【技术实现步骤摘要】
本申请属于深度学习领域，尤其涉及一种道路要素检测方法及装置、电子设备及计算机可读存储介质。
技术介绍
1、近年来，深度学习技术在各个领域取得了广泛应用和显著成果，尤其是在图像识别、自然语言处理和语音识别等任务中表现突出。多任务学习(mtl)是深度学习中的一种学习范式，有效地利用任务特定和共享信息同时解决多个相关任务。
2、多任务学习虽然能完成训练任务，但也存在一些问题，例如不同任务之间可能存在冲突或干扰，导致模型难以同时优化所有任务的性能，出现所谓的“负迁移”现象；在多任务学习中，不同任务的重要性和难度可能不同，需要合理选择任务和调整权重，以确保每个任务都能得到有效训练。这增加了模型设计和优化的复杂性。
技术实现思路
1、本申请实施例提供了一种道路要素检测方法及装置、电子设备及计算机可读存储介质，可以解决相关技术中模型设计和优化复杂的问题。
2、第一方面，本申请实施例提供了一种道路要素检测方法，该方法包括：获取道路要素检测的多任务训练样本集，多任务训练样本集包括多个多任务训练样本；使用多任务训练样本集迭代训练多任务检测网络，其中多任务检测网络包括为每个检测任务独立配置的输出层，每个输出层包括多尺度聚合-分离注意力模块。
3、第二方面，本申请实施例提供了一种道路要素检测方法，该方法包括：获取道路图像；将道路图像输入多任务检测网络，得到道路要素的多任务检测结果，其中多任务检测网络是采用上述第一方面所述的方法训练得到的。
4、第三方面，本申
5、第四方面，本申请实施例提供了一种道路要素检测装置，该装置包括：第二获取模块，用于获取道路图像；检测模块，用于将道路图像输入多任务检测网络，得到道路要素的多任务检测结果，其中多任务检测网络是采用上述第三方面所述的装置训练得到的。
6、第五方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可被处理器执行的计算机程序，处理器执行计算机程序时实现上述第一方面或第二方面所述的道路要素检测方法。
7、第六方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述第一方面或第二方面所述的道路要素检测方法。
8、第七方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面或第二方面所述的道路要素检测方法。
9、本申请实施例与现有技术相比存在的有益效果是：通过获取道路要素检测的多任务训练样本集，多任务训练样本集包括多个多任务训练样本；使用多任务训练样本集迭代训练多任务检测网络，其中多任务检测网络包括为每个检测任务独立配置的输出层，每个输出层包括多尺度聚合-分离注意力模块，多尺度聚合-分离注意力模块能够综合利用不同尺度的特征信息，统一注意力分布，提升特征的表达能力和丰富性，从而增强模型的泛化能力和性能。
本文档来自技高网...【技术保护点】
1.一种道路要素检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，
3.如权利要求1所述的方法，其特征在于，
4.如权利要求3所述的方法，其特征在于，
5.如权利要求4所述的方法，其特征在于，
6.如权利要求1所述的方法，其特征在于，
7.如权利要求1-6任一项所述的方法，其特征在于，
8.一种道路要素检测方法，其特征在于，所述方法包括：
9.一种道路要素检测装置，其特征在于，所述装置包括：
10.一种道路要素检测装置，其特征在于，所述装置包括：
11.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可被处理器执行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
【技术特征摘要】
1.一种道路要素检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，
3.如权利要求1所述的方法，其特征在于，
4.如权利要求3所述的方法，其特征在于，
5.如权利要求4所述的方法，其特征在于，
6.如权利要求1所述的方法，其特征在于，
7.如权利要求1-6任一项所述的方法，其特征在于，
8.一种道路要素检测方法，其特征在于，所述方法包括：
...
【专利技术属性】
技术研发人员：王鹏飞，王鹏，徐垚凡，游东旭，刘加美，
申请(专利权)人：深圳市锐明像素科技有限公司，
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。