CN114037053A - 基于gan的车辆视觉感知数据增强方法及相关设备 - Google Patents
基于gan的车辆视觉感知数据增强方法及相关设备 Download PDFInfo
- Publication number
- CN114037053A CN114037053A CN202111279937.3A CN202111279937A CN114037053A CN 114037053 A CN114037053 A CN 114037053A CN 202111279937 A CN202111279937 A CN 202111279937A CN 114037053 A CN114037053 A CN 114037053A
- Authority
- CN
- China
- Prior art keywords
- weather image
- extreme weather
- visual perception
- training
- generation model
- 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
- 230000016776 visual perception Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 102
- 230000008447 perception Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 239000013589 supplement Substances 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于GAN的车辆视觉感知数据增强方法、装置、设备及可读存储介质,该方法包括:将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。本发明可以有效提高车辆视觉感知模型的训练效果,可以使训练集中的数据分布更均匀,同时还可以补充数据集中缺少的样本。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于GAN的车辆视觉感知数据增强方法、装置、设备及可读存储介质。
背景技术
在人工智能和传感器技术飞速发展的趋势下,自动驾驶成为当下热门的研究领域。自动驾驶中对车辆的感知能力的要求很高,导致基于深度学习的目标检测模型对用于训练数据的需求量比较大,一般采用数据增强的方法使模型获得更好的感知能力。现有的数据增强方法在自动驾驶的领域不能很好的使模型性能得到显著的提升,主要是因为增强后的数据脱离了车辆实际驾驶的场景。具体是指车辆驾驶场景的数据在旋转和平移等方式下会不符合实际车辆摄像头看到的场景。
发明内容
本发明的主要目的在于提供一种基于GAN的车辆视觉感知数据增强方法、装置、设备及可读存储介质,旨在解决车辆感知数据能力不强,感知数据训练效果不好,脱离实际车辆驾驶场景的问题。
第一方面,本发明提供一种基于GAN的车辆视觉感知数据增强方法,所述基于GAN的车辆视觉感知数据增强方法包括:
将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;
将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;
以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。
可选的,所述将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型的步骤之前,包括:
获取网络上公开的天气图像;
获取车辆摄像头采集的道路图像;
将所述公开的天气图像和所述车辆采集的道路图像进行分类标注,得到所述数据集。
可选的,所述将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型的步骤包括:
将所述训练集输入到所述对抗网络中,将所述训练集中的数据进行预处理,得到数据张量;
利用所述预设数据张量,使用小批量随机梯度下降方法和适应性矩估计优化方法对所述原始生成模型进行训练,得到极端天气图像生成模型;
对原始生成模型持续训练,当所述对抗网络中生成器和判别器的损失函数值相对稳定且所述极端天气图像生成模型输出的极端天气图像结果达到预设图像标准时,固定所述极端天气图像生成模型,结束训练。
可选的,所述将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像的步骤包括:
从车辆视觉感知数据库中选取一部分正常天气图像,输入到所述极端天气图像生成模型中;
使用前向传播得到所述第一极端天气图像。
可选的,以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集的步骤之后,还包括:
将所述训练集输入到车辆原始感知模型中;
利用所述训练集,对所述车辆原始感知模型进行训练,通过迭代得到强感知模型。
第二方面,本发明还提供一种基于GAN的车辆视觉感知数据增强装置,所述基于GAN的车辆视觉感知数据增强装置包括:
第一控制模块,用于:
将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;
第二控制模块,用于:
将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;
以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。
可选的,所述第一控制模块还用于:
将所述训练集输入到所述对抗网络中,将所述训练集中的数据进行预处理,得到数据张量;
利用所述预设数据张量,使用小批量随机梯度下降方法和适应性矩估计优化方法对所述原始生成模型进行训练,得到极端天气图像生成模型;
对原始生成模型持续训练,当所述对抗网络中生成器和判别器的损失函数值相对稳定且所述极端天气图像生成模型输出的极端天气图像结果达到预设图像标准时,固定所述极端天气图像生成模型,结束训练。
可选的,所述第二控制模块还用于:
从车辆视觉感知数据库中选取一部分正常天气图像,输入到所述极端天气图像生成模型中;
使用前向传播得到所述第一极端天气图像。
可选的,所述基于GAN的车辆视觉感知数据增强装置还包括采集模块,用于:
获取网络上公开的天气图像;
获取车辆摄像头采集的道路图像;
将所述公开的天气图像和所述车辆采集的道路图像进行分类标注,得到所述数据集。
可选的,所述基于GAN的车辆视觉感知数据增强装置还包括迭代模块,用于:
将所述训练集输入到车辆原始感知模型中;
利用所述训练集,对所述车辆原始感知模型进行训练,通过迭代得到强感知模型。
第三方面,本发明还提供一种基于GAN的车辆视觉感知数据增强设备,所述基于GAN的车辆视觉感知数据增强设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于GAN的车辆视觉感知数据增强程序,其中所述基于GAN的车辆视觉感知数据增强程序被所述处理器执行时,实现如上所述的基于GAN的车辆视觉感知数据增强方法的步骤。
第四方面,本发明还提供一种可读存储介质,所述可读存储介质上存储有基于GAN的车辆视觉感知数据增强程序,其中所述基于GAN的车辆视觉感知数据增强程序被处理器执行时,实现如上所述的基于GAN的车辆视觉感知数据增强方法的步骤。
本发明提供一种基于GAN的车辆视觉感知数据增强方法、装置、设备及可读存储介质,该方法包括:将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。本发明可以有效提高车辆视觉感知模型的训练效果,可以使训练集中的数据分布更均匀,同时还可以补充数据集中缺少的样本。
附图说明
图1为本发明实施例方案涉及的基于GAN的车辆视觉感知数据增强方法第一实施例的流程示意图;
图2为本发明实施例方案涉及的基于GAN的车辆视觉感知数据增强装置第一实施例的功能模块示意图;
图3为本发明实施例方案中涉及的基于GAN的车辆视觉感知数据增强设备的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
第一方面,本发明实施例提供了一种基于GAN的车辆视觉感知数据增强方法。
参照图1,图1为本发明实施例方案涉及的基于GAN的车辆视觉感知数据增强方法第一实施例的流程示意图。如图1所示,基于GAN的车辆视觉感知数据增强方法包括:
步骤S10,将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;
本实施例中,车辆的原始生成模型是需要训练的,训练的方式是将训练所需要的数据集输入到对抗网络中,利用数据集对车辆的原始生成模型进行训练,对抗网络在原始生成模型的内部。在训练过程中需要利用对抗网络中的生成器和判别器来比较生成的第一极端天气图像和已有的图像进行比较,直到第一极端天气图像和车辆实际驾驶时的极端天气场景比较接近的情况下,结束训练。
步骤S20,将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;
本实施例中,车辆视觉感知数据库是车辆本身拥有的数据库,里面有包括各种视觉感知数据,除了包含有正常的天气图像外,还会包含各种实际的极端天气图像。比如雨天、雪天、夜晚等。把车辆原始数据库中正常的天气图像放到极端天气图像生成模型中,得到第一极端天气图像,第一极端天气图像不是实际场景中的极端天气图像,而是极端天气图像生成模型生成出来的图像。
步骤S30,以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。
本实施例中,车辆的原始数据集中有实际驾驶场景中出现的正常天气图像和极端天气图像。传统增强方法具体是指对数据集的传统增强方法,传统的数据增强方式有旋转、平移、遮挡等。这些功能的实现时在代码中增加对应的函数,从而对图像进行处理,由传统增强方法处理生成出来的图像是有明显缺陷的,因为车辆在行驶过程中的驾驶数据在经过旋转和平移的处理后会不符合车辆摄像头实际获取的场景,需要结合其他的数据集来作为训练集。第一极端天气图像是指由训练后得到的极端天气图像生成模型生成出来的极端天气图像。将传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集可以使车辆原始感知模型拥有数量更大,数据种类更全面的训练集,从而使车辆原始感知模型的训练效果更好。
本实施例提供一种基于GAN的车辆视觉感知数据增强方法,该方法包括:将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。本发明可以有效提高车辆视觉感知模型的训练效果,可以使训练集中的数据分布更均匀,同时还可以补充数据集中缺少的样本。
进一步地,一实施例中,所述将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型的步骤之前,包括:
获取网络上公开的天气图像;
获取车辆摄像头采集的道路图像;
将所述公开的天气图像和所述车辆采集的道路图像进行分类标注,得到所述数据集。
本实施例中,网络上公开的天气图像是指网络上公开的天气场景数据集,主要反映的是大范围的环境的天气情况。车辆采集的道路信息具体是指由车辆摄像头采集到的道路图像,主要反映的是车辆周边环境的情况。车辆摄像头包括但不限于前视摄像头、侧视摄像头、环视摄像头。在得到大量图像数据后需要进行分类标注工作,将不同情况的极端天气图像和对应的正常天气图像组合成数据集,为后续数据处理工作做准备。
进一步地,一实施例中,所述将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型的步骤包括:
将所述训练集输入到所述对抗网络中,将所述训练集中的数据进行预处理,得到数据张量;
利用所述预设数据张量,使用小批量随机梯度下降方法和适应性矩估计优化方法对所述原始生成模型进行训练,得到极端天气图像生成模型;
对原始生成模型持续训练,当所述对抗网络中生成器和判别器的损失函数值相对稳定且所述极端天气图像生成模型输出的极端天气图像结果达到预设图像标准时,固定所述极端天气图像生成模型的各项参数,结束训练。
本实施例中,在训练集输入到对抗网络中之后,需要对数据集进行预处理,得到数据张量。数据张量的维度是2*N*C*W*H,其中2表示图像是成对的,N是一次训练需要的样本数,C为通道数,W为宽度,H为高度。
在对数据集进行预处理之后,需要利用minibatch SDG和Adam优化方法训练原始极端天气生成模型,minibatch SDG是指小批量随机梯度下降方法,Adam优化方法是指适应性矩估计优化方法。具体的训练工作是首先设置学习率(Lr)、Adam优化器中一阶矩估计的指数衰减率(β1)和二阶矩估计的指数衰减率(β2)。在训练的开始阶段设置Lr=0.001,β1=0.05,β2=0.99。在训练过程中,对抗网络中的判别器进行一次梯度下降,之后对抗网络中的生成器进行一次梯度下降。持续训练大于300个Epochs,Epochs是指数据在训练过程中训练的次数。
对原始生成模型的训练是持续进行的,当对抗网络中生成器和判别器的损失函数值差值保持稳定且极端天气图像生成模型输出的图像结果达到预设图像标准时,说明已经得到训练的效果,此时需要将极端天气图像生成模型的各项参数确定下来,保持各项参数数值不变,结束训练,把最后得到的极端天气图像生成模型的各项参数以文件形式保存下来。
进一步地,一实施例中,所述将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像的步骤包括:
从车辆视觉感知数据库中选取一部分正常天气图像,输入到所述极端天气图像生成模型中;
使用前向传播得到所述第一极端天气图像。
本实施例中,车辆视觉感知数据库中包含了车辆实际驾驶过程中正常的天气图像和极端天气图像,需要把其中一部分的正常天气图像输入到极端天气图像生成模型中。在极端天气图像生成模型中使用前向传播的方法,得到第一极端天气图像,第一极端天气图像就是极端天气图像生成模型得到的正常天气图像得到的对应的极端天气图像。
进一步地,一实施例中,所述以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集的步骤之后,还包括:
将所述训练集输入到车辆原始感知模型中;
利用所述训练集,对所述车辆原始感知模型进行训练,通过迭代得到强感知模型。
本实施例中,对车辆原始感知模型进行训练具体是指对车辆原始感知模型中的目标检测和语义分割进行训练。需要设定一个较低的学习率,使车辆原始感知模型继续训练,在迭代的过程中得到强感知模型,使车辆在实际行驶中获得更强的感知能力。
第二方面,本发明实施例还提供一种基于GAN的车辆视觉感知数据增强方法装置。
参照图2,图2为本发明实施例方案涉及的基于GAN的车辆视觉感知数据增强装置第一实施例的功能模块示意图。
本实施例中,所述基于GAN的车辆视觉感知数据增强装置包括:
第一控制模块10,用于:
将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;
第二控制模块20,用于:
将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;
以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。
进一步地,一实施例中,所述第一控制模块10还用于:
将所述训练集输入到所述对抗网络中,将所述训练集中的数据进行预处理,得到数据张量;
利用所述预设数据张量,使用小批量随机梯度下降方法和适应性矩估计优化方法对所述原始生成模型进行训练,得到极端天气图像生成模型;
对原始生成模型持续训练,当所述对抗网络中生成器和判别器的损失函数值相对稳定且所述极端天气图像生成模型输出的极端天气图像结果达到预设图像标准时,固定所述极端天气图像生成模型,结束训练。
进一步地,一实施例中,所述第二控制模块20还用于:
从车辆视觉感知数据库中选取一部分正常天气图像,输入到所述极端天气图像生成模型中;
使用前向传播得到所述第一极端天气图像。
进一步地,一实施例中,所述基于GAN的车辆视觉感知数据增强装置还包括采集模块,用于:
获取网络上公开的天气图像;
获取车辆摄像头采集的道路图像;
将所述公开的天气图像和所述车辆采集的道路图像进行分类标注,得到所述数据集。
进一步地,一实施例中,所述基于GAN的车辆视觉感知数据增强装置还包括迭代模块,用于:
将所述训练集输入到车辆原始感知模型中;
利用所述训练集,对所述车辆原始感知模型进行训练,通过迭代得到强感知模型。
其中,上述基于GAN的车辆视觉感知数据增强装置中各个模块的功能实现与上述基于GAN的车辆视觉感知数据增强方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
第三方面,本发明实施例提供一种基于GAN的车辆视觉感知数据增强设备。
参照图3,图3为本发明实施例方案中涉及的基于GAN的车辆视觉感知数据增强设备的硬件结构示意图。本发明实施例中,基于GAN的车辆视觉感知数据增强设备可以包括处理器1001(例如中央处理器Central Processing Unit,CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WI-FI接口);存储器1005可以是高速随机存取存储器(random access memory,RAM),也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图3中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图3,图3中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于GAN的车辆视觉感知数据增强程序。其中,处理器1001可以调用存储器1005中存储的基于GAN的车辆视觉感知数据增强程序,并执行本发明实施例提供的基于GAN的车辆视觉感知数据增强方法。
第四方面,本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有基于GAN的车辆视觉感知数据增强程序,其中所述基于GAN的车辆视觉感知数据增强程序被处理器执行时,实现如上述的基于GAN的车辆视觉感知数据增强方法的步骤。
其中,基于GAN的车辆视觉感知数据增强程序被执行时所实现的方法可参照本发明基于GAN的车辆视觉感知数据增强方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于GAN的车辆视觉感知数据增强方法,其特征在于,所述基于GAN的车辆视觉感知数据增强方法包括:
将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;
将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;
以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。
2.如权利要求1所述的基于GAN的车辆视觉感知数据增强方法,其特征在于,所述将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型的步骤之前,包括:
获取网络上公开的天气图像;
获取车辆摄像头采集的道路图像;
将所述公开的天气图像和所述车辆采集的道路图像进行分类标注,得到所述数据集。
3.如权利要求1所述的基于GAN的车辆视觉感知数据增强方法,其特征在于,所述将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型的步骤包括:
将所述训练集输入到所述对抗网络中,将所述训练集中的数据进行预处理,得到数据张量;
利用所述预设数据张量,使用小批量随机梯度下降方法和适应性矩估计优化方法对所述原始生成模型进行训练,得到极端天气图像生成模型;
对原始生成模型持续训练,当所述对抗网络中生成器和判别器的损失函数值相对稳定且所述极端天气图像生成模型输出的极端天气图像结果达到预设图像标准时,固定所述极端天气图像生成模型,结束训练。
4.如权利要求3所述的基于GAN的车辆视觉感知数据增强方法,其特征在于,所述将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像的步骤包括:
从车辆视觉感知数据库中选取一部分正常天气图像,输入到所述原始生成模型中;
使用前向传播得到所述第一极端天气图像。
5.如权利要求1所述的基于GAN的车辆视觉感知数据增强方法,其特征在于,所述以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集的步骤之后,还包括:
将所述训练集输入到车辆原始感知模型中;
利用所述训练集,对所述车辆原始感知模型进行训练,通过迭代得到强感知模型。
6.一种基于GAN的车辆视觉感知数据增强装置,其特征在于,所述基于GAN的车辆视觉感知数据增强装置包括:
第一控制模块,用于:
将数据集输入到对抗网络中,训练原始生成模型,得到极端天气图像生成模型;
第二控制模块,用于:
将车辆视觉感知数据库中正常天气图像输入到所述极端天气图像生成模型中,得到第一极端天气图像;
以传统增强方法处理得到的图像、所述第一极端天气图像和车辆原始数据集和作为训练集。
7.如权利要求6所述的基于GAN的车辆视觉感知数据增强装置,其特征在于,所述第一控制模块还用于:
将所述训练集输入到所述对抗网络中,将所述训练集中的数据进行预处理,得到数据张量;
利用所述预设数据张量,使用小批量随机梯度下降方法和适应性矩估计优化方法对所述原始生成模型进行训练,得到极端天气图像生成模型;
对原始生成模型持续训练,当所述对抗网络中生成器和判别器的损失函数值相对稳定且所述极端天气图像生成模型输出的极端天气图像结果达到预设图像标准时,固定所述极端天气图像生成模型,结束训练。
8.如权利要求6所述的基于GAN的车辆视觉感知数据增强装置,其特征在于,所述第二控制模块还用于:
从车辆视觉感知数据库中选取一部分正常天气图像,输入到所述极端天气图像生成模型中;
使用前向传播得到所述第一极端天气图像。
9.一种基于GAN的车辆视觉感知数据增强设备,其特征在于,所述基于GAN的车辆视觉感知数据增强设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于GAN的车辆视觉感知数据增强程序,其中所述基于GAN的车辆视觉感知数据增强程序被所述处理器执行时,实现如权利要求1至5中任一项所述的基于GAN的车辆视觉感知数据增强方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有基于GAN的车辆视觉感知数据增强程序,其中所述基于GAN的车辆视觉感知数据增强程序被处理器执行时,实现如权利要求1至5中任一项所述的基于GAN的车辆视觉感知数据增强方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111279937.3A CN114037053A (zh) | 2021-10-28 | 2021-10-28 | 基于gan的车辆视觉感知数据增强方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111279937.3A CN114037053A (zh) | 2021-10-28 | 2021-10-28 | 基于gan的车辆视觉感知数据增强方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037053A true CN114037053A (zh) | 2022-02-11 |
Family
ID=80142356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111279937.3A Pending CN114037053A (zh) | 2021-10-28 | 2021-10-28 | 基于gan的车辆视觉感知数据增强方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037053A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11669937B2 (en) | 2022-02-28 | 2023-06-06 | Huajie ZENG | Method and system for enhancing image captured by on-board camera, and computing device |
US11694307B2 (en) | 2022-02-28 | 2023-07-04 | Huajie ZENG | Image enhancement system and method based on generative adversarial network (GAN) model |
WO2023159670A1 (zh) * | 2022-02-28 | 2023-08-31 | 曾华杰 | 基于生成对抗模型的图像增强方法和图像增强系统 |
WO2023159671A1 (zh) * | 2022-02-28 | 2023-08-31 | 曾华杰 | 增强车辆的摄像头拍摄的影像的方法、系统和计算设备 |
-
2021
- 2021-10-28 CN CN202111279937.3A patent/CN114037053A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11669937B2 (en) | 2022-02-28 | 2023-06-06 | Huajie ZENG | Method and system for enhancing image captured by on-board camera, and computing device |
US11694307B2 (en) | 2022-02-28 | 2023-07-04 | Huajie ZENG | Image enhancement system and method based on generative adversarial network (GAN) model |
WO2023159670A1 (zh) * | 2022-02-28 | 2023-08-31 | 曾华杰 | 基于生成对抗模型的图像增强方法和图像增强系统 |
WO2023159671A1 (zh) * | 2022-02-28 | 2023-08-31 | 曾华杰 | 增强车辆的摄像头拍摄的影像的方法、系统和计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114037053A (zh) | 基于gan的车辆视觉感知数据增强方法及相关设备 | |
CN108156519B (zh) | 图像分类方法、电视设备及计算机可读存储介质 | |
US11620480B2 (en) | Learning method, computer program, classifier, and generator | |
EP3532997B1 (en) | Training and/or using neural network models to generate intermediary output of a spectral image | |
CN110009648B (zh) | 基于深浅特征融合卷积神经网络的路侧图像车辆分割方法 | |
CN102013022B (zh) | 一种针对人群密集监控场景的选择式特征背景减除方法 | |
CN110197716B (zh) | 医学影像的处理方法、装置及计算机可读存储介质 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
KR101173559B1 (ko) | 비디오 동영상의 움직이는 다중 객체 자동 분할 장치 및 방법 | |
CN109544561A (zh) | 细胞标注方法、系统和装置 | |
CN110852980A (zh) | 交互式图像填充方法及系统、服务器、设备及介质 | |
CN111815606B (zh) | 图像质量评估方法、存储介质及计算装置 | |
Kim et al. | Adaptive patch based convolutional neural network for robust dehazing | |
US20200234441A1 (en) | Capture and Storage of Magnified Images | |
CN112508815A (zh) | 模型的训练方法和装置、电子设备、机器可读存储介质 | |
CN113538304B (zh) | 图像增强模型的训练方法及装置、图像增强方法及装置 | |
CN110390724B (zh) | 一种带有实例分割的slam方法 | |
CN114359789A (zh) | 视频图像的目标检测方法、装置、设备及介质 | |
CN115731451A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN111539420B (zh) | 基于注意力感知特征的全景图像显著性预测方法及系统 | |
CN112084371B (zh) | 一种电影多标签分类方法、装置、电子设备以及存储介质 | |
CN114004974A (zh) | 对弱光环境下拍摄的图像的优化方法及装置 | |
KR20220079125A (ko) | 준지도 학습 방식의 단일 영상 깊이 추정 시스템 및 방법과 이를 위한 컴퓨터 프로그램 | |
CN112597825A (zh) | 驾驶场景分割方法、装置、电子设备和存储介质 | |
CN111160240B (zh) | 图像对象的识别处理方法、装置及智能设备、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 |