的具体类型并不作出过多限定。用户设备2例如可以为计算机、笔记本、平板电脑、可穿戴设备、智能家电、车载设备等终端设备，本公开实施例中对用户设备的具体类型并不作出过多限定。用户可以通过用户设备2向服务器1发起模型训练请求。
如图2所示，为本公开第一实施例提供的一种检测模型训练方法的流程图，该训练方法的执行主体为：检测模型训练装置。该分类模型的训练装置可以位于电子设备中。电子设备例如可以为服务器、云服务器、手机、平板电脑、个人计算机、超级计算机等。该方法可以包括以下几个步骤：
201：确定电子地图中多个语义要素样本和对应的场景地图样本。
其中，每个语义要素样本和每个场景地图样本的样本类型为图像。语义要素样本可以为电子地图中待更新的地图样本，场景地图样本可以为电子地图中新采集的地图样本，通过对语义要素样本与场景地图样本进行变化对象检测，可以准确识别需要变更的地图区域位置，以及对应的变更对象，以在地图区域对变更对象进行增加、删除或者修改，完成地图的区域性更新，提高更新效率。
多个语义要素样本和各个语义要素样本对应的场景地图样本可以为电子地图中多个初始训练样本。每个初始训练样本包括一个语义要素样本以及对应的场景地图样本，此外，每个初始训练样本还包括样本标签，样本标签可以为初始训练样本中的语义要素样与对应的场景地图样本中变化对象所在正确区域位置。样本标签可以包括语义要素样本中变化对象的区域位置，也可以包括场景地图样本中变化对象的区域位置，其中，语义要素样本中的变化对象与场景地图样本中的变化对象相同。
任一个语义要素样本及对应的场景地图样本为同一地图区域的图像。
场景地图样本可以为通过摄像头采集的地图图像。语义要素样本可以为在地图图像的基础上增加了语义要素对象的三维图像。可以将语义要素样本映射为二维图像以与场景地图样本进行差异对象的检测。
任一个语义要素样本可以包括至少一个语义要素对象，每个语义要素对象对应有相应的区域位置以及要素对象信息。区域位置可以为语义要素对象在电子地图中对应的区域关键坐标点经纬度数据。例如，以矩形区域标识一个语义要素对象所在区域时，区域位置可以为矩形区域的四个顶点对应的经纬度数据。
202：分别对多个语义要素样本进行干扰处理，获得多个语义要素样本分别对应的干扰要素样本。
分别对多个语义要素样本进行干扰处理，获得多个语义要素样本分别对应的干扰要素样本可以包括：对任一个语义要素样本的至少一个语义要素对象分别进行位置干扰处理，获得多个语义要素样本分别对应的干扰要素样本。
干扰要素样本可以包括：位置干扰后的至少一个语义要素对象以及语义要素图像。
203：基于多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本。
任一训练样本可以包括干扰要素样本以及对应的场景地图样本。此外，任一训练样本还可以包括对应的语义要素样本以及场景地图样本所对应的初始训练样本的样本标签。在基于多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本时，具体可以包括：针对任一个语义要素样本，确定该语义要素样本所在初始训练样本的样本标签，以确定该语义要素样本、对应的场景地图样本、以及该样本标签为一个训练样本，获得多个训练样本。
204：利用多个训练样本，训练变化对象的检测模型，获得目标检测模型。
其中，目标检测模型用于对电子地图中的场景地图图像以及对应的语义要素图像进行目标变化对象的检测。
每个训练样本可以对应有样本标签，利用多个训练样本，训练变化对象的检测模型，获得目标检测模型可以包括：以对象检测模型对多个训练样本分别检测获得的检测结果与各自的样本标签相同的训练目标，训练变化对象的检测模型，获得目标检测模型。
可选地，变化对象的检测模型可以为现有的检测模型，具体可以为深度学习模型、神经网络模型等，本公开实施例中对检测模型的模型种类并不作出过多限定。变化对象为存在变化的语义要素对象，每个变化对象可以对应有相应的检测区域信息，该检测区域信息可以由检测模型检测获得。
本实施例中，确定电子地图的多个语义要素样本，分别对多个语义要素样本进行干扰处理，获得多个语义要素样本分别对应的干扰要素样本。以基于多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本。实现对多个语义要素样本的干扰，以利用干扰后的多个干扰要素样本，参与对电子地图的变化对象的检测模型进行训练，获得的检测模型更稳定，检测精度更高。从而利用训练获得的检测模型检测新采集的场景图像以及要素图像中的变化对象，实现准确检测。
如图3所示，为根据本公开第二实施例提供的一种检测模型训练的流程图，该训练方法的执行主体为：检测模型训练装置。该训练装置可以位于电子设备中。电子设备例如可以为服务器、云服务器、手机、平板电脑、个人计算机、超级计算机等。该方法可以包括以下几个步骤：
301：获取电子地图中多个语义要素样本和对应的场景地图样本。
本公开实施例中部分步骤与前述实施例中部分步骤相同，为了描述的简洁性考虑，在此不再赘述。
302：获取多个语义要素样本分别对应的语义要素对象。
任一个语义要素样本对应有至少一个语义要素对象，每个语义要素对象对应有相应的区域位置以及要素对象信息。
303：对任一个语义要素对象进行位置干预处理，以获得每个语义要素对象对应的干扰要素对象。
其中，对任一个语义要素对象进行位置干扰处理，即确定任一个语义要素对象的干扰区域位置，在干扰区域位置上添加位置干扰信息的处理方式。
304：基于任一个语义要素样本对应的干扰要素对象更新该语义要素样本，以获得多个语义要素样本分别对应的干扰要素样本。
干扰要素样本可以由语义要素样本变更语义要素对象为对应的干扰要素对象获得。
305：基于多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本。
306：利用多个训练样本，训练变化对象的检测模型，获得目标检测模型。
其中，目标检测模型用于对电子地图中的场景地图图像以及对应的语义要素图像进行目标变化对象的检测。
本实施例中，在对语义要素样本进行更新时，可以获取各个语义要素样本中的语义要素对象，以对每个语义要素对象进行位置干扰处理，获得每个语义要素对象对应的干扰要素对象，实现对语义要素样本的准确更新。利用获得的各个干扰要素样本对电子地图的变化对象的检测模型进行训练，获得的检测模型更稳定，检测精度更高。从而利用训练获得的检测模型检测新采集的场景图像以及要素图像中的变化对象，实现准确检测。
作为一种可能的实施方式，对语义要素对象进行位置干扰处理时，可以结合语义要素对象的具体区域位置进行位置干扰。每个语义要素对象可以对应有相应的区域位置步骤303：对任一个语义要素对象进行位置干扰处理，以获得每个语义要素对象对应干扰要素对象，可以包括：
根据任一语义要素对象在对应语义要素样本中的区域位置，生成位置干扰信息。
利用位置干扰信息，将语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置。
将在干扰区域位置内的语义要素对象确定为干扰要素对象。
本实施例中，对任一个语义要素对象进行位置干扰处理时，可以根据任一语义要素对象在语义要素样本中的区域位置，生成位置干扰信息，以利用位置干扰信息，将语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置。通过将在区域干扰位置内的语义要素对象确定为干扰对象，实现干扰对象快速而准确地确定。对于任一个语义要素对象而言，可以利用该语义要素对象的位置干扰信息，对该语义要素对象进行快速而准确的更新，提高更新效率以及准确性。
在一个实施例中，在确定任一个语义要素对象的位置干扰信息时，可以通过对语义要素对象所对应的区域位置进行干扰计算获得。因此，在上述实施例中，任一个区域位置可以包括：矩形区域位置。其中，根据任一语义要素对象在对应语义要素地图中的区域位置，生成位置干扰信息，可以包括：
根据任一个语义要素对象在语义要素地图中的区域位置，确定语义要素对象的中心位置坐标，区域长度以及区域宽度。
根据区域长度以及区域宽度，结合预设移动参数，计算语义要素对象的中心扰动值。
以中心扰动值为标准差，中心位置坐标为均值，随机生成扰动中心坐标，以获得位置干扰信息。
可选地，移动参数可以随机生成。为了提高移动参数的精度，可以根据历史训练过程中，检测获得的变化对象的检测区域位置与该语义要素对象原有的区域位置进行差值计算，获得的差值计算结果逆向计算获得。为了提高移动参数的可靠性，可以计算多个移动参数值，并计算多个移动参数值的均值，获得最终的移动参数。
区域位置可以通过矩形区域的坐上角坐标点以及右下角坐标点构成。左上角坐标点表示为(X0，Y0)右下角坐标表示为(X1，Y1)。
其中，中心位置坐标为表示为(Xcenter，Ycenter)，可以通过以下公式计算获得：
区域长度w＝|X1-X0|，区域宽度h＝|Y1-Y0|。
本实施例中，对任一个语义要素对象进行更新时，可以采用对语义要素对象的区域位置，例如区域中心坐标、区域长度以及区域宽度等信息，对区域位置进行更新，实现区域位置所对应的位置干扰信息的准确计算，自动计算获得准确的位置干扰信息，以高效率及高精度的计算方法获得每个语义要素对象的位置干扰信息。
此外，本公开实施例中，各个样本要素对象的区域位置的形状除矩形区域之外，还可以是圆形、正方形、六边形等多边形区域。针对不同形状的区域位置的调整，具体可以参考矩形区域的调整，也即在区域中心点的基础上，对各个区域位置所在区域进行平行移动，以获得调整后的区域位置，获得各个语义要素对象对应的干扰要素对象。
在计算每个语义要素对象的位置干扰信息的过程中，中心扰动值的确定是较为关键的步骤，为了获得准确的中心扰动值，在一种可能的而设计中，根据区域长度以及区域宽度，结合预设移动参数，计算语义要素对象的中心扰动值可以包括：
计算区域长度以及区域宽度的乘积，获得区域面积。
计算区域面积的二分之一次方与移动参数的乘积，获得语义要素对象的中心扰动值。
语义要素对象的中心扰动值可以通过下述公式计算获得：
其中，σ为计算获得的中心扰动值。Θ为预设移动参数。w为区域长度，h为区域宽度。
本实施例中，在计算语义要素对象的中心扰动值时，可以首先计算区域长度以及区域宽度的乘积，获得区域面积，进而计算区域面积的二分之一次方与移动参数的乘积，获得语义要素对象的中心扰动值。通过准确计算中心扰动值，可以对语义要素对象的中心坐标进行移动，模拟图像映射产生的误差，以获得干扰要素对象。利用干扰要素对象对检测模型进行训练，可以提高语义检测模型的模型精度，提高训练获得的目标检测模型的鲁棒性，可以完成更准确的模型训练。
其中，以中心扰动值为标准差，中心位置坐标为均值，随机生成扰动中心坐标，以获得位置干扰信息，可以包括：
确定中心位置坐标的横坐标以及纵坐标。
以中心扰动值为标准差，横坐标为第一均值，随机生成扰动横坐标。
以中心扰动值为标准差，纵坐标为第二均值，随机生成扰动纵坐标。
将扰动横坐标以及扰动纵坐标构成位置干扰信息。
其中，以横坐标Xcenter均值，中心扰动值σ为标准差，随机生成扰动横坐标X′center；以纵坐标Ycenter为均值，中心扰动值σ为标准差，随机生成新的中心点纵坐标Y′center。
本实施例中，在生成扰动中心坐标时，利用中心扰动值以及原有中心位置坐标的横坐标以及纵坐标随机生成扰动横坐标以及扰动纵坐标，实现扰动横、纵坐标的准确生成，提高扰动横纵坐标的生成准确度以及精度。
在一种可能的设计中，利用位置干扰信息，将语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置，包括：
以位置干扰信息对应的扰动横坐标以及扰动纵坐标，作为中心坐标，结合区域长度以及区域宽度确定语义要素对象在对应语义要素样本中的干扰区域位，将语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置。
具体可以是，利用位置干扰信息(X′center，Y′center)替换原有中心位置坐标(Xcenter，Ycenter)。
利用扰动横坐标与区域长度中值之差，确定干扰区域位置左上角横坐标X′0。利用扰动纵坐标与区域宽度中值之差，确定干扰区域位置左上角纵坐标Y′0。也即，
利用扰动横坐标与区域长度中值之和，确定干扰区域位置右下角横坐标X′1。利用扰动纵坐标与区域宽度中值之和，确定干扰区域位置右下角纵坐标Y′1。也即，
本实施例中，以位置干扰信息对应的扰动横坐标以及扰动纵坐标，作为中心坐标，结合区域长度以及区域宽度，为语义要素对象在对应语义要素样本中生成新的矩形区域，获得语义要素对象的干扰区域位置，以获得每个语义要素对象更新后的干扰要素对象，实现对语义要素对象的准确更新。
作为又一个实施例，步骤304：基于任一个语义要素样本对应的干扰要素对象更新该语义要素样本，以获得多个语义要素样本分别对应的干扰要素样本，可以包括：
针对任一个语义要素样本，将语义要素样本中的语义要素对象替换为对应的干扰要素对象，以获得多个语义要素样本分别对应的干扰要素样本。
本实施例中，通过利用干扰要素对象对语义要素样本进行更新，实现语义要素样本的针对性更新，快速而准确地获得干扰要素样本。
作为又一种可能的实施方式，步骤303：对任一个语义要素对象进行位置干扰处理，以获得每个语义要素对象对应干扰要素对象，可以包括：
分别为多个语音要素样本增加随机噪声，获得多个语义要素样本分别对应的干扰要素样本。
可选地，分别为多个语义要素样本增加随机噪声，获得多个语义要素对象分别对应干扰要素对象，可以包括：获取多个语义要素对象分别对应的语义要素对象，确定任一个语义要素对象的区域位置的中心位置坐标，随机对该中心位置坐标增加噪声，获得该语义要素对象的区域位置对应的噪声中心坐标，将该语义要素对象的区域位置由原有的中心位置坐标移动到噪声中心坐标，获得该语义要素对象的干扰要素对象，以基于任一个语义要素样本对应的干扰要素对象更新语义要素样本，以获得多个语义要素样本分别对应的干扰要素样本。
本实施例中，通过分别为多个语义要素样本增加随机噪声，获得多个语义要素对象分别对应的干扰要素对象，实现对语义要素对象的快速干扰，提高干扰要素样本的生成效率，以进一步提升模型训练效率。
如图4所示，为根据本公开第三实施例提供的一种高精度地图更新方法的流程图，该高精度地图更新方法的执行主体为：电子地图更新装置。该更新装置可以位于电子设备中，该电子设备可以被用户使用。该检测方法可以包括以下几个步骤：
401：获取电子地图中待检测的场景地图图像以及对应的语义要素图像。
可以获取电子地图中同一目标区域对应的待检测的场景地图图像以及对应的语义要素图像。场景地图图像可以通过摄像头对目标区域采集获得。语义要素图像可以从电子地图中提取目标区域的地图数据获得。
402：利用目标检测模型对场景地图图像以及对应的语义要素图像中的目标变化对象进行检测，得到目标变化对象在语义要素图像中的位置区域；其中，目标检测模型是采用上述任一项的检测模型训练方法对变化对象的检测模型训练获得。
403：基于目标变化对象在语义要素图像中的位置区域，更新电子地图。
本实施例中，获取电子地图中待检测模型的场景地图以及对应的语义要素图像，利用目标检测模型对场景地图图像以及语义要素图像进行变化对象检测，以利用检测精度更高的目标检测模型实现更高精度的变化对象检测，提高检测精度。
作为一个实施例，基于目标变化对象在语义要素图像中的位置区域，更新电子地图，可以包括：
根据语义要素图像在电子地图的区域位置，确定语义要素图像中的位置区域在电子地图中的地图位置区域；
根据目标变化对象的变化信息，对电子地图中地图位置区域关联的目标变化对象进行信息变更处理，获得更新后的电子地图。
本实施例中，在根据目标变化对象对电子地图进行更新时，具体是对电子地图中语义要素对象在电子地图中的区域位置，确定语音要素图像种的位置区域在电子地图中的地图位置，以地图位置区域为变更基础，利用目标变化对象的变化信息，对电子地图中的地图位置区域关联的目标变化对象进行信息变更处理，获得更新后的电子地图，实现电子地图的高效自动变更，获得更准确的变更结果。
在图1所示实施例中，服务器1将训练获得的目标检测模型反馈给用户设备2，此外，在实际应用中，服务器1还可以直接基于用户设备2提供的场景地图图像以及语义要素图像，利用训练获得的目标检测模型直接在服务器进行变化对象的检测，并利用检测获得的目标变化对象在语义要素图像中的位置区域，更新电子地图。电子地图更新结束时，可以将更新后的电子地图反馈给用户设备2，由用户设备为用户输出供用户查看。
此外，如图5所示，为根据本公开提供的用于高精度地图更新方法的一种网络架构示意图，服务器1还可以与使用电子地图的终端设备3建立通信连接，将更新后的电子地图发送至相关终端设备3，指示用户终端3为相应的用户输出电子地图。参考图5，电子地图的使用用户可以通过终端设备请求获取电子地图，终端设备3例如可以包括自动驾驶汽车31、平板电脑32、手机33等。
图5所示实施例中，由服务器1执行电子地图的检测以及更新，在实际应用中，也可以由用户设备2直接利用接收的目标检测模型对场景地图图像以及语义要素图像，利用训练获得的目标检测模型直接在服务器进行变化对象的检测，并利用检测获得的目标变化对象在语义要素图像中的位置区域，更新电子地图。然后将更新后的电子地图发送至相应的终端设备，具体的执行步骤与服务器1侧执行步骤相同，在此不再赘述。
如图6所示，为根据本公开第四实施例提供的一种检测模型训练设备的结构示意图，该设备600可以包括以下几个单元：
图像确定单元601：用于获取电子地图中多个语义要素样本和对应的场景地图样本。其中，每个语义要素样本和每个场景地图样本的样本类型为图像。
图像干扰单元602：用于分别对多个语义要素样本进行干扰处理，获得多个语义要素样本分别对应的干扰要素样本。
数据确定单元603：用于基于多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本。
模型处理单元604：用于利用多个训练样本，训练变化对象的检测模型，获得目标检测模型。
其中，目标检测模型用于对场景地图图像以及对应的语义要素图像进行目标变化对象检测，得到目标变化对象在场景地图图像的位置区域以及在语义要素图像中的位置区域。
作为一个实施例，图像干扰单元，包括：
对象获取模块，用于获取多个语义要素样本分别对应的语义要素对象；
对象干扰模块，用于对任一个语义要素对象进行位置干扰处理，以获得每个语义要素对象对应干扰要素对象；
样本更新模块，用于基于任一个语义要素样本对应的干扰要素对象更新语义要素样本，以获得多个语义要素样本分别对应的干扰要素样本。
在一种可能的设计中，对象干扰模块，包括：
生成子模块，用于根据任一语义要素对象在对应语义要素样本中的区域位置，生成位置干扰信息；
替换子模块，用于利用位置干扰信息，将语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置；
更新子模块，用于将在干扰区域位置内的语义要素对象确定为干扰要素对象。
作为一种可选实施例方式，区域位置包括矩形区域位置；生成子模块具体用于：
根据任一语义要素对象在语义要素地图中的区域位置，确定语义要素对象的中心位置坐标，区域长度以及区域宽度；根据区域长度以及区域宽度，结合预设移动参数，计算语义要素对象的中心扰动值；以中心扰动值为标准差，中心位置坐标为均值，随机生成扰动中心坐标，以获得位置干扰信息。
在某些实施例中，生成子模块具体用于：
计算区域长度以及区域宽度的乘积，获得区域面积；计算区域面积的二分之一次方与移动参数的乘积，获得语义要素对象的中心扰动值。
在一种可能的设计中，生成子模块具体用于：
确定中心位置坐标的横坐标以及纵坐标；以中心扰动值为标准差，横坐标为第一均值，随机生成扰动横坐标；以中心扰动值为标准差，纵坐标为第二均值，随机生成扰动纵坐标；将扰动横坐标以及扰动纵坐标构成位置干扰信息。
作为一种可能的实施方式替换子模块具体用于：
以位置干扰信息对应的扰动横坐标以及扰动纵坐标，作为中心坐标，结合区域长度以及区域宽度确定语义要素对象在对应语义要素样本中的干扰区域位置；将语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置。
在一种可能的设计中，样本更新模块，包括：
对象替换子模块，用于针对任一个语义要素样本，将语义要素样本中的语义要素对象替换为对应的干扰要素对象，以获得多个语义要素样本分别对应的干扰要素样本。
作为又一个实施例，图像干扰单元，包括：
噪声干扰模块，用于分别为多个语音要素样本增加随机噪声，获得多个语义要素样本分别对应的干扰要素样本。
如图7所示，如图6所示，为根据本公开第五实施例提供的一种高精度地图更新设备的结构示意图，该设备700可以包括以下几个单元：
获取单元701：用于获取电子地图中待检测的场景地图图像以及对应的语义要素图像；
检测单元702：用于利用目标检测模型对场景地图图像以及对应的语义要素图像中的目标变化对象进行检测，得到目标变化对象在语义要素图像中的位置区域；其中，目标检测模型是采用如上述实施例任一项的检测模型训练方法对变化对象的检测模型训练获得；
更新单元703：用于基于目标变化对象在语义要素图像中的位置区域，更新电子地图。
作为一个实施例，更新单元，包括：
区域确定模块，用于根据语义要素图像在电子地图的位置，确定语义要素图像中的位置区域在电子地图中的地图位置区域；
地图更新模块，用于根据目标变化对象的变化信息，对电子地图中地图位置区域关联的目标变化对象进行信息变更处理，获得更新后的电子地图。
需要说明的是，本实施例中的人头模型并不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的二维人脸图像来自于公开数据集。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品和一种自动驾驶车辆。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如检测模型训练方法。例如，在一些实施例中，检测模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的检测模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行检测模型训练方法。
图9是用来实现本公开图4所示实施例的高精度地图更新方法的电子设备900的框图，如图9所示，该电子设备可以900包括：计算单元901，ROM902，RAM903，总线904，I/O接口905，输入单元906，输出单元907，存储单元908及通信单元909。
其中，各部件的连接关系及实现方式与图8中所示的电子设备的类似，在此不再一一赘述。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
根据本公开的实施例，本公开还提供了一种自动驾驶车辆。该自动驾驶车辆包括上述任意一个实施例提供的电子设备。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (24)
1.一种检测模型训练方法，包括：
获取电子地图中多个语义要素样本和对应的场景地图样本；其中，每个语义要素样本和每个场景地图样本的样本类型为图像；所述语义要素样本为所述电子地图中待更新的地图样本，所述场景地图样本为所述电子地图中新采集的地图样本；
分别对所述多个语义要素样本进行干扰处理，获得所述多个语义要素样本分别对应的干扰要素样本；
基于所述多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本；
利用所述多个训练样本，训练变化对象的检测模型，获得目标检测模型；
其中，所述目标检测模型用于对所述电子地图中的场景地图图像以及对应的语义要素图像进行目标变化对象的检测；
其中，所述分别对所述多个语义要素样本进行干扰处理，获得所述多个语义要素样本分别对应的干扰要素样本，包括：
获取所述多个语义要素样本分别对应的语义要素对象；
对任一个语义要素对象进行位置干扰处理，以获得每个语义要素对象对应干扰要素对象；
基于任一个语义要素样本对应的干扰要素对象更新所述语义要素样本，以获得所述多个语义要素样本分别对应的干扰要素样本。
2.根据权利要求1所述的方法，其中，所述对任一个语义要素对象进行位置干扰处理，以获得每个语义要素对象对应干扰要素对象，包括：
根据任一语义要素对象在对应语义要素样本中的区域位置，生成位置干扰信息；
利用所述位置干扰信息，将所述语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置；
将在所述干扰区域位置内的语义要素对象确定为干扰要素对象。
3.根据权利要求2所述的方法，其中，所述任一个区域位置包括矩形区域位置；所述根据任一语义要素对象在对应语义要素地图中的区域位置，生成位置干扰信息，包括：
根据任一语义要素对象在所述语义要素地图中的区域位置，确定所述语义要素对象的中心位置坐标，区域长度以及区域宽度；
根据所述区域长度以及所述区域宽度，结合预设移动参数，计算所述语义要素对象的中心扰动值；
以所述中心扰动值为标准差，所述中心位置坐标为均值，随机生成扰动中心坐标，以获得所述位置干扰信息。
4.根据权利要求3所述的方法，其中，所述根据所述区域长度以及所述区域宽度，结合预设移动参数，计算所述语义要素对象的中心扰动值，包括：
计算所述区域长度以及所述区域宽度的乘积，获得区域面积；
计算所述区域面积的二分之一次方与所述移动参数的乘积，获得所述语义要素对象的中心扰动值。
5.根据权利要求3所述的方法，其中，所述以所述中心扰动值为标准差，所述中心位置坐标为均值，随机生成扰动中心坐标，以获得所述位置干扰信息，包括：
确定所述中心位置坐标的横坐标以及纵坐标；
以所述中心扰动值为标准差，所述横坐标为第一均值，随机生成扰动横坐标；
以所述中心扰动值为标准差，所述纵坐标为第二均值，随机生成扰动纵坐标；
将所述扰动横坐标以及所述扰动纵坐标构成所述位置干扰信息。
6.根据权利要求5所述的方法，其中，所述利用所述位置干扰信息，将所述语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置，包括：
以所述位置干扰信息对应的所述扰动横坐标以及所述扰动纵坐标，作为中心坐标，结合所述区域长度以及所述区域宽度确定所述语义要素对象在对应语义要素样本中的干扰区域位置，将所述语义要素对象在对应语义要素样本中的区域位置替换为所述干扰区域位置。
7.根据权利要求1-6任一项所述的方法，其中，所述基于任一个语义要素样本对应的干扰要素对象更新所述语义要素样本，以获得所述多个语义要素样本分别对应的干扰要素样本，包括：
针对任一个语义要素样本，将语义要素样本中的语义要素对象替换为对应的干扰要素对象，以获得多个语义要素样本分别对应的干扰要素样本。
8.根据权利要求1-6任一项所述的方法，其中，所述分别对所述多个语义要素样本进行干扰处理，获得所述多个语义要素样本分别对应的干扰要素样本，包括：
分别为所述多个语音要素样本增加随机噪声，获得所述多个语义要素样本分别对应的干扰要素样本。
9.一种高精度地图更新方法，包括：
获取电子地图中待检测的场景地图图像以及对应的语义要素图像；
利用目标检测模型对场景地图图像以及对应的所述语义要素图像中的目标变化对象进行检测，得到所述目标变化对象在所述语义要素图像中的位置区域；其中，所述目标检测模型是采用如权利要求1-8任一项所述的检测模型训练方法对变化对象的检测模型训练获得；
基于所述目标变化对象在所述语义要素图像中的位置区域，更新所述电子地图。
10.根据权利要求9所述的方法，其中，所述基于所述目标变化对象在所述语义要素图像中的位置区域，更新所述电子地图，包括：
根据所述语义要素图像在所述电子地图的区域位置，确定所述语义要素图像中的位置区域在所述电子地图中的地图位置区域；
根据所述目标变化对象的变化信息，对所述电子地图中所述地图位置区域关联的所述目标变化对象进行信息变更处理，获得更新后的所述电子地图。
11.一种检测模型训练设备，包括：
图像确定单元，用于获取电子地图中多个语义要素样本和对应的场景地图样本；其中，每个语义要素样本和每个场景地图样本的样本类型为图像；所述语义要素样本为所述电子地图中待更新的地图样本，所述场景地图样本为所述电子地图中新采集的地图样本；
图像干扰单元，用于分别对所述多个语义要素样本进行干扰处理，获得所述多个语义要素样本分别对应的干扰要素样本；
数据确定单元，用于基于所述多个语义要素样本分别对应的干扰要素样本以及场景地图样本，确定多个训练样本；
模型处理单元，用于利用所述多个训练样本，训练变化对象的检测模型，获得目标检测模型；
其中，所述目标检测模型用于对所述电子地图中的场景地图图像以及对应的语义要素图像进行目标变化对象的检测；
其中，所述图像干扰单元，包括：
对象获取模块，用于获取所述多个语义要素样本分别对应的语义要素对象；
对象干扰模块，用于对任一个语义要素对象进行位置干扰处理，以获得每个语义要素对象对应干扰要素对象；
样本更新模块，用于基于任一个语义要素样本对应的干扰要素对象更新所述语义要素样本，以获得所述多个语义要素样本分别对应的干扰要素样本。
12.根据权利要求11所述的设备，其中，所述对象干扰模块，包括：
生成子模块，用于根据任一语义要素对象在对应语义要素样本中的区域位置，生成位置干扰信息；
替换子模块，用于利用所述位置干扰信息，将所述语义要素对象在对应语义要素样本中的区域位置替换为干扰区域位置；
更新子模块，用于将在所述干扰区域位置内的语义要素对象确定为干扰要素对象。
13.根据权利要求12所述的设备，其中，所述区域位置包括矩形区域位置；所述生成子模块具体用于：
根据任一语义要素对象在所述语义要素地图中的区域位置，确定所述语义要素对象的中心位置坐标，区域长度以及区域宽度；根据所述区域长度以及所述区域宽度，结合预设移动参数，计算所述语义要素对象的中心扰动值；以所述中心扰动值为标准差，所述中心位置坐标为均值，随机生成扰动中心坐标，以获得所述位置干扰信息。
14.根据权利要求13所述的设备，其中，所述生成子模块具体用于：
计算所述区域长度以及所述区域宽度的乘积，获得区域面积；计算所述区域面积的二分之一次方与所述移动参数的乘积，获得所述语义要素对象的中心扰动值。
15.根据权利要求13所述的设备，其中，所述生成子模块具体用于：
确定所述中心位置坐标的横坐标以及纵坐标；以所述中心扰动值为标准差，所述横坐标为第一均值，随机生成扰动横坐标；以所述中心扰动值为标准差，所述纵坐标为第二均值，随机生成扰动纵坐标；将所述扰动横坐标以及所述扰动纵坐标构成所述位置干扰信息。
16.根据权利要求15所述的设备，其中，所述替换子模块具体用于：
以所述位置干扰信息对应的所述扰动横坐标以及所述扰动纵坐标，作为中心坐标，结合所述区域长度以及所述区域宽度确定所述语义要素对象在对应语义要素样本中的干扰区域位置；将所述语义要素对象在对应语义要素样本中的区域位置替换为所述干扰区域位置。
17.根据权利要求11-16任一项所述的设备，其中，所述样本更新模块，包括：
对象替换子模块，用于针对任一个语义要素样本，将语义要素样本中的语义要素对象替换为对应的干扰要素对象，以获得多个语义要素样本分别对应的干扰要素样本。
18.根据权利要求11-16任一项所述的设备，其中，所述图像干扰单元，包括：
噪声干扰模块，用于分别为所述多个语音要素样本增加随机噪声，获得所述多个语义要素样本分别对应的干扰要素样本。
19.一种高精度地图更新设备，包括：
获取单元，用于获取电子地图中待检测的场景地图图像以及对应的语义要素图像；
检测单元，用于利用目标检测模型对场景地图图像以及对应的所述语义要素图像中的目标变化对象进行检测，得到所述目标变化对象在所述语义要素图像中的位置区域；其中，所述目标检测模型是采用如权利要求1-8任一项所述的检测模型训练方法对变化对象的检测模型训练获得；
更新单元，用于基于所述目标变化对象在所述语义要素图像中的位置区域，更新所述电子地图。
20.根据权利要求19所述的设备，其中，所述更新单元，包括：
区域确定模块，用于根据所述语义要素图像在所述电子地图的位置，确定所述语义要素图像中的位置区域在所述电子地图中的地图位置区域；
地图更新模块，用于根据所述目标变化对象的变化信息，对所述电子地图中所述地图位置区域关联的所述目标变化对象进行信息变更处理，获得更新后的所述电子地图。
21. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的检测模型训练方法。
22.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求9-10中任一项所述的高精度地图更新方法。
23.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的检测模型训练方法或者根据权利要求9-10中任一项所述的高精度地图更新方法。
24.一种自动驾驶车辆，包括如权利要求21或22所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111060534.XA CN113762397B (zh) | 2021-09-10 | 2021-09-10 | 检测模型训练、高精度地图更新方法、设备、介质及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111060534.XA CN113762397B (zh) | 2021-09-10 | 2021-09-10 | 检测模型训练、高精度地图更新方法、设备、介质及产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113762397A CN113762397A (zh) | 2021-12-07 |
| CN113762397B true CN113762397B (zh) | 2024-04-05 |
Family
ID=78794671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111060534.XA Active CN113762397B (zh) | 2021-09-10 | 2021-09-10 | 检测模型训练、高精度地图更新方法、设备、介质及产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762397B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115222610A (zh) * | 2022-03-11 | 2022-10-21 | 广州汽车集团股份有限公司 | 图像方法、装置、电子设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272031A (zh) * | 2018-09-05 | 2019-01-25 | 宽凳（北京）科技有限公司 | 一种训练样本生成方法及装置、设备、介质 |
| CN110472251A (zh) * | 2018-05-10 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
| CN110859043A (zh) * | 2018-06-22 | 2020-03-03 | 北京嘀嘀无限科技发展有限公司 | 一种更新高度自动化驾驶地图的系统和方法 |
| WO2020119684A1 (zh) * | 2018-12-14 | 2020-06-18 | 中国科学院深圳先进技术研究院 | 一种3d导航语义地图更新方法、装置及设备 |
| CN111637897A (zh) * | 2019-03-01 | 2020-09-08 | 纳恩博（常州）科技有限公司 | 地图的更新方法、更新装置、存储介质以及处理器 |
| CN111739016A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 目标检测模型训练方法、装置、电子设备及存储介质 |
| CN111797187A (zh) * | 2020-06-22 | 2020-10-20 | 北京百度网讯科技有限公司 | 地图数据的更新方法、装置、电子设备和存储介质 |
| CN112308156A (zh) * | 2020-11-05 | 2021-02-02 | 电子科技大学 | 一种基于对抗学习的两阶段图像变化检测方法 |
| CN112960000A (zh) * | 2021-03-15 | 2021-06-15 | 新石器慧义知行智驰(北京)科技有限公司 | 高精地图更新方法、装置、电子设备和存储介质 |
| CN113033510A (zh) * | 2021-05-21 | 2021-06-25 | 浙江大华技术股份有限公司 | 图像变化检测模型的训练和检测方法、设备及存储介质 |
| CN113048988A (zh) * | 2019-12-26 | 2021-06-29 | 北京初速度科技有限公司 | 一种导航地图对应场景的变化元素检测方法及装置 |
| CN113191256A (zh) * | 2021-04-28 | 2021-07-30 | 北京百度网讯科技有限公司 | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
| CN113326786A (zh) * | 2021-06-01 | 2021-08-31 | 百度在线网络技术（北京）有限公司 | 数据处理方法、装置、设备、车辆和存储介质 |
| CN113344852A (zh) * | 2021-04-30 | 2021-09-03 | 苏州经贸职业技术学院 | 一种电力场景通用物品的目标检测方法、装置及存储介质 |
-
2021
- 2021-09-10 CN CN202111060534.XA patent/CN113762397B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472251A (zh) * | 2018-05-10 | 2019-11-19 | 腾讯科技（深圳）有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
| CN110859043A (zh) * | 2018-06-22 | 2020-03-03 | 北京嘀嘀无限科技发展有限公司 | 一种更新高度自动化驾驶地图的系统和方法 |
| CN109272031A (zh) * | 2018-09-05 | 2019-01-25 | 宽凳（北京）科技有限公司 | 一种训练样本生成方法及装置、设备、介质 |
| WO2020119684A1 (zh) * | 2018-12-14 | 2020-06-18 | 中国科学院深圳先进技术研究院 | 一种3d导航语义地图更新方法、装置及设备 |
| CN111637897A (zh) * | 2019-03-01 | 2020-09-08 | 纳恩博（常州）科技有限公司 | 地图的更新方法、更新装置、存储介质以及处理器 |
| CN113048988A (zh) * | 2019-12-26 | 2021-06-29 | 北京初速度科技有限公司 | 一种导航地图对应场景的变化元素检测方法及装置 |
| CN111797187A (zh) * | 2020-06-22 | 2020-10-20 | 北京百度网讯科技有限公司 | 地图数据的更新方法、装置、电子设备和存储介质 |
| CN111739016A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 目标检测模型训练方法、装置、电子设备及存储介质 |
| CN112308156A (zh) * | 2020-11-05 | 2021-02-02 | 电子科技大学 | 一种基于对抗学习的两阶段图像变化检测方法 |
| CN112960000A (zh) * | 2021-03-15 | 2021-06-15 | 新石器慧义知行智驰(北京)科技有限公司 | 高精地图更新方法、装置、电子设备和存储介质 |
| CN113191256A (zh) * | 2021-04-28 | 2021-07-30 | 北京百度网讯科技有限公司 | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
| CN113344852A (zh) * | 2021-04-30 | 2021-09-03 | 苏州经贸职业技术学院 | 一种电力场景通用物品的目标检测方法、装置及存储介质 |
| CN113033510A (zh) * | 2021-05-21 | 2021-06-25 | 浙江大华技术股份有限公司 | 图像变化检测模型的训练和检测方法、设备及存储介质 |
| CN113326786A (zh) * | 2021-06-01 | 2021-08-31 | 百度在线网络技术（北京）有限公司 | 数据处理方法、装置、设备、车辆和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113762397A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112763995B (zh) | 雷达标定方法、装置、电子设备和路侧设备 | |
| CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
| CN112785625A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN113378693B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
| CN113377888A (zh) | 训练目标检测模型和检测目标的方法 | |
| CN113792061A (zh) | 地图数据的更新方法、装置及电子设备 | |
| CN111079079A (zh) | 数据修正方法、装置、电子设备及计算机可读存储介质 | |
| CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
| CN113971723B (zh) | 高精地图中三维地图的构建方法、装置、设备和存储介质 | |
| CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
| CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
| CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
| CN114743178B (zh) | 道路边缘线生成方法、装置、设备及存储介质 | |
| CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN116129087A (zh) | 定位方法、视觉地图的生成方法及其装置 | |
| CN113723405A (zh) | 区域轮廓的确定方法、装置和电子设备 | |
| CN112507951B (zh) | 指示灯识别方法、装置、设备、路侧设备和云控平台 | |
| CN114049615B (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 | |
| CN114219907B (zh) | 三维地图生成方法、装置、设备以及存储介质 | |
| CN114092874B (zh) | 目标检测模型的训练方法、目标检测方法及其相关设备 | |
| CN116051925B (zh) | 训练样本采集方法、装置、设备以及存储介质 | |
| CN116524165B (zh) | 三维表情模型的迁移方法、装置、设备和存储介质 | |
| CN113012281B (zh) | 人体模型的确定方法、装置、电子设备及存储介质 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
| CN113591847B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |