CN115984791A - 自动驾驶感知模型的生成方法、装置及电子设备 - Google Patents
自动驾驶感知模型的生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115984791A CN115984791A CN202211646569.6A CN202211646569A CN115984791A CN 115984791 A CN115984791 A CN 115984791A CN 202211646569 A CN202211646569 A CN 202211646569A CN 115984791 A CN115984791 A CN 115984791A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- lane image
- prediction result
- label
- perception 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本公开提供了一种自动驾驶感知模型的生成方法、装置及电子设备,涉及计算机技术领域,尤其涉及自动驾驶、深度学习等人工智能技术领域。包括:将车道图像分别输入教师感知模型及初始自动驾驶感知模型,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果;将第一预测结果及车道图像对应的第一标签进行融合,以获取车道图像对应的第二标签;根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。由此,使初始自动驾驶感知模型通过第二标签学习教师感知模型学习到的知识,不仅可以获取轻量级的目标自动驾驶感知模型,还可以提高生成的目标自动驾驶感知模型的性能。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及自动驾驶、深度学习等人工智能技术领域,具体涉及一种自动驾驶感知模型的生成方法、装置及电子设备。
背景技术
随着人工智能技术地不断发展和完善,其已经在与人类日常生活相关的各个领域扮演着极其重要的作用,例如,人工智能已经在自动驾驶领域取得了显著的进步。
目前,用于自动驾驶感知的模型由于要满足车端部署,往往非常轻量,其对应的模型性能有较大的提升空间。因此,如何提升部署在车端的模型的性能成为重点的研究方向。
发明内容
本公开提供了一种自动驾驶感知模型的生成方法、装置及电子设备。
根据本公开的第一方面,提供了一种自动驾驶感知模型的生成方法,包括:
获取样本训练数据集,其中,所述样本训练数据集中包含车道图像及所述车道图像在待训练任务类型下对应的第一标签;
将所述车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取所述教师感知模型输出的第一预测结果及所述初始自动驾驶感知模型输出的第二预测结果;
将所述第一预测结果及所述第一标签进行融合,以获取所述车道图像对应的第二标签;
根据所述第二标签与所述第二预测结果之间的差异,对所述初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。
根据本公开的第二方面,提供了一种自动驾驶感知模型的生成装置,包括:
第一获取模块,用于获取样本训练数据集,其中,所述样本训练数据集中包含车道图像及所述车道图像在待训练任务类型下对应的第一标签;
第二获取模块,用于将所述车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取所述教师感知模型输出的第一预测结果及所述初始自动驾驶感知模型输出的第二预测结果;
第三获取模块,用于将所述第一预测结果及所述第一标签进行融合,以获取所述车道图像对应的第二标签;
第四获取模块,用于根据所述第二标签与所述第二预测结果之间的差异,对所述初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。
根据本公开的第三方面,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如第一方面所述的自动驾驶感知模型的生成方法。
根据本公开第四方面,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,所述计算机指令用于使所述计算机执行如第一方面所述的自动驾驶感知模型的生成方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机指令,所述计算机指令在被处理器执行时实现如第一方面所述的自动驾驶感知模型的生成方法的步骤。
本公开提供的自动驾驶感知模型的生成方法、装置及电子设备,存在如下有益效果:
本公开实施例中,先获取样本训练数据集,其中,样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签,之后将车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果,并将第一预测结果及第一标签进行融合,以获取车道图像对应的第二标签,最后根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。由此,通过将第一标签与教师感知模型输出的第一预测结果进行融合,以获取用于初始自动驾驶感知模型训练的第二标签,从而使初始自动驾驶感知模型通过第二标签学习教师感知模型学习到的知识,从而不仅可以获取轻量级的目标自动驾驶感知模型,还可以提高生成的目标自动驾驶感知模型的性能。
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是根据本公开一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图;
图2是根据本公开又一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图;
图3是根据本公开又一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图;
图4是根据本公开一实施例提供的一种自动驾驶感知模型的生成装置的结构示意图;
图5是用来实现本公开实施例的自动驾驶感知模型的生成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。
本公开实施例涉及计算机视觉、深度学习等人工智能技术领域。
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
自动驾驶一般指自动驾驶系统。自动驾驶系统采用先进的通信、计算机、网络和控制技术,对列车实现实时、连续控制。自动驾驶系统相关的关键技术,包括环境感知、逻辑推理和决策、运动控制、处理器性能等。
下面参考附图描述本公开实施例的自动驾驶感知模型的生成方法、装置及电子设备。
其中,需要说明的是,本实施例的自动驾驶感知模型的生成方法的执行主体为自动驾驶感知模型的生成装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
图1是根据本公开一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图。
如图1所示,该自动驾驶感知模型的生成方法包括:
S101:获取样本训练数据集,其中,样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签。
其中,样本训练数据集中可以包含大量的车道图像,及每个待训练任务类型下每个车道图像对应的第一标签。
举例来说,若待训练任务类型为检测黄色油漆车道线,则所述车道图像中黄色油漆车道线的像素点对应的第一标签为1,车道图像中非黄色油漆车道线的像素点的标签为0。或者,若待训练任务类型为检测白色油漆车道线,则所述车道图像中白色油漆车道线的像素点对应的第一标签为1,车道图像中非白色油漆车道线的像素点的标签为0。
S102:将车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果。
其中,教师感知模型可以为预先训练好的用于进行自动驾驶感知的大模型。初始自动驾驶感知模型可以为还未经训练的用于进行自动驾驶感器的轻量级小模型。需要说明的是,教师感知模型的模型结构较复杂,数据量较大,精度较高,初始自动驾驶感知模型的模型结构比教师感知模型的结构简单,数据量小。
可选的,初始自动驾驶感知模型的初始参数可以根据教师感模型的参数确定。
其中,第一预测结果中可以包含教师感知模型预测的样本图像中每个像素点对属于每个类别的概率。第二预测结果中可以包含初始自动驾驶感知模型预测的样本图像中每个像素点属于每个类别的概率。
可选的,教师感知模型中可以包含多个感知任务对应的分支结构。比如,多个感知任务可以包含白色油漆车道线的感知任务,黄色油漆线的感知任务,自由空间的感知任务等等。同理,初始自动驾驶感知模型中也可以包含多个感知任务对应的分值结构。本公开对此不做限定。
S103:将第一预测结果及第一标签进行融合,以获取车道图像对应的第二标签。
可选的,可以分别为第一预测结果及第一标签分别设置对应的权重,之后基于第一预测结果及第一标签分别对应的权重,对第一预测结果及第二预测结果进行融合,以获取车道线对应的第二标签。
比如,设置第一预测结果对应的权重为0.5,第一标签对应的权重为0.5,则可以确定第二标签为0.5*第一预测结果+0.5*第一标签。
或者,还可以根据第一预测结果对应的整体损失值,确定第一预测结果对应的权重。整体损失值越小,第一预测结果对应的权重越大;整体损失值越大,第一预测结果对应的权重越小。在确定了第一预测结果对应的权重之后,基于第一预测结果与第一标签对应的权重和为1,确定第一标签对应的权重。
S104:根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。
本公开实施例中,由于第二标签融合了第一预测结果与第一标签,之后基于第二标签与第二预测结果之间的差异,确定第二预测结果的损失,进而根据损失对初始自动驾驶感知模型进行修正,从而可以通过融合了第一预测结果的第二标签,将教师感知模型学习到的知识,迁移至初始自动驾驶感知模型,从而使初始自动驾驶感知模型可以快速学习到教师感知模型学习到的知识,提高初始自动驾驶感知模型的训练速度及性能。
可选的,可以采用交叉熵损失函数,计算第二标签与第二预测结果之间的差异。
本公开实施例中,目标自动驾驶感知模型是对教师感知模型进行蒸馏学习得到的,目标自动驾驶感知模型的体积小,精度高,且的计算资源小于教师感知模型,从而将训练好的目标自动驾驶感知模型部署在车端,可以节省车端的存储空间及计算资源。
本公开实施例中,先获取样本训练数据集,其中,样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签,之后将车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果,并将第一预测结果及第一标签进行融合,以获取车道图像对应的第二标签,最后根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。由此,通过将第一标签与教师感知模型输出的第一预测结果进行融合,以获取用于初始自动驾驶感知模型训练的第二标签,从而使初始自动驾驶感知模型通过第二标签学习教师感知模型学习到的知识,从而不仅可以获取轻量级的目标自动驾驶感知模型,还可以提高生成的目标自动驾驶感知模型的性能。
图2是根据本公开又一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图;如图2所示,该自动驾驶感知模型的生成方法包括:
S201:获取样本训练数据集,其中,样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签。
S202:将车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果。
其中,步骤S201及步骤S202的具体实现形式,可参照本公开中,其他各实施例中的详细描述,此处不再具体赘述。
S203:根据车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定车道图像中每个像素点的第一预测结果对应的第一权重因子。
本公开实施例中,可以通过每个像素点的第一预测结果与第一标签之间的差异,确定车道图像中每个像素点的第一预测结果对应的第一权重因子。差异越大,对应的第一权重因子越小,差异越小,对应的第一权重因子越大,从而使初始自动驾驶感知模型可以更好的学习教师感知模型中预测结果较准确的知识,进而提高初始自动驾驶感知模型的训练效率及性能。
可选的,可以根据车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定车道图像中每个像素点的第一预测结果对应的目标损失值,之后根据损失值与权重因子之间的映射关系、及车道图像中每个像素点的第一预测结果对应的目标损失值,确定车道图像中每个像素点的第一预测结果对应的第一权重因子。由此,通过目标损失值,可以准确地反映教师感知模型对每个像素点的第一预测结果的准确性,进而提高了确定的第一权重因子的准确性。
其中,损失值与权重因子之间的映射关系中,损失值越大,表示预测结果越不准确,对应的权重因子越小;损失值越小,标识预测结果越准确,对应的权重因子越大。从而使初始自动驾驶感知模型可以更好的学习教师感知模型中预测结果较准确的知识。
可选的,可以采用交叉熵损失函数,计算车道图像中每个像素点的第一预测结果与第一标签之间的差异,对应的目标损失值。
S204:根据待训练任务类型,确定车道图像中每个像素点对应的第二权重因子。
本公开实施例中,训练任务类型不同,车道图像中每个像素点对应的第二权重因子也不相同。可选的,可以根据待训练任务类型对应的第一标签是否存在标注员的主观倾向,确定待训练任务类型下每个像素点对应的第二权重因子。
具体地,若待训练任务类型对应的第一标签为以油漆线为依据、不存在标注员主观倾向的标签,比如检测白色油漆车道线、检测黄色油漆线等待训练任务类型,则对应的第二权重因子可以为1、0.9等。若待训练任务类型对应的第一标签缺乏油漆线的支持,则往往带有标注员的主观倾向,比如自由空间检测等待训练任务类型,对于第一标签存在主观噪声的待处理任务类型,可以适当增大对应的第二权重因子,比如,第二权重因子可以为1.2、1.1等。本公开对此不做限定。
由此,可以待训练任务类型对应的第一标签存在标准员主观倾向的情况下,适当增大第二权重因子,从而增加第一预测结果在生成第二标签时的目标权重,从而使初始自动驾驶感知模型可以更多的学习教师感知模型在待训练任务类型下对样本图像的第一预测结果,进而提高初始自动驾驶感知模型的训练效率及性能。
可选的,可以基于第一标签,确定车道图像中包含的正样本及负样本,之后基于待训练任务类型,查询权重因子映射表,以获取待训练任务类型的正样本对应的第一数值、负样本对应的第二数值,其中,第一数值大于第二数值,最后确定车道图像的正样本中每个像素点对应的第二权重因子为第一数值、车道图像的负样本中每个像素点对应的第二权重因子为第二数值。
其中,权重因子映射表可以为预先生成的,包含每个待训练任务类型的正样本对应的权重因子(即第一数值),及负样本对应的权重因子(即第二数值)。
本公开实施例中,可以为样本图像中的正样本和负样本设置不同的第二权重因子,且正样本对应的第二权重因子大于负样本对应的第二权重因子,从而可以使初始自动驾驶感知模型在训练的过程中可以多学习教师感知模型对样本图像中的正样本的第一预测结果。
S205:获取车道图像中每个像素点的第一预测结果对应的第一初始权重,及第一标签对应的第二初始权重。
其中,第一初始权重和第二初始权重可以为预先设置的。车道图像中每个像素点的第一预测结果对应的第一初始权重相同,车道图像中每个像素点的第一标签对应的第二初始权重相同。
其中,第一初始权重与第二初始权重的和可以为1。第一初始权重与第二初始权重可以相同,也可以不同。本公开对此不做限定。
S206:将车道图像中每个像素点的第一预测结果对应的第一初始权重、第一权重因子及第二权重因子的乘积,确定为车道图像中每个像素点的第一预测结果对应的目标权重。
本公开实施例中,在确定了车道图像中每个像素点的第一预测结果对应的第一初始权重、第一权重因子及第二权重因子之后,即可准确地确定每个像素点的第一预测结果对应的目标权重,从而可以准确地确定初始自动驾驶感知模型对教师感知模型预测的第一预测结果进行知识蒸馏的权重,进而使初始自动驾驶感知模型更好地学习教师模型的知识。
S207:基于车道图像中每个像素点的第一标签对应的第二初始权重及第一预测结果对应的目标权重,将车道图像中每个像素点的第一预测结果及第一标签进行融合,以获取车道图像中每个像素点对应的第二标签。
本公开实施例中,在确定了车道图像中每个像素点的第一标签对应的第二初始权重及第一预测结果对应的目标权重之后,可以将每个像素点对应的加权和,确定为车道图像中每个像素点对应的初始第二标签,之后对每个像素点对应的初始第二标签进行归一化,以确定车道图像中每个像素点对应的第二标签。
S208:基于车道图像中每个像素点对应的第二标签,生成车道图像对应的第二标签。
可以理解的是,在确定了车道图像中每个像素点对应的第二标签之后,将每个像素点对应的第二标签结合即可得到车道图像对应的第二标签。
S209:根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。
本公开实施例中,先将样本训练数据集中的车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果,之后根据车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定车道图像中每个像素点的第一预测结果对应的第一权重因子,根据待训练任务类型,确定车道图像中每个像素点对应的第二权重因子,之后根据每个像素点的第一预测结果对应的第一初始权重、第一权重因子及第二权重因子的乘积,确定为车道图像中每个像素点的第一预测结果对应的目标权重,并基于第一标签对应的第二初始权重及目标权重,将每个像素点对应的第一预测结果及第一标签进行融合,以获取车道图像对应的第二标签,最后基于第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。由此,可以根据样本图像中每个像素点对应的第一预测结果的准确性及待训练任务类型,确定每个像素点的第一预测结果对应的目标权重,进而基于目标权重,将第一标签与第一预测结果进行融合,从而使初始自动驾驶感知模型可以基于第二标签更好地学习教师感知模型学习到的知识,从而进一步提高了获取的目标自动驾驶感知模型的性能。
图3是根据本公开又一实施例提供的一种自动驾驶感知模型的生成方法的流程示意图;如图3所示,该自动驾驶感知模型的生成方法包括:
S301:获取样本训练数据集,其中,样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签。
S302:将车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果。
S303:根据车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定车道图像中每个像素点的第一预测结果对应的第一权重因子。
S304:根据待训练任务类型,确定车道图像中每个像素点对应的第二权重因子。
S305:获取车道图像中每个像素点的第一预测结果对应的第一初始权重,及第一标签对应的第二初始权重。
S306:将车道图像中每个像素点的第一预测结果对应的第一初始权重、第一权重因子及第二权重因子的乘积,确定为车道图像中每个像素点的第一预测结果对应的目标权重。
其中,步骤S301及步骤S306的具体实现形式,可参照本公开中,其他各实施例中的详细描述,此处不再具体赘述。
S307:确定车道图像中正样本对应的像素点数量与车道图像中的全部像素点数量之间的比值。
S308:根据比值,确定车道图像中每个像素点对应的第三权重因子。
需要说明的是,比值越小,表示样本图像中正样本的占比越小,需要增加正样本的像素点对应的第三权重因子,从而使初始自动驾驶感知模型在训练的过程中可以更好的学习教师感知模型对样本图像中正样本的第一预测结果。
可选的,在比值小于第一阈值、且大于第二阈值的情况下,确定车道图像的正样本中每个像素点对应的第三权重因子为第三数值,车道图像的负样本中每个像素点对应的第三权重因子为第四数值,其中,第三数值大于第四数值。
比如,第一阈值可以为10%、15%等。第二阈值可以为5%、8%等。本公开对此不做限定。
本公开实施例中,正样本对应的第三权重因子大于负样本对应的第三权重因子,从而可以适当增加样本图像中正样本的第一预测结果对应的目标权重,进一步使初始自动驾驶感知模型在训练的过程中可以更好的学习教师感知模型对样本图像中正样本的第一预测结果。
或者,在比值小于或等于第二阈值的情况下,确定车道图像的正样本中每个像素点对应的第三权重因子为第五数值,车道图像的负样本中每个像素点对应的第三权重因子为0,其中,第五数值大于第三数值。
需要说明的是,在比值小于或等于第二阈值的情况下,表示样本图像中正样本的占比很小,此时,可以将车道图像的负样本中每个像素点对应的第三权重因子设置为0,以使负样本中每个像素点的第一预测结果对应的目标权重为0,从而达到只蒸馏正样本的目的,使初始自动驾驶感知模型在训练的过程中只学习教师感知模型对样本图像中正样本的第一预测结果。
S309:根据车道图像中每个像素点对应的第一权重因子、第二权重因子、第三权重因子及第一初始权重的乘积,对车道图像中每个像素点的第一预测结果对应的目标权重进行更新。
本公开实施例中,还可以进一步根据车道图像中正样本对应的像素点数量与车道图像中的全部像素点数量之间的比值,确定车道图像中每个像素点对应的第三权重因子,进而根据第三权重因子对目标权重进行更新,从而使确定的目标权重更加准确。
S310:基于车道图像中每个像素点的第一标签对应的第二初始权重及第一预测结果对应的目标权重,将车道图像中每个像素点的第一预测结果及第一标签进行融合,以获取车道图像中每个像素点对应的第二标签。
S311:基于车道图像中每个像素点对应的第二标签,生成车道图像对应的第二标签。
S312:根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。
本公开实施例中,先将样本训练数据集中的车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果,之后根据车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定车道图像中每个像素点的第一预测结果对应的第一权重因子,根据待训练任务类型,确定车道图像中每个像素点对应的第二权重因子,根据车道图像中正样本对应的像素点数量与车道图像中的全部像素点数量之间的比值,确定车道图像中每个像素点对应的第三权重因子,之后根据每个像素点的第一预测结果对应的第一初始权重、第一权重因子、第二权重因子及第三权重因子的乘积,确定车道图像中每个像素点的第一预测结果对应的目标权重,并基于第一标签对应的第二初始权重及目标权重,将每个像素点对应的第一预测结果及第一标签进行融合,以获取车道图像对应的第二标签,最后基于第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。由此,可以根据样本图像中每个像素点对应的第一预测结果的准确性、待训练任务类型及样本图像中正样本的比例,进一步准确地确定每个像素点的第一预测结果对应的目标权重,使初始自动驾驶感知模型及与第二标签可以更好地学习教师感知模型学习到的知识,进而进一步提高了获取的目标自动驾驶感知模型的性能。
图4是根据本公开一实施例提供的一种自动驾驶感知模型的生成装置的结构示意图;如图4所示,该自动驾驶感知模型的生成装置400,包括:
第一获取模块410,用于获取样本训练数据集,其中,样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签;
第二获取模块420,用于将车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果;
第三获取模块430,用于将第一预测结果及第一标签进行融合,以获取车道图像对应的第二标签;
第四获取模块440,用于根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。
在本公开的一些实施例中,第三获取模块430,包括:
第一确定单元,用于根据车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定车道图像中每个像素点的第一预测结果对应的第一权重因子;
第二确定单元,用于根据待训练任务类型,确定车道图像中每个像素点对应的第二权重因子;
第一获取单元,用于获取车道图像中每个像素点的第一预测结果对应的第一初始权重,及第一标签对应的第二初始权重;
第三确定单元,用于将车道图像中每个像素点的第一预测结果对应的第一初始权重、第一权重因子及第二权重因子的乘积,确定为车道图像中每个像素点的第一预测结果对应的目标权重;
第二获取单元,用于基于车道图像中每个像素点的第一标签对应的第二初始权重及第一预测结果对应的目标权重,将车道图像中每个像素点的第一预测结果及第一标签进行融合,以获取车道图像中每个像素点对应的第二标签;
生成单元,用于基于车道图像中每个像素点对应的第二标签,生成车道图像对应的第二标签。
在本公开的一些实施例中,第一确定单元,具体用于:
根据车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定车道图像中每个像素点的第一预测结果对应的目标损失值;
根据损失值与权重因子之间的映射关系、及车道图像中每个像素点的第一预测结果对应的目标损失值,确定车道图像中每个像素点的第一预测结果对应的第一权重因子。
在本公开的一些实施例中,第二确定单元,用于:
基于第一标签,确定车道图像中包含的正样本及负样本;
基于待训练任务类型,查询权重因子映射表,以获取待训练任务类型的正样本对应的第一数值、负样本对应的第二数值,其中,第一数值大于第二数值;
确定车道图像的正样本中每个像素点对应的第二权重因子为第一数值、车道图像的负样本中每个像素点对应的第二权重因子为第二数值。
在本公开的一些实施例中,第三获取模块,还包括:
第四确定单元,用于确定车道图像中正样本对应的像素点数量与车道图像中的全部像素点数量之间的比值;
第五确定单元,用于根据比值,确定车道图像中每个像素点对应的第三权重因子;
更新单元,用于根据车道图像中每个像素点对应的第一权重因子、第二权重因子、第三权重因子及第一初始权重的乘积,对车道图像中每个像素点的第一预测结果对应的目标权重进行更新。
在本公开的一些实施例中,第五确定单元,具体用于:
在比值小于第一阈值、且大于第二阈值的情况下,确定车道图像的正样本中每个像素点对应的第三权重因子为第三数值,车道图像的负样本中每个像素点对应的第三权重因子为第四数值,其中,第三数值大于第四数值;或者,
在比值小于或等于第二阈值的情况下,确定车道图像的正样本中每个像素点对应的第三权重因子为第五数值,车道图像的负样本中每个像素点对应的第三权重因子为0,其中,第五数值大于第三数值。
需要说明的是,前述对自动驾驶感知模型的生成方法的解释说明也适用于本实施例的自动驾驶感知模型的生成装置,此处不再赘述。
本公开实施例中,先获取样本训练数据集,其中,样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签,之后将车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果,并将第一预测结果及第一标签进行融合,以获取车道图像对应的第二标签,最后根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。由此,通过将第一标签与教师感知模型输出的第一预测结果进行融合,以获取用于初始自动驾驶感知模型训练的第二标签,从而使初始自动驾驶感知模型通过第二标签学习教师感知模型学习到的知识,从而不仅可以获取轻量级的目标自动驾驶感知模型,还可以提高生成的目标自动驾驶感知模型的性能。
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。
图5示出了可以用来实施本公开的实施例的示例电子设备500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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如自动驾驶感知模型的生成方法。例如,在一些实施例中,自动驾驶感知模型的生成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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的自动驾驶感知模型的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行自动驾驶感知模型的生成方法。
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)、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)、互联网及区块链网络。
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。
本实施例中,先获取样本训练数据集,其中,样本训练数据集中包含车道图像及车道图像在待训练任务类型下对应的第一标签,之后将车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取教师感知模型输出的第一预测结果及初始自动驾驶感知模型输出的第二预测结果,并将第一预测结果及第一标签进行融合,以获取车道图像对应的第二标签,最后根据第二标签与第二预测结果之间的差异,对初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。由此,通过将第一标签与教师感知模型输出的第一预测结果进行融合,以获取用于初始自动驾驶感知模型训练的第二标签,从而使初始自动驾驶感知模型通过第二标签学习教师感知模型学习到的知识,从而不仅可以获取轻量级的目标自动驾驶感知模型,还可以提高生成的目标自动驾驶感知模型的性能。
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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。在本公开的描述中,所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“在……情况下”。
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 (15)
1.一种自动驾驶感知模型的生成方法,包括:
获取样本训练数据集,其中,所述样本训练数据集中包含车道图像及所述车道图像在待训练任务类型下对应的第一标签;
将所述车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取所述教师感知模型输出的第一预测结果及所述初始自动驾驶感知模型输出的第二预测结果;
将所述第一预测结果及所述第一标签进行融合,以获取所述车道图像对应的第二标签;
根据所述第二标签与所述第二预测结果之间的差异,对所述初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。
2.根据权利要求1所述的方法,其中,所述将所述第一预测结果及所述第一标签进行融合,以获取第二标签,包括:
根据所述车道图像中每个像素点的第一预测结果与所述第一标签之间的差异,确定所述车道图像中每个像素点的第一预测结果对应的第一权重因子;
根据所述待训练任务类型,确定所述车道图像中每个像素点对应的第二权重因子;
获取所述车道图像中每个像素点的第一预测结果对应的第一初始权重,及第一标签对应的第二初始权重;
将所述车道图像中每个像素点的第一预测结果对应的所述第一初始权重、所述第一权重因子及所述第二权重因子的乘积,确定为所述车道图像中每个像素点的第一预测结果对应的目标权重;
基于所述车道图像中每个像素点的第一标签对应的所述第二初始权重及第一预测结果对应的所述目标权重,将所述车道图像中每个像素点的所述第一预测结果及所述第一标签进行融合,以获取所述车道图像中每个像素点对应的第二标签;
基于所述车道图像中每个像素点对应的第二标签,生成所述车道图像对应的所述第二标签。
3.根据权利要求2所述的方法,其中,所述根据所述车道图像中每个像素点的第一预测结果与所述第一标签之间的差异,确定所述车道图像中每个像素点的第一预测结果对应的第一权重因子,包括:
根据所述车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定所述车道图像中每个像素点的第一预测结果对应的目标损失值;
根据损失值与权重因子之间的映射关系、及所述车道图像中每个像素点的第一预测结果对应的所述目标损失值,确定所述车道图像中每个像素点的第一预测结果对应的所述第一权重因子。
4.根据权利要求2所述的方法,其中,所述根据所述待训练任务类型,确定所述车道图像中每个像素点对应的第二权重因子,包括:
基于所述第一标签,确定所述车道图像中包含的正样本及负样本;
基于所述待训练任务类型,查询权重因子映射表,以获取所述待训练任务类型的正样本对应的第一数值、负样本对应的第二数值,其中,第一数值大于第二数值;
确定所述车道图像的正样本中每个像素点对应的第二权重因子为所述第一数值、所述车道图像的负样本中每个像素点对应的第二权重因子为所述第二数值。
5.根据权利要求4所述的方法,其中,还包括:
确定所述车道图像中正样本对应的像素点数量与所述车道图像中的全部像素点数量之间的比值;
根据所述比值,确定所述车道图像中每个像素点对应的第三权重因子;
根据所述车道图像中每个像素点对应的所述第一权重因子、所述第二权重因子、所述第三权重因子及所述第一初始权重的乘积,对所述车道图像中每个像素点的第一预测结果对应的所述目标权重进行更新。
6.根据权利要求5所述的方法,其中,所述根据所述比值,确定所述车道图像中每个像素点对应的第三权重因子,包括:
在所述比值小于第一阈值、且大于第二阈值的情况下,确定所述车道图像的正样本中每个像素点对应的第三权重因子为第三数值,所述车道图像的负样本中每个像素点对应的第三权重因子为第四数值,其中,所述第三数值大于所述第四数值;或者,
在所述比值小于或等于所述第二阈值的情况下,确定所述车道图像的正样本中每个像素点对应的第三权重因子为第五数值,所述车道图像的负样本中每个像素点对应的第三权重因子为0,其中,所述第五数值大于所述第三数值。
7.一种自动驾驶感知模型的生成装置,包括:
第一获取模块,用于获取样本训练数据集,其中,所述样本训练数据集中包含车道图像及所述车道图像在待训练任务类型下对应的第一标签;
第二获取模块,用于将所述车道图像分别输入教师感知模型及初始自动驾驶感知模型中,以获取所述教师感知模型输出的第一预测结果及所述初始自动驾驶感知模型输出的第二预测结果;
第三获取模块,用于将所述第一预测结果及所述第一标签进行融合,以获取所述车道图像对应的第二标签;
第四获取模块,用于根据所述第二标签与所述第二预测结果之间的差异,对所述初始自动驾驶感知模型进行修正,以获取目标自动驾驶感知模型。
8.根据权利要求7所述的装置,其中,所述第三获取模块,包括:
第一确定单元,用于根据所述车道图像中每个像素点的第一预测结果与所述第一标签之间的差异,确定所述车道图像中每个像素点的第一预测结果对应的第一权重因子;
第二确定单元,用于根据所述待训练任务类型,确定所述车道图像中每个像素点对应的第二权重因子;
第一获取单元,用于获取所述车道图像中每个像素点的第一预测结果对应的第一初始权重,及第一标签对应的第二初始权重;
第三确定单元,用于将所述车道图像中每个像素点的第一预测结果对应的所述第一初始权重、所述第一权重因子及所述第二权重因子的乘积,确定为所述车道图像中每个像素点的第一预测结果对应的目标权重;
第二获取单元,用于基于所述车道图像中每个像素点的第一标签对应的所述第二初始权重及第一预测结果对应的所述目标权重,将所述车道图像中每个像素点的所述第一预测结果及所述第一标签进行融合,以获取所述车道图像中每个像素点对应的第二标签;
生成单元,用于基于所述车道图像中每个像素点对应的第二标签,生成所述车道图像对应的所述第二标签。
9.根据权利要求8所述的装置,其中,所述第一确定单元,具体用于:
根据所述车道图像中每个像素点的第一预测结果与第一标签之间的差异,确定所述车道图像中每个像素点的第一预测结果对应的目标损失值;
根据损失值与权重因子之间的映射关系、及所述车道图像中每个像素点的第一预测结果对应的所述目标损失值,确定所述车道图像中每个像素点的第一预测结果对应的所述第一权重因子。
10.根据权利要求8所述的装置,其中,所述第二确定单元,用于:
基于所述第一标签,确定所述车道图像中包含的正样本及负样本;
基于所述待训练任务类型,查询权重因子映射表,以获取所述待训练任务类型的正样本对应的第一数值、负样本对应的第二数值,其中,第一数值大于第二数值;
确定所述车道图像的正样本中每个像素点对应的第二权重因子为所述第一数值、所述车道图像的负样本中每个像素点对应的第二权重因子为所述第二数值。
11.根据权利要求10所述的装置,其中,所述第三获取模块,还包括:
第四确定单元,用于确定所述车道图像中正样本对应的像素点数量与所述车道图像中的全部像素点数量之间的比值;
第五确定单元,用于根据所述比值,确定所述车道图像中每个像素点对应的第三权重因子;
更新单元,用于根据所述车道图像中每个像素点对应的所述第一权重因子、所述第二权重因子、所述第三权重因子及所述第一初始权重的乘积,对所述车道图像中每个像素点的第一预测结果对应的所述目标权重进行更新。
12.根据权利要求11所述的装置,其中,所述第五确定单元,具体用于:
在所述比值小于第一阈值、且大于第二阈值的情况下,确定所述车道图像的正样本中每个像素点对应的第三权重因子为第三数值,所述车道图像的负样本中每个像素点对应的第三权重因子为第四数值,其中,所述第三数值大于所述第四数值;或者,
在所述比值小于或等于所述第二阈值的情况下,确定所述车道图像的正样本中每个像素点对应的第三权重因子为第五数值,所述车道图像的负样本中每个像素点对应的第三权重因子为0,其中,所述第五数值大于所述第三数值。
13.一种电子设备,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1-6中任一项所述的方法。
14.一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权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646569.6A CN115984791A (zh) | 2022-12-19 | 2022-12-19 | 自动驾驶感知模型的生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646569.6A CN115984791A (zh) | 2022-12-19 | 2022-12-19 | 自动驾驶感知模型的生成方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984791A true CN115984791A (zh) | 2023-04-18 |
Family
ID=85969360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211646569.6A Pending CN115984791A (zh) | 2022-12-19 | 2022-12-19 | 自动驾驶感知模型的生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984791A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626670A (zh) * | 2023-07-18 | 2023-08-22 | 小米汽车科技有限公司 | 自动驾驶模型的生成方法、装置、车辆及存储介质 |
-
2022
- 2022-12-19 CN CN202211646569.6A patent/CN115984791A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626670A (zh) * | 2023-07-18 | 2023-08-22 | 小米汽车科技有限公司 | 自动驾驶模型的生成方法、装置、车辆及存储介质 |
CN116626670B (zh) * | 2023-07-18 | 2023-11-03 | 小米汽车科技有限公司 | 自动驾驶模型的生成方法、装置、车辆及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561077B (zh) | 多任务模型的训练方法、装置及电子设备 | |
CN113836333B (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
CN113191256B (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN112559007A (zh) | 多任务模型的参数更新方法、装置及电子设备 | |
CN112560874A (zh) | 图像识别模型的训练方法、装置、设备和介质 | |
CN114648676B (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN113361572B (zh) | 图像处理模型的训练方法、装置、电子设备以及存储介质 | |
CN112966744A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
CN115829058A (zh) | 训练样本处理方法、跨模态匹配方法、装置、设备和介质 | |
CN115984791A (zh) | 自动驾驶感知模型的生成方法、装置及电子设备 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
CN113641804A (zh) | 预训练模型获取方法、装置、电子设备及存储介质 | |
CN113157877A (zh) | 多语义识别方法、装置、设备和介质 | |
CN112784102A (zh) | 视频检索方法、装置和电子设备 | |
CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 | |
CN113051926B (zh) | 文本抽取方法、设备和存储介质 | |
CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN115840867A (zh) | 数学解题模型的生成方法、装置、电子设备和存储介质 | |
CN113205120A (zh) | 数据标注方法、装置、电子设备及可读存储介质 | |
CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 |
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 |