CN116189145A - 一种线形地图要素的提取方法、系统和可读介质 - Google Patents

一种线形地图要素的提取方法、系统和可读介质 Download PDF

Info

Publication number
CN116189145A
CN116189145A CN202310115573.8A CN202310115573A CN116189145A CN 116189145 A CN116189145 A CN 116189145A CN 202310115573 A CN202310115573 A CN 202310115573A CN 116189145 A CN116189145 A CN 116189145A
Authority
CN
China
Prior art keywords
linear map
map elements
elements
linear
output
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
Application number
CN202310115573.8A
Other languages
English (en)
Inventor
杨蒙蒙
杨殿阁
唐雪薇
江昆
黄晋
温拓朴
黄健强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202310115573.8A priority Critical patent/CN116189145A/zh
Publication of CN116189145A publication Critical patent/CN116189145A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明属于自动驾驶技术领域，涉及一种线形地图要素的提取方法，包括以下步骤：将具有线形地图要素的单帧图像输入深度特征提取网络，提取深度图像特征；通过变压解码器，对所述深度图像特征与若干个查询量进行解码；通过多层感知器，根据所述解码结果，生产分支输出线形地图要素采样点坐标和分支输出线形地图要素对应类别；将线形地图要素采样点坐标和分支输出线形地图要素对应类别合并，得到所述线形地图要素的结构体。其仅使用摄像头传感器提供的单帧图像数据实现地图要素实例分割，成本低。

Description

一种线形地图要素的提取方法、系统和可读介质
技术领域
本发明涉及一种线形地图要素的提取方法、系统和可读介质，属于自动驾驶技术领域。
背景技术
摄像头是自动驾驶感知技术应用的重要传感器，它能够实时捕捉行驶场景的彩色图像，以还原行车道路真实场景。对摄像头传感器捕捉的彩色图像，通常采用各种图像处理方式来提取其中的关键信息，如车道线、行人、行车等。往往根据后续应用需求确定关键信息的种类与它们对应的提取方式。比如避障功能模块，它需要摄像头实时提供障碍物如他车、行人的位置及面积信息，这种需求对应的是视觉目标检测方法。
对于自动驾驶中的高精度地图等应用来说，不仅需要知道车道线、灯杆等线形要素的类别，而且还需要知道根根对应的线形形状，一般采用拟合后的线形方程来进行描述。针对车道线这一类要素的方法研究很多，主要思路通常是利用车道线的形状特点，设置易于检测的锚点，进行后续车道线捕捉与形状调整，但这种方法受限于车道线的特点，迁移性较差，难以适用于统一检测所有线形地图要素类别，如灯杆、路沿等；另一类思路采用传统语义分割、目标检测等方法先提取地图要素在图像中的信息，再进行进一步的实例化、拟合等后处理操作，其可以统一地处理多种线形地图要素，但是缺点是后处理过程较为复杂，在实例化和拟合步骤中面临信息丢失和产生新误差的问题。
发明内容
针对上述问题，本发明的目的是提供了一种线形地图要素的提取方法、系统和可读介质，其仅采用摄像头传感器提供的单帧图像数据实现地图要素实例分割，成本低。
为实现上述目的，本发明提出了以下技术方案：一种线形地图要素的提取方法，包括以下步骤：将具有线形地图要素的单帧图像输入深度特征提取网络，提取深度图像特征；通过变压解码器，对所述深度图像特征与若干个查询量进行解码；通过多层感知器，根据所述解码结果，生产分支输出线形地图要素采样点坐标和分支输出线形地图要素对应类别；将线形地图要素采样点坐标和分支输出线形地图要素对应类别合并，得到所述线形地图要素的结构体。
进一步，所述线形地图要素由线形地图要素的结构体表征，所述线形地图要素的结构体包括线形地图要素的类别和采样点的横坐标。
进一步，所述多层感知器的输出结果为N个线形地图要素结构体的集合，N为预设的线形要素数量上限。
进一步，所述深度特征提取网络包括多层深度卷积层结构，将单帧图像的长设为H，单帧图像的宽设为W，所述单帧图像的尺寸为H×W×3。
进一步，所述深度图像特征与若干个查询量输入变压器解码器，输出解码结果，将所述解码结果输入所述多层感知器，输出N×1的向量用以获得不同线形地图要素的类别，以及N×S的矩阵，所述矩阵用以获得线形地图要素采样点坐标，其中，S是采样点的数量，所述矩阵的(t,i)处的值表示第t个线形地图要素中第i个采样点的横坐标。
进一步，所述获得不同线形地图要素的类别的支路将交叉熵损失函数作为损失函数进行训练，所述获得线形地图要素采样点坐标的支路将MSE损失函数作为损失函数进行训练。
本发明还公开了一种线形地图要素的提取系统，包括：特征提取模块，用于将具有线形地图要素的单帧图像输入深度特征提取网络，提取深度图像特征；解码模块，用于通过变压解码器，对所述深度图像特征与若干个查询量进行解码；多层感知模块，用于通过多层感知器，根据所述解码结果，生产分支输出线形地图要素采样点坐标和分支输出线形地图要素对应类别；输出模块，用于将线形地图要素采样点坐标和分支输出线形地图要素对应类别合并，得到所述线形地图要素的结构体。
进一步，所述深度图像特征与若干个查询量输入变压器解码器，输出解码结果，将所述解码结果输入所述多层感知器，输出N×1的向量用以获得不同线形地图要素的类别，以及N×S的矩阵，所述矩阵用以获得线形地图要素采样点坐标，其中，S是采样点的数量，所述矩阵的(t,i)处的值表示第t个线形地图要素中第i个采样点的横坐标。
进一步，所述获得不同线形地图要素的类别的支路将交叉熵损失函数作为损失函数进行训练，所述获得线形地图要素采样点坐标的支路将MSE损失函数作为损失函数进行训练。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述任一项所述的线形地图要素的提取方法。
本发明由于采取以上技术方案，其具有以下优点：
1)本发明仅使用摄像头传感器提供的单帧图像数据实现地图要素实例分割，成本低；
2)本发明网络结构较为简单，参数量少，训练快；
3)本发明统一而简便地表达了线形地图要素，给后续模块处理带来方便；
4)本发明能够统一处理多类别线形要素的实例提取问题。
附图说明
图1是本发明一实施例中线形地图要素提取方法的流程图；
图2是本发明一实施例中线形地图要素提取方法的可视化结果图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
为了解决现有技术中受限于车道线的特点，迁移性较差，难以适用于统一检测所有线形地图要素类别，以及后处理过程较为复杂，在实例化和拟合步骤中面临信息丢失和产生新误差等问题。本发明提出了一种线形地图要素的提取方法、系统和可读介质，其能够统一对线形地图要素进行提取，并直接得到实例化结果。因此，利用线形要素分布的特点，设计了线形地图要素的表达方式，根据表达方式的结构及内容设计了端到端的线形地图要素提取模型，直接采用一个模型输出各线形地图要素的关键点和类别。下面结合附图，通过实施例对本发明方案进行详细阐述。
实施例一：
本实施例公开了一种线形地图要素的提取方法，如图1所示，包括以下步骤：
S1将具有线形地图要素的单帧图像输入深度特征提取网络，提取深度图像特征；
该单帧图像通过摄像头传感器采集。将单帧图像的长设为H，单帧图像的宽设为W，单帧图像的尺寸为H×W×3。
本实施例中根据线形地图要素特点提供一种线形地图要素的表达方式，使其能够被深度特征提取网络直接输出，并能够直接被后续模块使用，有效降低了要素提取到后续模块应用之间的处理开销。具体说明如下：
根据行车场景中的线形地图要素特点，在纵坐标上进行均匀采样,得到S个纵坐标，即共采集S个样品，S为采集的样品数量。将单帧图像的长设为H，单帧图像的宽设为W。则第t条检测到的线形地图要素共需抽样S个点。则第一个采样点的纵坐标为W/S，则第二个采样点的纵坐标为2W/S；以此类推，第N个采样点的纵坐标为W。在纵坐标W/s、2W/s……W处设置横向网格，获得该横向网格与第t条线形地图要素的交点。用第i个交点的横坐标值来表示该线形地图要素的第i个采样点。
if point(t,i),xt,i＝X(point(t,i))
else xt,i＝0
i＝1,2...s
线形地图要素由线形地图要素的结构体表征，第t条检测到的线形地图要素由线形地图要素的结构体Lt表示，线形地图要素的结构体由S+1个数值组成，包括线形地图要素的类别和采样点的横坐标。其中，第一个数值c该线形地图要素的类别，线形地图要素的类别包括但不限于车道线、灯杆等。本实施例中采用1表示车道线，采用2表示灯杆。后面S个数据表示S个采样点的横坐标xt,1,xt,2,…,xt,s。通过采样点的顺序可知各个采样点的纵坐标，则通过xt,1,xt,2,…,xt,s的值可以描绘线形地图要素的关键点在全图中的横纵坐标，从而尽可能细腻地表示线形地图要素形状。因此S值越大，对线形地图要素形状的描述就越准确，但同时计算开销也会越大；S值越小，对线形地图要素形状的描述就越粗略，但计算开销可以大大降低，对于不同场景和图像条件需要设置合适的S值以平衡计算效率与准确性。若不存在地图要素，则线形地图要素的结构体Lt由S+1个0组成。通常线形地图要素的结构体Lt可由下式表示：
Lt＝{c,xt,1,xt,2,…,xt,s}。
深度特征提取网络输出为N个线形地图要素结构体的集合，表示检测到的N个线形要素情况，N为预设的线形要素数量上限。深度特征提取网络输出结果可由下式表示：
output＝{L1,L2,…,LN}
深度特征提取网络包括多层深度卷积层结构，通过连接多层深度卷积层结构，得到输入图像的深度特征。本实施例中多层深度卷积层可采用多种预训练的经典特征提取模型，输入的单帧图像的尺寸为H×W×3。
S2通过变压解码器，对深度图像特征与若干个查询量进行解码；
本实施例中查询量为预先设定，其数量为N，N为预设的线形要素数量上限，该N的具体值可以根据实际要处理的单帧图像确定。
S3通过多层感知器，根据解码结果，生产分支输出线形地图要素采样点坐标和分支输出线形地图要素对应类别；
多层感知器的输出结果为N个线形地图要素结构体的集合，N为预设的线形要素数量上限。
首先，深度图像特征与若干个查询量输入变压器解码器，输出解码结果，将解码结果输入多层感知器，直接输出两个分支，其中第一个分支输出N×1的向量用以获得不同线形地图要素的类别，另一个分支得到N×S的矩阵，矩阵用以获得线形地图要素采样点坐标，其中，S是采样点的数量，矩阵的(t,i)处的值表示第t个线形地图要素中第i个采样点的横坐标。
深度图像特征的类别判断分支即如图1中变压解码器的上分支，在MLP(多层感知器)最后一层输出1×N的向量。N是一个预设值代表可检测的最大地图要素数量，考虑图像特点，在复杂场景中N值可取较大，在简单场景下N值可取较小，如果是简单场景中单一类别的车道线检测，可设N为5。向量中具体数值可根据需求确定，如果仅仅是车道线检测，可用0表示无要素，1表示车道线。如果需要更多类别，如灯杆、路沿等，可依次增加为2、3……等类别标签值。
线形地图要素采样点坐标计算分支即如图1中变压解码器的下分支，在MLP(多层感知器)最后一层输出N×S的矩阵。使得矩阵的(t,i)处，t∈[1,N],i∈[1,S]位置的值表达第t个线形地图要素的第i个抽样点横坐标，若第i行抽样纵坐标处无地图要素则值为0。这种输出结构能够很好地利用变压解码器与多层感知器的结构特点，直接输出需要的采样值结果，结构清晰后处理简单。
为了训练多层感知器网络，使其结果与目标值尽可能接近，需要合理采用损失函数。获得不同线形地图要素的类别的支路将交叉熵损失函数作为损失函数进行训练，获得线形地图要素采样点坐标的支路将MSE损失函数作为损失函数，即采用预测采样值和标注采样值误差的平方和均值为损失函数。
S4将线形地图要素采样点坐标和分支输出线形地图要素对应类别合并，得到线形地图要素的结构体。
为了使训练多层感知器网络输出与表达方式完全一致，只需提取两个分支的结果，将类别判断分支的第t个值与采样值输出分支的第t列S个值合并，得到表达第t个线形地图要素的结构体：
Lt＝{c,xt,1,xt,2,…,xt,s}
最后组合得到N个结构体，即为本实施例中的线形地图要素表达方式。本实例获得的线形地图要素表达可视化结果如图2所示。
本实施例仅使用摄像头传感器提供的单帧图像数据实现地图要素实例分割，可以降低线形地图要素提取成；且本实施例中深度特征提取网络结构较为简单，参数量少，训练快；且本实施例中统一而简便地表达了线形地图要素，给后续模块处理带来方便；其能够统一处理多类别线形要素的实例提取问题。
实施例二：
基于相同的发明构思，本实施例公开了一种线形地图要素的提取系统，包括：
特征提取模块，用于将具有线形地图要素的单帧图像输入深度特征提取网络，提取深度图像特征；
解码模块，用于通过变压解码器，对深度图像特征与若干个查询量进行解码；
多层感知模块，用于通过多层感知器，根据解码结果，生产分支输出线形地图要素采样点坐标和分支输出线形地图要素对应类别；
输出模块，用于将线形地图要素采样点坐标和分支输出线形地图要素对应类别合并，得到线形地图要素的结构体。
深度图像特征与若干个查询量输入变压器解码器，输出解码结果，将解码结果输入多层感知器，输出N×1的向量用以获得不同线形地图要素的类别，以及N×S的矩阵，矩阵用以获得线形地图要素采样点坐标，其中，S是采样点的数量，矩阵的(t,i)处的值表示第t个线形地图要素中第i个采样点的横坐标。
获得不同线形地图要素的类别的支路将交叉熵损失函数作为损失函数进行训练，获得线形地图要素采样点坐标的支路将MSE损失函数作为损失函数进行训练。
实施例三：
基于相同的发明构思，本实施例公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任一项的线形地图要素的提取方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种线形地图要素的提取方法，其特征在于，包括以下步骤：
将具有线形地图要素的单帧图像输入深度特征提取网络，提取深度图像特征；
通过变压解码器，对所述深度图像特征与若干个查询量进行解码；
通过多层感知器，根据所述解码结果，生产分支输出线形地图要素采样点坐标和分支输出线形地图要素对应类别；
将线形地图要素采样点坐标和分支输出线形地图要素对应类别合并，得到所述线形地图要素的结构体。
2.如权利要求1所述的线形地图要素的提取方法，其特征在于，所述线形地图要素由线形地图要素的结构体表征，所述线形地图要素的结构体包括线形地图要素的类别和采样点的横坐标。
3.如权利要求2所述的线形地图要素的提取方法，其特征在于，所述多层感知器的输出结果为N个线形地图要素结构体的集合，N为预设的线形要素数量上限。
4.如权利要求1所述的线形地图要素的提取方法，其特征在于，所述深度特征提取网络包括多层深度卷积层结构，将单帧图像的长设为H，单帧图像的宽设为W，所述单帧图像的尺寸为H×W×3。
5.如权利要求3所述的线形地图要素的提取方法，其特征在于，所述深度图像特征与若干个查询量输入变压器解码器，输出解码结果，将所述解码结果输入所述多层感知器，输出N×1的向量用以获得不同线形地图要素的类别，以及N×S的矩阵，所述矩阵用以获得线形地图要素采样点坐标，其中，S是采样点的数量，所述矩阵的(t,i)处的值表示第t个线形地图要素中第i个采样点的横坐标。
6.如权利要求5所述的线形地图要素的提取方法，其特征在于，所述获得不同线形地图要素的类别的支路将交叉熵损失函数作为损失函数进行训练，所述获得线形地图要素采样点坐标的支路将MSE损失函数作为损失函数进行训练。
7.一种线形地图要素的提取系统，其特征在于，包括：
特征提取模块，用于将具有线形地图要素的单帧图像输入深度特征提取网络，提取深度图像特征；
解码模块，用于通过变压解码器，对所述深度图像特征与若干个查询量进行解码；
多层感知模块，用于通过多层感知器，根据所述解码结果，生产分支输出线形地图要素采样点坐标和分支输出线形地图要素对应类别；
输出模块，用于将线形地图要素采样点坐标和分支输出线形地图要素对应类别合并，得到所述线形地图要素的结构体。
8.如权利要求7所述的线形地图要素的提取系统，其特征在于，所述深度图像特征与若干个查询量输入变压器解码器，输出解码结果，将所述解码结果输入所述多层感知器，输出N×1的向量用以获得不同线形地图要素的类别，以及N×S的矩阵，所述矩阵用以获得线形地图要素采样点坐标，其中，S是采样点的数量，所述矩阵的(t,i)处的值表示第t个线形地图要素中第i个采样点的横坐标。
9.如权利要求8所述的线形地图要素的提取系统，其特征在于，所述获得不同线形地图要素的类别的支路将交叉熵损失函数作为损失函数进行训练，所述获得线形地图要素采样点坐标的支路将MSE损失函数作为损失函数进行训练。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-6任一项所述的线形地图要素的提取方法。
CN202310115573.8A 2023-02-15 2023-02-15 一种线形地图要素的提取方法、系统和可读介质 Pending CN116189145A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310115573.8A CN116189145A (zh) 2023-02-15 2023-02-15 一种线形地图要素的提取方法、系统和可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310115573.8A CN116189145A (zh) 2023-02-15 2023-02-15 一种线形地图要素的提取方法、系统和可读介质

Publications (1)

Publication Number Publication Date
CN116189145A true CN116189145A (zh) 2023-05-30

Family

ID=86432300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310115573.8A Pending CN116189145A (zh) 2023-02-15 2023-02-15 一种线形地图要素的提取方法、系统和可读介质

Country Status (1)

Country Link
CN (1) CN116189145A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210518A (zh) * 2020-01-15 2020-05-29 西安交通大学 基于视觉融合地标的拓扑地图生成方法
CN111488762A (zh) * 2019-01-25 2020-08-04 阿里巴巴集团控股有限公司 一种车道级定位方法、装置及定位设备
US20210035314A1 (en) * 2018-10-12 2021-02-04 Tencent Technology (Shenzhen) Company Limited Map element extraction method and apparatus, and server
CN113514053A (zh) * 2021-07-13 2021-10-19 阿波罗智能技术(北京)有限公司 生成样本图像对的方法、装置和更新高精地图的方法
CN113657598A (zh) * 2021-08-04 2021-11-16 中国人民解放军战略支援部队航天工程大学 基于多策略智能体的推理系统、方法、装置及电子设备
CN113706705A (zh) * 2021-09-03 2021-11-26 北京百度网讯科技有限公司 用于高精地图的图像处理方法、装置、设备以及存储介质
CN113739811A (zh) * 2021-09-03 2021-12-03 阿波罗智能技术(北京)有限公司 关键点检测模型的训练和高精地图车道线的生成方法设备
CN114494435A (zh) * 2022-01-25 2022-05-13 清华大学 视觉与高精地图匹配定位的快速优化方法、系统及介质
CN114529719A (zh) * 2022-01-25 2022-05-24 清华大学 一种地面地图要素语义分割方法、系统、介质及设备
CN115077537A (zh) * 2021-03-10 2022-09-20 清华大学 高精度地图感知容器设计方法及装置、存储介质、终端
WO2022228127A1 (zh) * 2021-04-29 2022-11-03 京东科技控股股份有限公司 要素文本处理方法、装置、电子设备和存储介质
CN115292538A (zh) * 2021-11-11 2022-11-04 云南师范大学 一种基于深度学习的地图线要素提取方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210035314A1 (en) * 2018-10-12 2021-02-04 Tencent Technology (Shenzhen) Company Limited Map element extraction method and apparatus, and server
CN111488762A (zh) * 2019-01-25 2020-08-04 阿里巴巴集团控股有限公司 一种车道级定位方法、装置及定位设备
CN111210518A (zh) * 2020-01-15 2020-05-29 西安交通大学 基于视觉融合地标的拓扑地图生成方法
CN115077537A (zh) * 2021-03-10 2022-09-20 清华大学 高精度地图感知容器设计方法及装置、存储介质、终端
WO2022228127A1 (zh) * 2021-04-29 2022-11-03 京东科技控股股份有限公司 要素文本处理方法、装置、电子设备和存储介质
CN113514053A (zh) * 2021-07-13 2021-10-19 阿波罗智能技术(北京)有限公司 生成样本图像对的方法、装置和更新高精地图的方法
CN113657598A (zh) * 2021-08-04 2021-11-16 中国人民解放军战略支援部队航天工程大学 基于多策略智能体的推理系统、方法、装置及电子设备
CN113706705A (zh) * 2021-09-03 2021-11-26 北京百度网讯科技有限公司 用于高精地图的图像处理方法、装置、设备以及存储介质
CN113739811A (zh) * 2021-09-03 2021-12-03 阿波罗智能技术(北京)有限公司 关键点检测模型的训练和高精地图车道线的生成方法设备
CN115292538A (zh) * 2021-11-11 2022-11-04 云南师范大学 一种基于深度学习的地图线要素提取方法
CN114494435A (zh) * 2022-01-25 2022-05-13 清华大学 视觉与高精地图匹配定位的快速优化方法、系统及介质
CN114529719A (zh) * 2022-01-25 2022-05-24 清华大学 一种地面地图要素语义分割方法、系统、介质及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HENRY WONG 等: "HD-Map Aided LiDAR-INS Extrinsic Calibration", 2021 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC), 30 September 2021 (2021-09-30), pages 3136 - 3143, XP033993708, DOI: 10.1109/ITSC48978.2021.9564813 *
TUOPU WEN 等: "Roadside HD Map Object Reconstruction Using Monocular Camera", IEEE ROBOTICS AND AUTOMATION LETTERS, vol. 7, no. 3, 31 July 2022 (2022-07-31), pages 7722 - 7729 *
何松 等: "基于激光SLAM和深度学习的语义地图构建", 计算机技术与发展, no. 09, 30 September 2020 (2020-09-30), pages 88 - 94 *

Similar Documents

Publication Publication Date Title
CN111460984B (zh) 一种基于关键点与梯度均衡损失的全局车道线检测方法
CN110443969B (zh) 一种火点检测方法、装置、电子设备及存储介质
CN111104903B (zh) 一种深度感知交通场景多目标检测方法和系统
CN111209780A (zh) 车道线属性检测方法、装置、电子设备及可读存储介质
CN109948471A (zh) 基于改进InceptionV4网络的交通雾霾能见度检测方法
CN114049356B (zh) 一种结构表观裂缝检测方法、装置及系统
CN114898212B (zh) 一种高分辨率遥感图像多地物变化信息提取方法
CN111860072A (zh) 泊车控制方法、装置、计算机设备及计算机可读存储介质
CN113780200A (zh) 基于计算机视觉的路面多种病害面积检测及定位方法
CN113361528B (zh) 一种多尺度目标检测方法及系统
Rasib et al. Pixel level segmentation based drivable road region detection and steering angle estimation method for autonomous driving on unstructured roads
Manzari et al. Pyramid transformer for traffic sign detection
CN110472508A (zh) 基于深度学习和双目视觉的车道线测距方法
CN111914596A (zh) 车道线检测方法、装置、系统及存储介质
Wang et al. Improving facade parsing with vision transformers and line integration
CN112597996A (zh) 基于任务驱动的自然场景中交通标志显著性检测方法
CN116912700A (zh) 基于特征增强和细化的河湖治理违规问题的变化检测方法
CN114820931B (zh) 基于虚拟现实的智慧城市cim可视化实时成像方法
KR102416714B1 (ko) 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법
CN116189145A (zh) 一种线形地图要素的提取方法、系统和可读介质
CN116597270A (zh) 基于注意力机制集成学习网络的道路损毁目标检测方法
CN113673478B (zh) 基于深度学习全景拼接的港口大型设备检测与识别方法
CN115690787A (zh) 语义分割方法、图像处理设备以及计算机可读存储介质
CN112446292B (zh) 一种2d图像显著目标检测方法及系统
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统

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