CN115601561A - 高精地图目标检测方法、装置、设备及介质 - Google Patents
高精地图目标检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115601561A CN115601561A CN202211363609.6A CN202211363609A CN115601561A CN 115601561 A CN115601561 A CN 115601561A CN 202211363609 A CN202211363609 A CN 202211363609A CN 115601561 A CN115601561 A CN 115601561A
- Authority
- CN
- China
- Prior art keywords
- feature
- point cloud
- target image
- image feature
- reference coordinate
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种目标检测方法、装置、设备及介质,涉及人工智能技术领域,尤其涉及自动驾驶、高精地图、导航技术领域。实现方案为:获取目标场景中的点云数据和至少一个图像数据;获取至少一个点云特征;获取至少一个图像数据分别相应的至少一个特征图;预测每个点云特征相应的第一参考坐标和第一偏移量;基于每个点云特征的第一偏移量,校正第一参考坐标,以获取第二参考坐标;基于第二参考坐标,获取第一图像特征;基于每个特征图的至少一个第一图像特征,获取至少一个目标图像特征;基于至少一个目标图像特征和相应的至少一个点云特征,获取至少一个融合特征;以及基于至少一个融合特征,预测得到道路目标例如车道线的检测结果。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自动驾驶、高精地图、导航技术领域,具体涉及一种目标检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在自动驾驶领域高精地图的生成过程中,车道线的语义分割工作和道路上的目标检测工作均具有十分重要的意义。基于点云数据和图像数据的融合特征的车道线语义分割方法和目标检测方法,一定程度上提升了车道线识别以及目标检测的准确率。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种目标检测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种目标检测方法,包括:获取目标场景中的点云数据和至少一个图像数据;对点云数据进行特征提取,以获取至少一个点云特征;对至少一个图像数据中的每个图像数据进行特征提取,以获取至少一个图像数据分别相应的至少一个特征图;基于至少一个点云特征,预测得到至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量;基于至少一个点云特征中每个点云特征相应的第一偏移量,校正相应的第一参考坐标,以获取第二参考坐标;针对至少一个特征图中的每个特征图,基于至少一个点云特征相应的至少一个第二参考坐标,获取该特征图中至少一个第一位置相应的至少一个第一图像特征,至少一个第一位置与至少一个第二参考坐标分别对应;基于至少一个特征图中每个特征图的至少一个第一图像特征,获取至少一个目标图像特征,至少一个目标图像特征与至少一个点云特征分别对应;基于至少一个目标图像特征和分别相应的至少一个点云特征,获取至少一个融合特征;以及基于至少一个融合特征,预测得到道路目标的检测结果。
根据本公开的另一方面,提供了一种目标检测装置,包括:第一获取单元,被配置为获取目标场景中的点云数据和至少一个图像数据;第二获取单元,被配置为对点云数据进行特征提取,以获取至少一个点云特征;第三获取单元,被配置为对至少一个图像数据中的每个图像数据进行特征提取,以获取至少一个图像数据分别相应的至少一个特征图;第一预测单元,被配置为基于至少一个点云特征,预测得到至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量;校正单元,被配置为基于至少一个点云特征中每个点云特征相应的第一偏移量,校正相应的第一参考坐标,以获取第二参考坐标;第四获取单元,被配置为针对至少一个特征图中的每个特征图,基于至少一个点云特征相应的至少一个第二参考坐标,获取该特征图中至少一个第一位置相应的至少一个第一图像特征,至少一个第一位置与至少一个第二参考坐标分别对应;第五获取单元,被配置为基于至少一个特征图中每个特征图的至少一个第一图像特征,获取至少一个目标图像特征,至少一个目标图像特征与至少一个点云特征分别对应;第六获取单元,被配置为基于至少一个目标图像特征和分别相应的至少一个点云特征,获取至少一个融合特征;以及第二预测单元,被配置为基于至少一个融合特征,预测得到道路目标的检测结果。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述目标检测方法。
根据本公开的另一方面,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,计算机指令用于使计算机执行上述目标检测方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述目标检测方法。
根据本公开的一个或多个实施例,能够提升参考坐标偏移校正的准确性,进而提升目标图像特征和点云特征的一致性,提升目标检测的准确性。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的目标检测方法的流程图;
图3示出了根据本公开的实施例的特征融合网络的结构示意图;
图4示出了根据本公开的实施例的目标检测方法的流程图;
图5A示出了根据本公开的实施例进行车道线检测的检测结果图;
图5B示出了根据相关技术进行车道线检测的检测结果图;
图6示出了根据本公开的实施例的目标检测装置的结构框图;
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行上述目标检测方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来获取点云数据和图像数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120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。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的实施例,如图2所示,提供了一种目标检测方法,包括:步骤S201、获取目标场景中的点云数据和至少一个图像数据;步骤S202、对点云数据进行特征提取,以获取至少一个点云特征;步骤S203、对至少一个图像数据中的每个图像数据进行特征提取,以获取至少一个图像数据分别相应的至少一个特征图;步骤S204、基于至少一个点云特征,预测得到至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量;步骤S205、基于至少一个点云特征中每个点云特征相应的第一偏移量,校正相应的第一参考坐标,以获取第二参考坐标;步骤S206、针对至少一个特征图中的每个特征图,基于至少一个点云特征相应的至少一个第二参考坐标,获取该特征图中至少一个第一位置相应的至少一个第一图像特征,至少一个第一位置与至少一个第二参考坐标分别对应;步骤S207、基于至少一个特征图中每个特征图的至少一个第一图像特征,获取至少一个目标图像特征,至少一个目标图像特征与至少一个点云特征分别对应;步骤S208、基于至少一个目标图像特征和分别相应的至少一个点云特征,获取至少一个融合特征;以及步骤S209、基于至少一个融合特征,预测得到目标检测结果。
由此,能够提升参考坐标偏移校正的准确性,进而提升目标图像特征和点云特征的一致性,提升目标检测的准确性。
在一些实施例中,本公开的上述方法例如可以用于对车道线、道路中的车辆、行人、交通指示标识等道路目标的检测。
在一些实施例中,可以基于经过训练的语义分割模型和目标检测模型,对通过上述方法得到的点云数据和图像数据的融合特征进行预测,从而获得上述道路目标的检测结果。以下将以车道线检测为例对本公开的方法进行介绍。
在一些实施例中,图像数据是指针对目标场景采集的二维图像数据;点云数据是指针对目标场景采集的三维点云数据。图像数据和点云数据可以是分别从不同角度针对同一目标场景进行采集获得的。图像数据可以通过图像采集设备如摄像机对场景拍摄得到;点云数据可以是通过激光雷达对场景扫描得到,其中,图像采集设备的标定参数是预先确定的。
在一些实施例中,在对点云数据进行特征提取的过程中,可以首先对点云数据进行基于点云反射值强度的插值处理以获得三维点云图像,并在其中保留点云的坐标信息。随后,可以基于三维点云图像获取道路所在平面的二维点云图像。具体操作可以是,首先获取三维点云图像中一定高度内的点云图像(例如可以是路面区域及以上的一定高度内),并基于预设的长度和宽度将上述点云图像划分为多个点云区域,每个点云区域中包括一个或多个点;基于每个点云区域的一个或多个点的坐标,确定该点云区域的中心点坐标,并分别获取该区域中每个点到中心点的距离;随后,可以基于该区域中的每个点的反射值强度基于相应的权重进行加权平均,所得数值即可作为该中心点的反射值强度,其中,每个点相应的权重可以是其与中心点坐标相距的距离的倒数。在一些实施例中,当某个点云区域中的点的数量少于预设阈值时,可以将该中心点标注为零,以使其不参与后续的特征提取和模型预测过程。
基于上述方法,分别获取每个点云区域的中心点及其相应的坐标信息和反射值强度信息,即可基于上述中心点获取目标场景中道路路面的二维点云图像。
在一些实施例中,可以通过一个骨干网络针对上述二维点云图像进行特征提取,从而获得至少一个点云特征,其中,每个点云特征均对应其相应的中心点坐标信息。
在一些实施例中,可以通过一个骨干网络分别对至少一个图像数据中的每个图像数据均进行图像特征提取,从而获取到每个图像数据相应的特征图,其中,每个特征图中均包括多个图像特征,每个图像特征分别对应相应的图像坐标。
在一些实施例中,首先可以基于至少一个点云特征,预测得到至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量。具体的,可以将至少一个第一点云特征分别输入到不同的经过训练的神经网络中,从而分别获取两个神经网络输出的至少一个第一参考坐标和至少一个第一偏移量。
其中,上述两个神经网络可以分别基于多层感知神经网络训练获得。
在一些实施例中,至少一个点云特征中的每个点云特征包括相应的点云坐标,基于至少一个点云特征,预测得到至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量可以包括:将至少一个点云特征相应的至少一个点云坐标输入第一神经网络,以获得第一神经网络输出的至少一个第一参考坐标;以及将至少一个点云特征输入第二神经网络,以获得第二神经网络输出的至少一个点云特征中每个点云特征相应的第一偏移量,其中,第一神经网络和第二神经网络基于包含检测目标标注信息的样本点云数据和样本图像数据训练得到。
由此,通过每个点云特征相应的点云坐标,来进行参考坐标的获取;同时基于每个点云特征,获取每个参考坐标对应的偏移量,从而进一步加强了对点云数据中所包含的信息(也即点云特征及其相应的点云坐标)的应用,能够进一步提升参考点的偏移校正准确性以及图像特征和点云特征的一致性。
图3示出了根据本公开的实施例的特征融合网络的结构示意图。
参看图3,可以将至少一个点云特征相应的至少一个点云坐标输入到第一神经网络301中,从而获得第一神经网络301输出的至少一个第一参考坐标。同时,可以将至少一个点云特征输入到第二神经网络302中,从而获得第二神经网络302输出的至少一个第一偏移量。随后,即可基于第一偏移量,对相应的第一参考坐标进行校正,以获得至少一个第二参考坐标。
随后,可以基于上述至少一个第二参考坐标以及图像采集设备的标定参数,将每个第二参考坐标投影到每个特征图中的相应第一位置,即可获取该第一位置相应的第一图像特征。相较于直接将至少一个点云坐标投影到每个特征图中,通过获取上述第一参考坐标,并基于相应的第一偏移量进行坐标校正,能够中和由于标定参数存在的误差所带来的投影误差,避免了所提取的图像特征与点云特征无法对应的情况,从而提升了图像特征和点云特征的匹配性和一致性,进而提升了后续车道线检测的准确性。
在一些实施例中,上述第一神经网络和第二神经网络可以分别基于多层感知神经网络训练获得,具体的训练方式可以是,首先在上述特征融合网络(例如参考图3)后进一步增加一个用于执行语义分割任务的输出网络,随后,可以基于标注了车道线的点云样本数据和至少一个图像样本数据对上述网络进行训练,从而训练得到上述第一神经网络、第二神经网络以及输出网络。
在一些实施例中,在获取每个特征图中的至少一个第一图像特征后,可以对至少一个特征图中相应位置的第一图像特征进行加权平均或进行拼接操作,从而获得至少一个目标图像特征。
在一些实施例中,第二神经网络的输出还包括至少一个点云特征中每个点云特征相应的第一注意力权重,基于至少一个特征图中每个特征图的至少一个第一图像特征,获取至少一个目标图像特征可以包括:基于至少一个特征图中每个特征图的至少一个第一图像特征以及相应的至少一个第一注意力权重,获取至少一个目标图像特征。
由此,基于第二神经网络同时获取每个图像特征对应的注意力权重,从而在进行后续图像特征提取时,能够进一步获取不同位置的特征的重要性的区别,从而为后续任务(例如目标检测任务、车道识别任务)引入更加丰富的特征信息。
在一些实施例中,第二神经网络的输出还可以包括每个点云特征相应的第一注意力权重,该权重可以表示点云图像和特征图中的相应位置的特征的重要程度。在获取每个特征图中的至少一个第一图像特征后,首先可以对至少一个特征图中相应位置的第一图像特征进行加权平均或进行拼接操作,以获得至少一个中间特征,随后可以对每个中间特征分别乘以相应的第一注意力权重,以获取至少一个目标图像特征,从而将每个图像特征的重要度信息引入预测过程中,进一步提升后续车道线检测等目标任务的准确性。
在一些实施例中,获取至少一个目标图像特征后,即可基于至少一个目标图像特征和分别相应的至少一个点云特征,获取至少一个融合特征。
在一些实施例中,目标图像特征和相应的点云特征可以基于加权求和或直接进行拼接的方式,实现特征的融合,以获得相应的融合特征。
随后,即可将至少一个融合特征输入到用于执行目标检测任务的输出网络中,以获取相应的目标检测结果。例如,对于车道线检测任务,可以将上述融合特征输入到基于上述方法训练得到的语义分割输出网络中,从而获得车道线检测结果。
在一些实施例中,如图4所示,上述目标检测方法还可以包括:基于至少一个目标图像特征,执行下述目标图像特征的更新操作:步骤S401、基于至少一个目标图像特征,获取至少一个目标图像特征中每个目标图像特征相应的第三参考坐标和第二偏移量;步骤S402、基于至少一个目标图像特征中每个目标图像特征相应的第二偏移量,校正相应的第三参考坐标,以获取相应的第四参考坐标;步骤S403、针对至少一个特征图中的每个特征图,基于至少一个目标图像特征相应的至少一个第四参考坐标,获取该特征图中至少一个第二位置相应的至少一个第二图像特征,至少一个第二位置与至少一个第四参考坐标分别对应;以及步骤S404、基于至少一个特征图中每个特征图的至少一个第二图像特征,获取更新后的至少一个目标图像特征;以及步骤S405、基于更新后的至少一个目标图像特征和分别相应的至少一个点云特征,获取更新后的至少一个融合特征。
在根据上述方法进行一轮特征融合后,可以继续将所得的至少一个融合特征重新输入到上述特征融合网络中,并执行与上述类似的特征融合操作,从而获取到更新后的至少一个融合特征。由此,可以基于经过处理的融合特征,进一步获取参考坐标的偏移量并对参考坐标进行再一次校正,通过利用第一轮特征融合过程中预测得到的各个维度的信息,进一步加强了图像特征和点云特征的匹配性和一致性,进而提升了后续车道线检测的准确性。
在一些实施例中,基于至少一个目标图像特征,获取至少一个目标图像特征中每个目标图像特征相应的第三参考坐标和第二偏移量可以包括:将至少一个目标图像特征输入第一神经网络,以获得第一神经网络输出的至少一个第三参考坐标;以及将至少一个目标图像特征输入第二神经网络,以获得第二神经网络输出的至少一个目标图像特征中每个目标图像特征相应的第二偏移量。
其中,可以将至少一个目标图像特征输入上述第一神经网络,从而获得相应的至少一个第三参考坐标,同时将至少一个目标图像特征输入上述第二神经网络中,从而获得相应的至少一个第二偏移量,从而充分利用上轮预测获得的信息,能够进一步提升参考点的偏移校正准确性以及图像特征和点云特征的一致性。
在一些实施例中,响应于第二神经网络的输入为至少一个目标图像特征,第二神经网络的输出还包括至少一个目标图像特征中每个目标图像特征相应的第二注意力权重,基于至少一个特征图中每个特征图的至少一个第二图像特征,获取更新后的至少一个目标图像特征可以包括:基于至少一个特征图中每个特征图的至少一个第二图像特征以及相应的至少一个第二注意力权重,获取更新后的至少一个目标图像特征。
由此,基于第二神经网络同时获取每个图像特征对应的注意力权重,从而在进行后续图像特征提取时,能够进一步获取不同位置的特征的重要性的区别,从而为后续任务(例如目标检测任务、车道识别任务)引入更加丰富的特征信息。
在一些实施例中,上述目标检测方法还可以包括:基于更新后的至少一个目标图像特征,执行多次更新操作,以获取经过多次更新的至少一个目标图像特征;以及基于经过多次更新的至少一个目标图像特征和分别相应的至少一个点云特征,获取更新后的至少一个融合特征。
在一些实施例中,上述更新操作例如可以重复执行6次,并将最终输出的至少一个目标图像特征输入到相应的目标检测输出网络中,从而获得相应的目标检测结果。由此,通过多次进行偏移校正,使得最终获得的图像特征和点云特征的一致性更强,所得的融合特征更加精确。
图5A示出了根据本公开的实施例进行车道线检测的检测结果图;图5B示出了根据相关技术进行车道线检测的检测结果图。
基于图5A和图5B可以看出,根据本公开的实施例所提供的方法得到的车道线检测结果边缘更加清晰,并且在反射值强度较弱的区域,本公开的实施例所提供的方法也具有更加精准的检测效果。
在一些实施例中,如图6所示,提供了一种目标检测装置600,包括:第一获取单元610,被配置为获取目标场景中的点云数据和至少一个图像数据;第二获取单元620,被配置为对点云数据进行特征提取,以获取至少一个点云特征;第三获取单元630,被配置为对至少一个图像数据中的每个图像数据进行特征提取,以获取至少一个图像数据分别相应的至少一个特征图;第一预测单元640,被配置为基于至少一个点云特征,预测得到至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量;校正单元650,被配置为基于至少一个点云特征中每个点云特征相应的第一偏移量,校正相应的第一参考坐标,以获取第二参考坐标;第四获取单元660,被配置为针对至少一个特征图中的每个特征图,基于至少一个点云特征相应的至少一个第二参考坐标,获取该特征图中至少一个第一位置相应的至少一个第一图像特征,至少一个第一位置与至少一个第二参考坐标分别对应;第五获取单元670,被配置为基于至少一个特征图中每个特征图的至少一个第一图像特征,获取至少一个目标图像特征,至少一个目标图像特征与至少一个点云特征分别对应;第六获取单元680,被配置为基于至少一个目标图像特征和分别相应的至少一个点云特征,获取至少一个融合特征;以及第二预测单元690,被配置为基于至少一个融合特征,预测得到目标检测结果。
其中,目标检测装置600中的单元610-单元690执行的操作与上述目标检测方法中的步骤S201-步骤S209的操作类似,在此不做赘述。
在一些实施例中,至少一个点云特征中的每个点云特征包括相应的点云坐标,第一预测单元可以包括:第一输入子单元,被配置为将至少一个点云特征相应的至少一个点云坐标输入第一神经网络,以获得第一神经网络输出的至少一个第一参考坐标;以及第二输入子单元,被配置为将至少一个点云特征输入第二神经网络,以获得第二神经网络输出的至少一个点云特征中每个点云特征相应的第一偏移量,其中,第一神经网络和第二神经网络基于包含检测目标标注信息的样本点云数据和样本图像数据训练得到。
在一些实施例中,第二神经网络的输出还包括至少一个点云特征中每个点云特征相应的第一注意力权重,第五获取单元可以被进一步配置为:基于至少一个特征图中每个特征图的至少一个第一图像特征以及相应的至少一个第一注意力权重,获取至少一个目标图像特征。
在一些实施例中,上述目标检测装置还可以包括:第一更新单元,被配置为基于至少一个目标图像特征,执行目标图像特征的更新操作,第一更新单元包括:第一获取子单元,被配置为基于至少一个目标图像特征,获取至少一个目标图像特征中每个目标图像特征相应的第三参考坐标和第二偏移量;校正子单元,被配置为基于至少一个目标图像特征中每个目标图像特征相应的第二偏移量,校正相应的第三参考坐标,以获取相应的第四参考坐标;第二获取子单元,被配置为针对至少一个特征图中的每个特征图,基于至少一个目标图像特征相应的至少一个第四参考坐标,获取该特征图中至少一个第二位置相应的至少一个第二图像特征,至少一个第二位置与至少一个第四参考坐标分别对应;以及第三获取子单元,被配置为基于至少一个特征图中每个特征图的至少一个第二图像特征,获取更新后的至少一个目标图像特征;以及第七获取单元,被配置为基于更新后的至少一个目标图像特征和分别相应的至少一个点云特征,获取更新后的至少一个融合特征。
在一些实施例中,第一获取子单元可以被进一步配置为:将至少一个目标图像特征输入第一神经网络,以获得第一神经网络输出的至少一个第三参考坐标;以及将至少一个目标图像特征输入第二神经网络,以获得第二神经网络输出的至少一个目标图像特征中每个目标图像特征相应的第二偏移量。
在一些实施例中,响应于第二神经网络的输入为至少一个目标图像特征,第二神经网络的输出还包括至少一个目标图像特征中每个目标图像特征相应的第二注意力权重,第三获取子单元可以被进一步配置为:基于至少一个特征图中每个特征图的至少一个第二图像特征以及相应的至少一个第二注意力权重,获取更新后的至少一个目标图像特征。
在一些实施例中,上述目标检测装置还可以包括:第二更新单元,被配置为基于更新后的至少一个目标图像特征,执行多次更新操作,以获取经过多次更新的至少一个目标图像特征;以及第八获取单元,被配置为基于经过多次更新的至少一个目标图像特征和分别相应的至少一个点云特征,获取更新后的至少一个融合特征。
根据本公开的实施例,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。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701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701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701执行上文所描述的各个方法和处理,例如上述目标检测方法。例如,在一些实施例中,上述目标检测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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM703并由计算单元701执行时,可以执行上文描述的上述目标检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述目标检测方法。
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)、复杂可编程逻辑设备(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,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。
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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种目标检测方法,所述方法包括:
获取目标场景中的点云数据和至少一个图像数据;
对所述点云数据进行特征提取,以获取至少一个点云特征;
对所述至少一个图像数据中的每个图像数据进行特征提取,以获取所述至少一个图像数据分别相应的至少一个特征图;
基于所述至少一个点云特征,预测得到所述至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量;
基于所述至少一个点云特征中每个点云特征相应的第一偏移量,校正相应的第一参考坐标,以获取第二参考坐标;
针对所述至少一个特征图中的每个特征图,基于所述至少一个点云特征相应的至少一个第二参考坐标,获取该特征图中至少一个第一位置相应的至少一个第一图像特征,所述至少一个第一位置与所述至少一个第二参考坐标分别对应;
基于所述至少一个特征图中每个特征图的至少一个第一图像特征,获取至少一个目标图像特征,所述至少一个目标图像特征与所述至少一个点云特征分别对应;
基于所述至少一个目标图像特征和分别相应的所述至少一个点云特征,获取至少一个融合特征;以及
基于所述至少一个融合特征,预测得到目标检测结果。
2.根据权利要求1所述的方法,其中,所述至少一个点云特征中的每个点云特征包括相应的点云坐标,所述基于所述至少一个点云特征,预测得到所述至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量包括:
将所述至少一个点云特征相应的至少一个点云坐标输入第一神经网络,以获得所述第一神经网络输出的至少一个第一参考坐标;以及
将所述至少一个点云特征输入第二神经网络,以获得所述第二神经网络输出的所述至少一个点云特征中每个点云特征相应的第一偏移量,其中,所述第一神经网络和所述第二神经网络基于包含检测目标标注信息的样本点云数据和样本图像数据训练得到。
3.根据权利要求2所述的方法,其中,所述第二神经网络的输出还包括所述至少一个点云特征中每个点云特征相应的第一注意力权重,所述基于所述至少一个特征图中每个特征图的至少一个第一图像特征,获取至少一个目标图像特征包括:
基于所述至少一个特征图中每个特征图的至少一个第一图像特征以及相应的至少一个第一注意力权重,获取至少一个目标图像特征。
4.根据权利要求2或3所述的方法,还包括:
基于所述至少一个目标图像特征,执行下述目标图像特征的更新操作:
基于所述至少一个目标图像特征,获取所述至少一个目标图像特征中每个目标图像特征相应的第三参考坐标和第二偏移量;
基于所述至少一个目标图像特征中每个目标图像特征相应的第二偏移量,校正相应的第三参考坐标,以获取相应的第四参考坐标;
针对所述至少一个特征图中的每个特征图,基于所述至少一个目标图像特征相应的至少一个第四参考坐标,获取该特征图中至少一个第二位置相应的至少一个第二图像特征,所述至少一个第二位置与所述至少一个第四参考坐标分别对应;以及
基于所述至少一个特征图中每个特征图的至少一个第二图像特征,获取更新后的至少一个目标图像特征;以及
基于更新后的至少一个目标图像特征和分别相应的所述至少一个点云特征,获取更新后的至少一个融合特征。
5.根据权利要求4所述的方法,其中,所述基于所述至少一个目标图像特征,获取所述至少一个目标图像特征中每个目标图像特征相应的第三参考坐标和第二偏移量包括:
将所述至少一个目标图像特征输入所述第一神经网络,以获得所述第一神经网络输出的至少一个第三参考坐标;以及
将所述至少一个目标图像特征输入所述第二神经网络,以获得所述第二神经网络输出的所述至少一个目标图像特征中每个目标图像特征相应的第二偏移量。
6.根据权利要求5所述的方法,其中,响应于所述第二神经网络的输入为所述至少一个目标图像特征,所述第二神经网络的输出还包括所述至少一个目标图像特征中每个目标图像特征相应的第二注意力权重,所述基于所述至少一个特征图中每个特征图的至少一个第二图像特征,获取更新后的至少一个目标图像特征包括:
基于所述至少一个特征图中每个特征图的至少一个第二图像特征以及相应的至少一个第二注意力权重,获取更新后的至少一个目标图像特征。
7.根据权利要求4-6中任一项所述的方法,还包括:
基于更新后的至少一个目标图像特征,执行多次所述更新操作,以获取经过多次更新的至少一个目标图像特征;以及
基于经过多次更新的至少一个目标图像特征和分别相应的所述至少一个点云特征,获取更新后的至少一个融合特征。
8.一种目标检测装置,所述装置包括:
第一获取单元,被配置为获取目标场景中的点云数据和至少一个图像数据;
第二获取单元,被配置为对所述点云数据进行特征提取,以获取至少一个点云特征;
第三获取单元,被配置为对所述至少一个图像数据中的每个图像数据进行特征提取,以获取所述至少一个图像数据分别相应的至少一个特征图;
第一预测单元,被配置为基于所述至少一个点云特征,预测得到所述至少一个点云特征中每个点云特征相应的第一参考坐标和第一偏移量;
校正单元,被配置为基于所述至少一个点云特征中每个点云特征相应的第一偏移量,校正相应的第一参考坐标,以获取第二参考坐标;
第四获取单元,被配置为针对所述至少一个特征图中的每个特征图,基于所述至少一个点云特征相应的至少一个第二参考坐标,获取该特征图中至少一个第一位置相应的至少一个第一图像特征,所述至少一个第一位置与所述至少一个第二参考坐标分别对应;
第五获取单元,被配置为基于所述至少一个特征图中每个特征图的至少一个第一图像特征,获取至少一个目标图像特征,所述至少一个目标图像特征与所述至少一个点云特征分别对应;
第六获取单元,被配置为基于所述至少一个目标图像特征和分别相应的所述至少一个点云特征,获取至少一个融合特征;以及
第二预测单元,被配置为基于所述至少一个融合特征,预测得到目标检测结果。
9.根据权利要求8所述的装置,其中,所述至少一个点云特征中的每个点云特征包括相应的点云坐标,所述第一预测单元包括:
第一输入子单元,被配置为将所述至少一个点云特征相应的至少一个点云坐标输入第一神经网络,以获得所述第一神经网络输出的至少一个第一参考坐标;以及
第二输入子单元,被配置为将所述至少一个点云特征输入第二神经网络,以获得所述第二神经网络输出的所述至少一个点云特征中每个点云特征相应的第一偏移量,其中,所述第一神经网络和所述第二神经网络基于包含检测目标标注信息的样本点云数据和样本图像数据训练得到。
10.根据权利要求9所述的装置,其中,所述第二神经网络的输出还包括所述至少一个点云特征中每个点云特征相应的第一注意力权重,所述第五获取单元被进一步配置为:
基于所述至少一个特征图中每个特征图的至少一个第一图像特征以及相应的至少一个第一注意力权重,获取至少一个目标图像特征。
11.根据权利要求9或10所述的装置,还包括:
第一更新单元,被配置为基于所述至少一个目标图像特征,执行目标图像特征的更新操作,所述第一更新单元包括:
第一获取子单元,被配置为基于所述至少一个目标图像特征,获取所述至少一个目标图像特征中每个目标图像特征相应的第三参考坐标和第二偏移量;
校正子单元,被配置为基于所述至少一个目标图像特征中每个目标图像特征相应的第二偏移量,校正相应的第三参考坐标,以获取相应的第四参考坐标;
第二获取子单元,被配置为针对所述至少一个特征图中的每个特征图,基于所述至少一个目标图像特征相应的至少一个第四参考坐标,获取该特征图中至少一个第二位置相应的至少一个第二图像特征,所述至少一个第二位置与所述至少一个第四参考坐标分别对应;以及
第三获取子单元,被配置为基于所述至少一个特征图中每个特征图的至少一个第二图像特征,获取更新后的至少一个目标图像特征;以及
第七获取单元,被配置为基于更新后的至少一个目标图像特征和分别相应的所述至少一个点云特征,获取更新后的至少一个融合特征。
12.根据权利要求11所述的装置,其中,所述第一获取子单元被进一步配置为:
将所述至少一个目标图像特征输入所述第一神经网络,以获得所述第一神经网络输出的至少一个第三参考坐标;以及
将所述至少一个目标图像特征输入所述第二神经网络,以获得所述第二神经网络输出的所述至少一个目标图像特征中每个目标图像特征相应的第二偏移量。
13.根据权利要求12所述的装置,其中,响应于所述第二神经网络的输入为所述至少一个目标图像特征,所述第二神经网络的输出还包括所述至少一个目标图像特征中每个目标图像特征相应的第二注意力权重,所述第三获取子单元被进一步配置为:
基于所述至少一个特征图中每个特征图的至少一个第二图像特征以及相应的至少一个第二注意力权重,获取更新后的至少一个目标图像特征。
14.根据权利要求11-13中任一项所述的装置,还包括:
第二更新单元,被配置为基于更新后的至少一个目标图像特征,执行多次所述更新操作,以获取经过多次更新的至少一个目标图像特征;以及
第八获取单元,被配置为基于经过多次更新的至少一个目标图像特征和分别相应的所述至少一个点云特征,获取更新后的至少一个融合特征。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363609.6A CN115601561A (zh) | 2022-11-02 | 2022-11-02 | 高精地图目标检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363609.6A CN115601561A (zh) | 2022-11-02 | 2022-11-02 | 高精地图目标检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115601561A true CN115601561A (zh) | 2023-01-13 |
Family
ID=84850189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211363609.6A Pending CN115601561A (zh) | 2022-11-02 | 2022-11-02 | 高精地图目标检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601561A (zh) |
-
2022
- 2022-11-02 CN CN202211363609.6A patent/CN115601561A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
CN113256583A (zh) | 图像质量检测方法及装置、计算机设备和介质 | |
CN115578433A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN113723305A (zh) | 图像和视频检测方法、装置、电子设备和介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115953414A (zh) | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114842476A (zh) | 水印检测方法及装置、模型训练方法及装置 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN115359309A (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN114140547A (zh) | 图像生成方法和装置 | |
CN115601561A (zh) | 高精地图目标检测方法、装置、设备及介质 | |
CN112579587A (zh) | 数据清洗方法及装置、设备和存储介质 | |
CN115019048B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN115512131B (zh) | 图像检测方法和图像检测模型的训练方法 | |
CN115131562B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN115170536B (zh) | 图像检测方法、模型的训练方法和装置 | |
CN115423827B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115797455B (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN114612617A (zh) | 图像处理方法、装置、电子设备和介质 | |
CN114429568A (zh) | 图像处理方法和装置 | |
CN114005138A (zh) | 图像处理方法、装置、电子设备和介质 |
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 |