System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机视觉,具体涉及一种基于ry-yolop模型的面向自动驾驶任务的行驶场景判别方法。
技术介绍
1、对于自动驾驶系统的研究是人们现在以及未来的一个非常重要和有益的研究方向,研究自动驾驶系统不仅会极大提高和改善我们日常生活的便捷性,也能够促进和提升人们日常驾驶的安全性和舒适度。对自动驾驶系统而言,对于行驶场景的判别十分重要,而行驶场景判别在某些时候可以等同于行驶场景理解。
2、现有通过全景驾驶感知网络(yolop)来识别行驶场景,yolop模型可以同时进行交通对象检测、可驾驶区域分割和车道检测。、
3、然而,在对yolop进行实验中发现,原模型存在特征提取网络过于简单,特征提取不充分;可行驶区域分割的精确的不够高;车道线检测在人行道部分出现混乱;检测速度不够快;在目标检测部分对与远处小目标检测框会出现框的个数多于实际存在的目标或者某些小目标无法被检测到的问题。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足,期望提供一种基于ry-yolop模型的面向自动驾驶任务的行驶场景判别方法。
2、本申请实施例提供了一种基于ry-yolop模型的面向自动驾驶任务的行驶场景判别方法,该方法包括:
3、s1:获取行驶图片;
4、s2:构建ry-yolop模型;
5、s3:通过所述ry-yolop模型对行驶图片进行判别,并输出自动驾驶的行驶场景结果;
6、其中,所述ry-yolop模型包括backbo
7、在其中一个实施例中,所述backbone模块包括依次连接的focus模块、bottleneckcsp模块以及conv模块。
8、在其中一个实施例中,所述neck模块包括cnn网络和空间金字塔池,所述cnn网络包括卷积层和fc层,所述卷积层、所述空间金字塔池以及所述fc层依次连接。
9、在其中一个实施例中,其中一个解码器包括依次连接的bottlenec kcsp模块、conv模块、concat模块、bottlenec kcsp模块、conv模块、concat模块、bottlenec kcsp模块以及conv模块。
10、在其中一个实施例中,其中另一个解码器包括依次连接的conv模块、upsample模块、bottlenec kcsp模块、conv模块、upsample模块、conv模块、bottlenec kcsp模块、upsample模块以及conv模块。
11、在其中一个实施例中,第三个解码器包括依次连接的conv模块、upsample模块、bottlenec kcsp模块、conv模块、upsample模块、conv模块、bottlenec kcsp模块、upsample模块以及conv模块。
12、在其中一个实施例中,所述场景分类器包括依次连接的卷积层、池化层、卷积层、池化层、全连接层、全连接层、分类器以及输出层;
13、其中,所述卷积的尺寸为3x3,其中第一个全连接层有216个输出,第二个全连接层有512个输出。
14、本申请的有益效果包括:
15、本申请提供的基于ry-yolop模型的面向自动驾驶任务的行驶场景判别方法,在ry-yolop模型中,输入的图片先经过backbone骨干网络进行特征的提取,然后正在neck颈部进行特征融合,再将融合的特征分别输出到三个不同的解码器来完成对行驶目标检测,可行驶区域分割和车道线检测的标注,然后将图像标注的结果输出给场景分类的分类器,由场景分类器对当前行驶的场景进行判别。本申请提供的方法相较于原yolop更好的检测结果和更高的检测性能,并在增加场景分类器后,使得原模型能够承担起行驶场景的分类任务。
本文档来自技高网...【技术保护点】
1.一种基于RY-YOLOP模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于RY-YOLOP模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,所述Backbone模块包括依次连接的focus模块、BottleneckCSP模块以及conv模块。
3.根据权利要求1所述的基于RY-YOLOP模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,所述Neck模块包括CNN网络和空间金字塔池,所述CNN网络包括卷积层和fc层,所述卷积层、所述空间金字塔池以及所述fc层依次连接。
4.根据权利要求1所述的基于RY-YOLOP模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,其中一个解码器包括依次连接的Bottlenec kCSP模块、conv模块、Concat模块、Bottlenec kCSP模块、conv模块、Concat模块、Bottlenec kCSP模块以及conv模块。
5.根据权利要求1所述的基于RY-YOLOP模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,其中另一
6.根据权利要求1所述的基于RY-YOLOP模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,第三个解码器包括依次连接的conv模块、Upsample模块、Bottlenec kCSP模块、conv模块、Upsample模块、conv模块、Bottlenec kCSP模块、Upsample模块以及conv模块。
7.根据权利要求1所述的基于RY-YOLOP模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,所述场景分类器包括依次连接的卷积层、池化层、卷积层、池化层、全连接层、全连接层、分类器以及输出层;
...【技术特征摘要】
1.一种基于ry-yolop模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于ry-yolop模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,所述backbone模块包括依次连接的focus模块、bottleneckcsp模块以及conv模块。
3.根据权利要求1所述的基于ry-yolop模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,所述neck模块包括cnn网络和空间金字塔池,所述cnn网络包括卷积层和fc层,所述卷积层、所述空间金字塔池以及所述fc层依次连接。
4.根据权利要求1所述的基于ry-yolop模型的面向自动驾驶任务的行驶场景判别方法,其特征在于,其中一个解码器包括依次连接的bottlenec kcsp模块、conv模块、concat模块、bottlenec kcsp模块、conv模块、concat模块、bottlenec kcsp模块以及conv模块。...
【专利技术属性】
技术研发人员:么渲正,李云鹏,孙闯,魏倩茹,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。