CN115861755A - 特征融合方法、装置、电子设备及自动驾驶车辆 - Google Patents
特征融合方法、装置、电子设备及自动驾驶车辆 Download PDFInfo
- Publication number
- CN115861755A CN115861755A CN202211640781.1A CN202211640781A CN115861755A CN 115861755 A CN115861755 A CN 115861755A CN 202211640781 A CN202211640781 A CN 202211640781A CN 115861755 A CN115861755 A CN 115861755A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- image
- feature
- features
- aerial view
- 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
Abstract
本公开提供了特征融合方法、装置、电子设备及自动驾驶车辆,涉及人工智能技术领域,尤其涉及自动驾驶、计算机视觉或者目标检测技术领域。具体实现方案为:获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。本方案中,通过将图像鸟瞰特征与点云鸟瞰特征分别构建特征知识图谱,基于特征知识图谱实现了对图像鸟瞰图特征与点云鸟瞰图特征的有效融合,有助于基于融合后特征取得更好的感知效果。
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、计算机视觉或者目标检测技术领域,具体而言,本公开涉及一种特征融合方法、装置、电子设备及自动驾驶车辆。
背景技术
自动驾驶车辆在行驶过程中,需要依赖多个感知模块进行驾驶决策。
鸟瞰图(Bird’s Eye View,BEV)感知系统会将多个摄像头或雷达采集到的视觉信息转换至鸟瞰视角,然后执行相关感知任务。
BEV感知系统中,一般会基于摄像头采集的图像数据提取图像鸟瞰图特征,基于雷达采集的点云数据提取点云鸟瞰图特征。如果能够将图像鸟瞰图特征与点云鸟瞰图特征进行有效融合,得到增强后的融合特征,就能够基于融合特征取得更好的感知效果。
发明内容
本公开为了解决上述缺陷中的至少一项,提供了一种特征融合方法、装置、电子设备及自动驾驶车辆。
根据本公开的第一方面,提供了一种特征融合方法,该方法包括:
获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;
基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;
基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。
根据本公开的第二方面,提供了一种特征融合装置,该装置包括:
特征获取模块,用于获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;
知识图谱构建模块,用于基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;
特征融合模块,用于基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。
根据本公开的第三方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与上述至少一个处理器通信连接的存储器;其中,
存储器存储有可被上述至少一个处理器执行的指令,指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行上述特征融合方法。
根据本公开的第四方面,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,该计算机指令用于使计算机执行上述特征融合方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现上述特征融合方法。
根据本公开的第六方面,提供了一种自动驾驶车辆,包括上述第三方面描述的电子设备。
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是本公开实施例提供的一种特征融合方法的流程示意图;
图2是本公开实施例提供的一种特征融合方法的一种具体实施方式的流程示意图;
图3是本公开实施例提供的一种特征融合装置的结构示意图;
图4是用来实现本公开实施例的特征融合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。
鸟瞰图(Bird’s Eye View,BEV)感知系统中,一般会基于摄像头采集的图像数据提取图像鸟瞰图特征,基于雷达采集的点云数据提取点云鸟瞰图特征,如果能够将图像鸟瞰图特征与点云鸟瞰图特征进行有效融合,得到增强后的融合特征,就能够基于融合特征取得更好的感知效果。
相关技术中,存在采用通道级联对图像鸟瞰图特征与点云鸟瞰图特征进行特征融合的方式,这种方式无法在融合过程中实现特征之间的有效交互,导致特征融合效果较差,影响基于融合后特征所进行的感知任务的感知效果。
本公开实施例提供的特征融合方法、装置、电子设备及自动驾驶车辆,旨在解决现有技术的如上技术问题中的至少一个。
图1示出了本公开实施例提供的一种特征融合方法的流程示意图,如图1中所示,该方法主要可以包括:
步骤S110:获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;
步骤S120:基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;
步骤S130:基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。
其中,目标帧图像与目标帧点云可以为对同一外部环境所采集的。例如,可以在自动驾驶车辆行驶至某一路段时,由自动驾驶车辆的环视摄像头对该路段的外部环境所采集的目标帧图像,由自动驾驶车辆的对该路段的外部环境所采集的目标点云帧图像。
图像鸟瞰特征为基于目标帧图像进行特征提取得到的特征图谱,点云鸟瞰特征为基于目标帧点云进行特征提取得到的特征图谱。基于图像鸟瞰特征确定的图像鸟瞰知识图谱特征与基于点云鸟瞰特征确定的点云鸟瞰知识图谱特征,均是由起包含的各节点特征构成的,而各节点的特征能够将特征图谱中像素级的特征进行聚合,通过针对节点特征进行处理,能够减少所处理的特征数量,降低数据处理量。
由于鸟瞰图(Bird’s Eye View,BEV)感知系统中,图像鸟瞰特征一般是由多个摄像头采集的图像拼接后提取的,其中包含的特征数量较多。点云鸟瞰特征也是针对360度的全方位环境采集的,包含的特征数量也较多。通过确定知识图谱特征,以知识图谱特征中节点特征作为单位进行处理,能够大大减少数据处理量,提升处理速度。
本公开实施例中,基于图像鸟瞰特征确定图像鸟瞰知识图谱特征可以通过如下的公式一表示:
Pcam=ZcamXcamWcam;……公式一;
其中,Pcam表示图像鸟瞰知识图谱特征,Zcam表示所引入的投影矩阵,用于将图像鸟瞰特征投影到图像鸟瞰知识图谱特征,Wcam是可学习的参数矩阵,用于实现特征维度的转换,图像鸟瞰特征的维度为C,图像鸟瞰知识图谱特征的维度为D,Wcam用于实现维度由C到D的转换。Xcam表示图像鸟瞰特征。
本公开实施例中,基于点云鸟瞰特征确定点云鸟瞰知识图谱特征可以通过如下的公式二表示:
Plid=ZlidXlidWlid;……公式二;
其中,Plid表示点云鸟瞰知识图谱特征,Zlid表示所引入的投影矩阵,用于将点云鸟瞰特征投影到点云鸟瞰知识图谱特征,Wlid是可学习的参数矩阵,用于实现特征维度的转换,点云鸟瞰特征的维度为C,点云鸟瞰知识图谱特征的维度为D,Wlid用于实现维度由C到D的转换。Xlid表示点云鸟瞰特征。
本公开实施例提供的方法,通过获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。本方案中,通过将图像鸟瞰特征与点云鸟瞰特征分别构建特征知识图谱,基于特征知识图谱实现了对图像鸟瞰图特征与点云鸟瞰图特征的有效融合,有助于基于融合后特征取得更好的感知效果。
本公开的一种可选方式中,基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征,包括:
基于点云鸟瞰知识图谱特征对图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征;
基于图像鸟瞰知识图谱特征对点云鸟瞰知识图谱特征进行特征交互,得到交互后点云鸟瞰知识图谱特征;
基于交互后图像鸟瞰知识图谱特征以及交互后点云鸟瞰知识图谱特征,确定融合后特征。
本公开实施例中,可以通过点云鸟瞰知识图谱特征对图像鸟瞰知识图谱特征进行特征交互,交互后图像鸟瞰知识图谱特征,使得交互后图像鸟瞰知识图谱特征能够融合了点云鸟瞰知识图谱特征,实现了特征的增强。
可以通过图像鸟瞰知识图谱特征对点云鸟瞰知识图谱特征进行特征交互,交互后点云鸟瞰知识图谱特征,使得交互后点云鸟瞰知识图谱特征能够融合了图像鸟瞰知识图谱特征,实现了特征的增强。
有交互后图像鸟瞰知识图谱特征以及交互后点云鸟瞰知识图谱特征进行特征融合均经过了交互推理的过程,实现了了相互增强,能够融合得到的融合后特征,具有更好的融合效果。
本公开的一种可选方式中,基于点云鸟瞰知识图谱特征对图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征,包括:
确定点云鸟瞰知识图谱特征中各节点与图像鸟瞰知识图谱特征中各节点的第一特征相似度;
基于第一特征相似度以及点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征。
本公开实施中,为了便于后续进行的特征,可以预先进行对图像鸟瞰知识图谱特征进行第一增强处理,具体而言,第一增强处理可以为基于图卷积处理实现的自推理,从而能够得到增强的图像鸟瞰知识图谱特征。
经过第一增强处理后的图像鸟瞰知识图谱特征中,其各节点的特征均能聚合邻居节点的特征,更适于进行后续的交互推理。
作为一个示例,对图像鸟瞰知识图谱特征进行第一增强处理可以通过如下的公式三表示:
其中,表示第一增强处理后的图像鸟瞰知识图谱特征。Acam是可学习的邻接矩阵,是随机初始化得到的。I是单位矩阵(identi ty matrix),Wcam是图卷积层的可学习参数,f是非线性激活函数f(x)=max(0,x)。
同理,为了便于后续进行的特征,可以预先对点云鸟瞰知识图谱特征进行第二增强处理,具体而言,第二增强处理可以为基于图卷积处理实现的自推理,从而能够得到增强的点云鸟瞰知识图谱特征。
经过第二增强处理后的点云鸟瞰知识图谱特征中,其各节点的特征均能聚合邻居节点的特征,更适于进行后续的交互推理。
作为一个示例,对点云鸟瞰知识图谱特征进行第二增强处理可以通过如下的公式四表示:
其中,表示第二增强处理后的点云鸟瞰知识图谱特征。Alid是可学习的邻接矩阵,是随机初始化得到的。I是单位矩阵(identi ty matrix),Wlid是图卷积层的可学习参数,f是非线性激活函数f(x)=max(0,x)。
本公开实施例中,基于点云鸟瞰知识图谱特征对图像鸟瞰知识图谱特征进行特征交互的具体方式可以为:确定点云鸟瞰知识图谱特征中各节点与图像鸟瞰知识图谱特征中各节点的第一特征相似度,从而基于第一特征相似度以及点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征。
将各节点的第一特征相似度作为引导信息,其能够表达图像鸟瞰知识图谱中的各局部区域与点云鸟瞰知识图谱中各局部区域的相关性,使得点云鸟瞰知识图谱特征能够被有效传递到图像鸟瞰知识图谱特征。
作为一个示例,可以通过如下公式五确定点云鸟瞰知识图谱特征中各节点与图像鸟瞰知识图谱特征中各节点的第一特征相似度。
其中,是点云鸟瞰知识图谱特征中各节点与图像鸟瞰知识图谱特征中各节点的第一特征相似度。/>是增强后点云鸟瞰知识图谱特征/>的第i个节点特征,/>是增强后图像鸟瞰知识图谱特征/>的第j个节点特征.wlid,wcam是可学习的矩阵,用来进行特征的维度变换。/>是增强后图像鸟瞰知识图谱特征/>的第m个节点特征。
本公开的一种可选方式中,基于第一特征相似度以及点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征,包括:
基于第一特征相似度以及点云鸟瞰知识图谱特征,确定第一交互特征知识图谱;
基于图像鸟瞰知识图谱特征以及第一交互特征知识图谱,确定交互后图像鸟瞰知识图谱特征。
本公开实施例中,可以基于第一特征相似度以及点云鸟瞰知识图谱特征,确定第一交互特征知识图谱,而后可以将图像鸟瞰知识图谱特征以及第一交互特征知识图谱融合,得到交互后图像鸟瞰知识图谱特征。
作为一个示例,基于第一特征相似度以及图像鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征,可以通过如下公式六表示。
本公开的一种可选方式中,基于图像鸟瞰知识图谱特征对点云鸟瞰知识图谱特征进行特征交互,得到交互后点云鸟瞰知识图谱特征,包括:
确定图像鸟瞰知识图谱特征中各节点与点云鸟瞰知识图谱特征中各节点的第二特征相似度;
基于第二特征相似度以及点云鸟瞰知识图谱特征,确定交互后点云鸟瞰知识图谱特征。
本公开实施例中,图像鸟瞰知识图谱特征中各节点与点云鸟瞰知识图谱特征中各节点的第二特征相似度作为引导信息,其能够表达图像鸟瞰知识图谱中的各局部区域与点云鸟瞰知识图谱中各局部区域的相关性,使得图像鸟瞰知识图谱特征能够被有效传递到点云鸟瞰知识图谱特征。
作为一个示例,可以通过如下公式七确定图像鸟瞰知识图谱特征中各节点与点云鸟瞰知识图谱特征中各节点的第二特征相似度。
其中,图像鸟瞰知识图谱特征中各节点与点云鸟瞰知识图谱特征中各节点的第二特征相似度。/>是增强后点云鸟瞰知识图谱特征/>的第j个节点特征,/>是增强后图像鸟瞰知识图谱特征/>的第i个节点特征.wlid,wcam是可学习的矩阵,用来进行特征的维度变换。/>是增强后点云鸟瞰知识图谱特征/>的第n个节点特征。
本公开的一种可选方式中,基于第二特征相似度以及点云鸟瞰知识图谱特征,确定交互后点云鸟瞰知识图谱特征,包括:
基于第二特征相似度以及图像鸟瞰知识图谱特征,确定第二交互特征知识图谱;
基于点云鸟瞰知识图谱特征以及第二交互特征知识图谱,确定交互后点云鸟瞰知识图谱特征。
本公开实施例中,可以基于第二特征相似度以及图像鸟瞰知识图谱特征,确定第二交互特征知识图谱,而后可以将点云鸟瞰知识图谱特征以及第二交互特征知识图谱融合,得到交互后点云鸟瞰知识图谱特征。
作为一个示例,基于第二特征相似度以及点云鸟瞰知识图谱特征,确定交互后点云鸟瞰知识图谱特征,可以通过如下公式八表示。
本公开的一种可选方式中,基于交互后图像鸟瞰知识图谱特征以及交互后点云鸟瞰知识图谱特征,确定融合后特征,包括:
基于交互后图像鸟瞰知识图谱特征以及图像鸟瞰特征,确定第一子融合后特征;
基于交互后点云鸟瞰知识图谱特征以及点云鸟瞰特征,确定第二子融合后特征;
基于第一子融合后特征与第二子融合后特征,确定融合后特征。
本公开实施例中,交互后点云鸟瞰知识图谱特征中每个节点的节点特征需要反投影到点云鸟瞰特征的局部特征上,以增强局部特征的可区分力。同理,交互后图像鸟瞰知识图谱特征中每个节点的节点特征需要反投影到图像鸟瞰特征的局部特征上,以增强局部特征的可区分力。该过程可通过如下的公式九、十、十一表示。
其中,表示第二子融合后特征,/>表示第一子融合后特征,Xfusion表示融合后特征。Wo是可训练的权重矩阵,用来变换节点的特征维度;Zcam T是矩阵Zcam的转置矩阵,Zlid T是矩阵/>的转置矩阵,/>是交互后点云鸟瞰知识图谱特征,/>是交互后图像鸟瞰知识图谱特征,Xcam表示图像鸟瞰特征。Xlid表示点云鸟瞰特征。
本公开实施例中,第一子融合后特征与第二子融合后特征的融合还可以采用通道级联的方式实现。
本公开的一种可选方式中,在获取图像鸟瞰特征以及点云鸟瞰特征之前,方法还包括以下至少一项:
获取目标帧图像以及目标帧图像数据之前第一预设个数的历史帧图像,基于目标帧图像提取第一子图像鸟瞰特征,基于历史帧图像提取第二子图像鸟瞰特征,将第一子图像鸟瞰特征与第二子图像鸟瞰特征融合为图像鸟瞰特征;
获取目标帧点云以及目标帧点云数据之前第二预设个数的历史帧点云,基于目标帧点云提取第一子点云鸟瞰特征,基于历史帧点云提取第二子点云鸟瞰特征,将第一子点云鸟瞰特征与第二子点云鸟瞰特征融合为点云鸟瞰特征。
本公开实施例中,历史帧图像可以为摄像头采集点帧图像序列中在目标帧图像之前第一预设个数的帧图像。
在将帧图像转换为图像鸟瞰特征时,如果仅基于一张帧图像转换图像鸟瞰特征,那么在同一光线上像素点所转换成的特征会存在特征相似的问题,通过引入相邻的多张帧图像,将相邻的帧图像所装换成的图像鸟瞰特征融合,能够使得同一光线上像素点所转换成的特征区别明显。
本公开实施例中,历史帧点云可以为雷达采集点帧点云序列中在目标帧点云之前第二预设个数的帧点云。
由于单个帧点云可能会存在特征稀疏的问题,通过将相邻的多张帧图像转换成的点云鸟瞰特征融合,能够避免出现特征稀疏的问题。
本公开实施例中,摄像头可以为车载环视摄像头,车载环视摄像头一般会配置有多个,以采集全方面的外部环境图像。相邻的车载环视摄像头之间可能会存在拍摄区域的重叠,使得所采集到帧图像中也存在重叠区域。
本公开实施例中,将采集目标帧图像的摄像头记做目标摄像头,在确定图像鸟瞰特征时,还可以采用如下方式:
基于目标帧图像提取第三子图像鸟瞰特征;
基于关联帧图像提取第四子图像鸟瞰特征,关联帧图像为与目标摄像头存在重叠拍摄区域的摄像头所采集的帧图像;
将第三子图像鸟瞰特征与第四子图像鸟瞰特征融合为图像鸟瞰特征。
其中,目标帧图像与关联帧图像可以为同一时刻所采集的帧图像,目标帧图像与关联帧图像中存在重叠区域,通过将目标帧图像提取的第三子图像鸟瞰特征与关联帧图像提取的第四子图像鸟瞰特征融合,使得图像鸟瞰特征中,这部分重叠区域会被加强,从而便于对这部分重叠区域内的目标进行识别。
本公开的一种可选方式中,在基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征之后,上述方法还包括:
对融合后特征进行第三增强处理。
本公开实施例中,还可以对融合后特征进行第三增强处理,使得融合后特征进行增强,第三增强处理可以为平移、翻转等常规增强方式。
本公开实施例中,如果在融合前对图像鸟瞰特征和/或点云鸟瞰特征通过第三增强处理进行特征增强,就可以会导致增强后图像鸟瞰特征与点云鸟瞰特征不再对齐,影响特征交互的效果,因此,可以在得到融合后特征之后再采用第三增强处理进行特征增强。
本公开的一种可选方式中,在基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征之后,上述方法包括:
基于融合后特征进行目标检测或者语义分割。
本公开实施例中国,融合后特征可以用于进行目标检测或者语义分割等任务,能够提升检测精度,有效提升自动驾驶障碍物感知系统的性能。
作为一个示例,图2是本公开实施例提供的一种特征融合方法的一种具体实施方式的流程示意图。
如图2中所示,Camer BEV,表示摄像头对应的图像鸟瞰图。Xcam表示图像鸟瞰特征。Lidar BEV,表示雷达对应的图像鸟瞰图,Xlid表示点云鸟瞰特征。
Graph Projection(图投影),即将图像鸟瞰特征投影至图像鸟瞰知识图谱,将点云鸟瞰特征投影至点云鸟瞰知识图谱。
Graph Re-Projection(图反投影),即在基于点云鸟瞰知识图谱特征对图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征后,将交互后图像鸟瞰知识图谱特征反投影为图像鸟瞰特征以及点云鸟瞰特征的维度。
Xfusion,表示融合后特征,即基于交互后图像鸟瞰知识图谱特征以及交互后点云鸟瞰知识图谱特征融合,得到融合后特征。
基于与图1中所示的方法相同的原理,图3示出了本公开实施例提供的一种特征融合装置的结构示意图,如图3所示,该特征融合装置30可以包括:
特征获取模块310,用于获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;
知识图谱构建模块320,用于基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;
特征融合模块330,用于基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。
本公开实施例提供的装置,通过获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。本方案中,通过将图像鸟瞰特征与点云鸟瞰特征分别构建特征知识图谱,基于特征知识图谱实现了对图像鸟瞰图特征与点云鸟瞰图特征的有效融合,有助于基于融合后特征取得更好的感知效果。
可选地,知识图谱构建模块具体用于:
基于点云鸟瞰知识图谱特征对图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征;
基于图像鸟瞰知识图谱特征对点云鸟瞰知识图谱特征进行特征交互,得到交互后点云鸟瞰知识图谱特征;
基于交互后图像鸟瞰知识图谱特征以及交互后点云鸟瞰知识图谱特征,确定融合后特征。
可选地,知识图谱构建模块在基于点云鸟瞰知识图谱特征对图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征时,具体用于:
确定点云鸟瞰知识图谱特征中各节点与图像鸟瞰知识图谱特征中各节点的第一特征相似度;
基于第一特征相似度以及点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征。
可选地,知识图谱构建模块在基于第一特征相似度以及点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征时,具体用于:
基于第一特征相似度以及点云鸟瞰知识图谱特征,确定第一交互特征知识图谱;
基于图像鸟瞰知识图谱特征以及第一交互特征知识图谱,确定交互后图像鸟瞰知识图谱特征。
可选地,知识图谱构建模块在基于图像鸟瞰知识图谱特征对点云鸟瞰知识图谱特征进行特征交互,得到交互后点云鸟瞰知识图谱特征时,具体用于:
确定图像鸟瞰知识图谱特征中各节点与点云鸟瞰知识图谱特征中各节点的第二特征相似度;
基于第二特征相似度以及点云鸟瞰知识图谱特征,确定交互后点云鸟瞰知识图谱特征。
可选地,知识图谱构建模块在基于第二特征相似度以及点云鸟瞰知识图谱特征,确定交互后点云鸟瞰知识图谱特征时,具体用于:
基于第二特征相似度以及图像鸟瞰知识图谱特征,确定第二交互特征知识图谱;
基于点云鸟瞰知识图谱特征以及第二交互特征知识图谱,确定交互后点云鸟瞰知识图谱特征。
可选地,特征融合模块具体用于:
基于交互后图像鸟瞰知识图谱特征以及图像鸟瞰特征,确定第一子融合后特征;
基于交互后点云鸟瞰知识图谱特征以及点云鸟瞰特征,确定第二子融合后特征;
基于第一子融合后特征与第二子融合后特征,确定融合后特征。
可选地,上述装置还包括:
增强处理模块,用于对图像鸟瞰知识图谱特征进行第一增强处理;对点云鸟瞰知识图谱特征进行第二增强处理。
可选地,第一增强处理为卷积处理,和/或,第二增强处理为图卷积处理。
可选地,上述装置还包括鸟瞰特征确定模块,鸟瞰特征确定模块具体用于以下至少一项:
获取目标帧图像以及目标帧图像数据之前第一预设个数的历史帧图像,基于目标帧图像提取第一子图像鸟瞰特征,基于历史帧图像提取第二子图像鸟瞰特征,将第一子图像鸟瞰特征与第二子图像鸟瞰特征融合为图像鸟瞰特征;
获取目标帧点云以及目标帧点云数据之前第二预设个数的历史帧点云,基于目标帧点云提取第一子点云鸟瞰特征,基于历史帧点云提取第二子点云鸟瞰特征,将第一子点云鸟瞰特征与第二子点云鸟瞰特征融合为点云鸟瞰特征。
可选地,上述装置还包括:
第三增强处理模块,用于在基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征之后,对融合后特征进行第三增强处理。
可选地,上述装置还包括:
融合后特征应用模块,用于在基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征之后,基于融合后特征进行目标检测或者语义分割。
可以理解的是,本公开实施例中的特征融合装置的上述各模块具有实现图1中所示的实施例中的特征融合方法相应步骤的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件,上述各模块可以单独实现,也可以多个模块集成实现。对于上述特征融合装置的各模块的功能描述具体可以参见图1中所示实施例中的特征融合方法的对应描述,在此不再赘述。…
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、一种计算机程序产品和一种自动驾驶车辆。
该电子设备包括: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如本公开实施例提供的特征融合方法。
该电子设备与现有技术相比,通过获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。本方案中,通过将图像鸟瞰特征与点云鸟瞰特征分别构建特征知识图谱,基于特征知识图谱实现了对图像鸟瞰图特征与点云鸟瞰图特征的有效融合,有助于基于融合后特征取得更好的感知效果。
该可读存储介质为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如本公开实施例提供的特征融合方法。
该可读存储介质与现有技术相比,通过获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。本方案中,通过将图像鸟瞰特征与点云鸟瞰特征分别构建特征知识图谱,基于特征知识图谱实现了对图像鸟瞰图特征与点云鸟瞰图特征的有效融合,有助于基于融合后特征取得更好的感知效果。
该计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如本公开实施例提供的特征融合方法。
该计算机程序产品与现有技术相比,通过获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。本方案中,通过将图像鸟瞰特征与点云鸟瞰特征分别构建特征知识图谱,基于特征知识图谱实现了对图像鸟瞰图特征与点云鸟瞰图特征的有效融合,有助于基于融合后特征取得更好的感知效果。
该自动驾驶车辆,包括上述的电子设备。
该自动驾驶车辆与现有技术相比,通过获取图像鸟瞰特征以及点云鸟瞰特征,图像鸟瞰特征是基于目标帧图像提取的,点云鸟瞰特征是基于与目标帧图像对应的目标帧点云提取的;基于图像鸟瞰特征构建图像鸟瞰知识图谱特征,并基于点云鸟瞰特征构建点云鸟瞰知识图谱特征;基于图像鸟瞰知识图谱特征以及点云鸟瞰知识图谱特征,确定融合后特征。本方案中,通过将图像鸟瞰特征与点云鸟瞰特征分别构建特征知识图谱,基于特征知识图谱实现了对图像鸟瞰图特征与点云鸟瞰图特征的有效融合,有助于基于融合后特征取得更好的感知效果。
图4示出了可以用来实施本公开的实施例的示例电子设备40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4所示,电子设备40包括计算单元410,其可以根据存储在只读存储器(ROM)420中的计算机程序或者从存储单元480加载到随机访问存储器(RAM)430中的计算机程序,来执行各种适当的动作和处理。在RAM430中,还可存储设备40操作所需的各种程序和数据。计算单元410、ROM420以及RAM 430通过总线440彼此相连。输入/输出(I/O)接口450也连接至总线440。
设备40中的多个部件连接至I/O接口450,包括:输入单元460,例如键盘、鼠标等;输出单元470,例如各种类型的显示器、扬声器等;存储单元480,例如磁盘、光盘等;以及通信单元490,例如网卡、调制解调器、无线通信收发机等。通信单元490允许设备40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410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410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410执行本公开实施例中所提供的特征融合方法。例如,在一些实施例中,执行本公开实施例中所提供的特征融合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480。在一些实施例中,计算机程序的部分或者全部可以经由ROM 420和/或通信单元490而被载入和/或安装到设备40上。当计算机程序加载到RAM 430并由计算单元410执行时,可以执行本公开实施例中所提供的特征融合方法的一个或多个步骤。备选地,在其他实施例中,计算单元410可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开实施例中所提供的特征融合方法。
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、现场可编程门阵列(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,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 (20)
1.一种特征融合方法,包括:
获取图像鸟瞰特征以及点云鸟瞰特征,所述图像鸟瞰特征是基于目标帧图像提取的,所述点云鸟瞰特征是基于与所述目标帧图像对应的目标帧点云提取的;
基于所述图像鸟瞰特征确定图像鸟瞰知识图谱特征,并基于所述点云鸟瞰特征确定点云鸟瞰知识图谱特征;
基于所述图像鸟瞰知识图谱特征以及所述点云鸟瞰知识图谱特征,确定融合后特征。
2.根据权利要求1所述的方法,其中,所述基于所述图像鸟瞰知识图谱特征以及所述点云鸟瞰知识图谱特征,确定融合后特征,包括:
基于所述点云鸟瞰知识图谱特征对所述图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征;
基于所述图像鸟瞰知识图谱特征对所述点云鸟瞰知识图谱特征进行特征交互,得到交互后点云鸟瞰知识图谱特征;
基于所述交互后图像鸟瞰知识图谱特征以及所述交互后点云鸟瞰知识图谱特征,确定融合后特征。
3.根据权利要求2所述的方法,其中,所述基于所述点云鸟瞰知识图谱特征对所述图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征,包括:
确定所述点云鸟瞰知识图谱特征中各节点与所述图像鸟瞰知识图谱特征中各节点的第一特征相似度;
基于所述第一特征相似度以及所述点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征。
4.根据权利要求3所述的方法,其中,所述基于所述第一特征相似度以及所述点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征,包括:
基于所述第一特征相似度以及所述点云鸟瞰知识图谱特征,确定第一交互特征知识图谱;
基于所述图像鸟瞰知识图谱特征以及所述第一交互特征知识图谱,确定交互后图像鸟瞰知识图谱特征。
5.根据权利要求2-4中任一项所述的方法,其中,所述基于所述图像鸟瞰知识图谱特征对所述点云鸟瞰知识图谱特征进行特征交互,得到交互后点云鸟瞰知识图谱特征,包括:
确定所述图像鸟瞰知识图谱特征中各节点与所述点云鸟瞰知识图谱特征中各节点的第二特征相似度;
基于所述第二特征相似度以及所述点云鸟瞰知识图谱特征,确定交互后点云鸟瞰知识图谱特征。
6.根据权利要求5所述的方法,其中,所述基于所述第二特征相似度以及所述点云鸟瞰知识图谱特征,确定交互后点云鸟瞰知识图谱特征,包括:
基于所述第二特征相似度以及所述图像鸟瞰知识图谱特征,确定第二交互特征知识图谱;
基于所述点云鸟瞰知识图谱特征以及所述第二交互特征知识图谱,确定交互后点云鸟瞰知识图谱特征。
7.根据权利要求2-6中任一项所述的方法,其中,所述基于所述交互后图像鸟瞰知识图谱特征以及所述交互后点云鸟瞰知识图谱特征,确定融合后特征,包括:
基于所述交互后图像鸟瞰知识图谱特征以及所述图像鸟瞰特征,确定第一子融合后特征;
基于所述交互后点云鸟瞰知识图谱特征以及所述点云鸟瞰特征,确定第二子融合后特征;
基于所述第一子融合后特征与所述第二子融合后特征,确定融合后特征。
8.根据权利要求1-7中任一项所述的方法,其中,在所述基于所述图像鸟瞰特征确定图像鸟瞰知识图谱特征,并基于所述点云鸟瞰特征确定点云鸟瞰知识图谱特征之前,所述方法还包括:
对所述图像鸟瞰知识图谱特征进行第一增强处理;
对所述点云鸟瞰知识图谱特征进行第二增强处理。
9.根据权利要求8所述的方法,其中,所述第一增强处理为卷积处理,和/或,所述第二增强处理为图卷积处理。
10.根据权利要求1-9中任一项所述的方法,其中,在所述获取图像鸟瞰特征以及点云鸟瞰特征之前,所述方法还包括以下至少一项:
获取所述目标帧图像以及所述目标帧图像数据之前第一预设个数的历史帧图像,基于所述目标帧图像提取第一子图像鸟瞰特征,基于所述历史帧图像提取第二子图像鸟瞰特征,将所述第一子图像鸟瞰特征与所述第二子图像鸟瞰特征融合为图像鸟瞰特征;
获取所述目标帧点云以及所述目标帧点云数据之前第二预设个数的历史帧点云,基于所述目标帧点云提取第一子点云鸟瞰特征,基于所述历史帧点云提取第二子点云鸟瞰特征,将所述第一子点云鸟瞰特征与所述第二子点云鸟瞰特征融合为点云鸟瞰特征。
11.根据权利要求1-10中任一项所述的方法,其中,在所述基于所述图像鸟瞰知识图谱特征以及所述点云鸟瞰知识图谱特征,确定融合后特征之后,所述方法还包括:
对所述融合后特征进行第三增强处理。
12.根据权利要求1-11中任一项所述的方法,其中,在所述基于所述图像鸟瞰知识图谱特征以及所述点云鸟瞰知识图谱特征,确定融合后特征之后,所述方法包括:
基于所述融合后特征进行目标检测或者语义分割。
13.一种特征融合装置,包括:
特征获取模块,用于获取图像鸟瞰特征以及点云鸟瞰特征,所述图像鸟瞰特征是基于目标帧图像提取的,所述点云鸟瞰特征是基于与所述目标帧图像对应的目标帧点云提取的;
知识图谱构建模块,用于基于所述图像鸟瞰特征确定图像鸟瞰知识图谱特征,并基于所述点云鸟瞰特征确定点云鸟瞰知识图谱特征;
特征融合模块,用于基于所述图像鸟瞰知识图谱特征以及所述点云鸟瞰知识图谱特征,确定融合后特征。
14.根据权利要求13所述的装置,其中,所述知识图谱构建模块具体用于:
基于所述点云鸟瞰知识图谱特征对所述图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征;
基于所述图像鸟瞰知识图谱特征对所述点云鸟瞰知识图谱特征进行特征交互,得到交互后点云鸟瞰知识图谱特征;
基于所述交互后图像鸟瞰知识图谱特征以及所述交互后点云鸟瞰知识图谱特征,确定融合后特征。
15.根据权利要求14所述的装置,其中,所述知识图谱构建模块在基于所述点云鸟瞰知识图谱特征对所述图像鸟瞰知识图谱特征进行特征交互,得到交互后图像鸟瞰知识图谱特征时,具体用于:
确定所述点云鸟瞰知识图谱特征中各节点与所述图像鸟瞰知识图谱特征中各节点的第一特征相似度;
基于所述第一特征相似度以及所述点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征。
16.根据权利要求15所述的装置,其中,所述知识图谱构建模块在基于所述第一特征相似度以及所述点云鸟瞰知识图谱特征,确定交互后图像鸟瞰知识图谱特征时,具体用于:
基于所述第一特征相似度以及所述点云鸟瞰知识图谱特征,确定第一交互特征知识图谱;
基于所述图像鸟瞰知识图谱特征以及所述第一交互特征知识图谱,确定交互后图像鸟瞰知识图谱特征。
17.一种电子设备,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1-11中任一项所述的方法。
18.一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1-11中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
20.一种自动驾驶车辆,包括如权利要求17所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640781.1A CN115861755A (zh) | 2022-12-20 | 2022-12-20 | 特征融合方法、装置、电子设备及自动驾驶车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640781.1A CN115861755A (zh) | 2022-12-20 | 2022-12-20 | 特征融合方法、装置、电子设备及自动驾驶车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861755A true CN115861755A (zh) | 2023-03-28 |
Family
ID=85674456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211640781.1A Pending CN115861755A (zh) | 2022-12-20 | 2022-12-20 | 特征融合方法、装置、电子设备及自动驾驶车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861755A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116295469A (zh) * | 2023-05-19 | 2023-06-23 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
-
2022
- 2022-12-20 CN CN202211640781.1A patent/CN115861755A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116295469A (zh) * | 2023-05-19 | 2023-06-23 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
CN116295469B (zh) * | 2023-05-19 | 2023-08-15 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113920307A (zh) | 模型的训练方法、装置、设备、存储介质及图像检测方法 | |
CN112634343A (zh) | 图像深度估计模型的训练方法、图像深度信息的处理方法 | |
US20230068238A1 (en) | Method and apparatus for processing image, electronic device and storage medium | |
CN113378834B (zh) | 目标检测方法、装置、设备、存储介质以及程序产品 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
CN113538235A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN113792742A (zh) | 遥感图像的语义分割方法和语义分割模型的训练方法 | |
CN110633716A (zh) | 一种目标对象的检测方法和装置 | |
CN115861755A (zh) | 特征融合方法、装置、电子设备及自动驾驶车辆 | |
CN114627331A (zh) | 模型训练方法和装置 | |
CN115866229B (zh) | 多视角图像的视角转换方法、装置、设备和介质 | |
CN116363429A (zh) | 图像识别模型的训练方法、图像识别方法、装置及设备 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN114549961B (zh) | 目标对象的检测方法、装置、设备以及存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 | |
CN116152702A (zh) | 点云标签的获取方法、装置、电子设备和自动驾驶车辆 | |
CN115331048A (zh) | 图像分类方法、装置、设备以及存储介质 | |
CN115330851A (zh) | 单目深度估计方法、装置、电子设备、存储介质及车辆 | |
CN110634155A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN113591567A (zh) | 目标检测方法、目标检测模型的训练方法及其装置 | |
CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
CN116229209B (zh) | 目标模型的训练方法、目标检测方法及装置 | |
CN115240171B (zh) | 道路结构感知方法及装置 |
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 |