【技术实现步骤摘要】
本申请属于机器学习，尤其涉及一种区域检测模型的训练方法、区域检测方法及装置。
技术介绍
1、随着社会科技的发展，自动驾驶车辆已经开始在越来越多的场景中使用，可行驶区域的检测是自动驾驶中尤为重要的一部分，可行驶区域检测主要通过检测车辆可以通行的区域参与自动驾驶整体的决策。
2、现有的方法大多是通过人工智能模型对图像中的可行驶区域进行分割，在模型训练过程中，主要使用交叉熵损失函数来衡量真值以及模型的预测值之间的差异，从而规范模型的学习方向。
3、但是，由于在一张图像中通常会有大片区域都属于可行驶区域，占比过高，这就经常会出现交叉熵损失函数很低，真值与模型预测值之间的iou很高，但实际上，预测出的可行驶区域边缘与真值边缘参差不齐，效果很差。这样，会导致车辆可能行进到不属于可行驶区域的地方，极易发生安全事故。
技术实现思路
1、本申请实施例提供一种区域检测模型的训练方法、区域检测方法及装置，能够通过边缘损失函数，来加强区域检测模型对可行驶区域边缘检测的精细程度，使区域检测模型能够检测出边缘更精确的可行驶区域，从而避免车辆行驶到不可行驶区域，提高车辆的安全性。
2、第一方面，本申请实施例提供一种区域检测模型的训练方法，该方法包括：
3、获取多个训练样本，训练样本包括目标图像及其标注图像，目标图像中包含可行驶区域，标注图像是在目标图像中标注可行驶区域得到的，
4、将训练样本中的目标图像输入至预设的区域检测模型，通过区域检测模型检测目标
5、提取预测图像中预测可行驶区域的边缘，得到第一边缘图像，以及提取标注图像中可行驶区域的边缘，得到第二边缘图像，
6、根据第一边缘图像和第二边缘图像，确定边缘损失函数值，
7、在边缘损失函数值不满足训练停止条件的情况下，调整区域检测模型的模型参数，并利用训练样本训练参数调整后的区域检测模型，直至满足训练停止条件，得到训练后的区域检测模型。
8、第一方面，本申请实施例提供一种区域检测方法，该方法包括：
9、获取第一图像，第一图像中包含可行驶区域，
10、将第一图像输入至区域检测模型，通过区域检测模型检测第一图像中的可行驶区域，输出得到第二图像，第二图像为标注第一图像中的可行驶区域得到的，区域检测模型为基于权利要求1-7中任一项的区域检测模型的训练方法训练得到的。
11、第三方面，本申请实施例提供了一种区域检测模型的训练装置，该装置包括：
12、第一获取模块，用于获取多个训练样本，训练样本包括目标图像及其标注图像，目标图像中包含可行驶区域，标注图像是在目标图像中标注可行驶区域得到的，
13、输入模块，用于将训练样本中的目标图像输入至预设的区域检测模型，通过区域检测模型检测目标图像中的可行驶区域，输出得到预测图像，预测图像是标注出预测可行驶区域的图像，
14、提取模块，用于提取预测图像中预测可行驶区域的边缘，得到第一边缘图像，以及提取标注图像中可行驶区域的边缘，得到第二边缘图像，
15、确定模块，用于根据第一边缘图像和第二边缘图像，确定边缘损失函数值，
16、调整模块，用于在边缘损失函数值不满足训练停止条件的情况下，调整区域检测模型的模型参数，并利用训练样本训练参数调整后的区域检测模型，直至满足训练停止条件，得到训练后的区域检测模型。
17、第四方面，本申请实施例提供了一种区域检测装置，该装置包括：
18、第一获取模块，用于获取第一图像，第一图像中包含可行驶区域，
19、检测模块，用于将第一图像输入至区域检测模型，通过区域检测模型检测第一图像中的可行驶区域，输出得到第二图像，第二图像为标注第一图像中的可行驶区域得到的，区域检测模型为基于第一方面的任一项实施例中所示的区域检测模型的训练方法训练得到的。
20、第五方面，本申请实施例提供了一种电子设备，所述设备包括：处理器以及存储有计算机程序指令的存储器，
21、所述处理器执行所述计算机程序指令时实现如第一方面的任一项实施例中所示的区域检测模型的训练方法和/或第二方面的任一项实施例中所示的区域检测方法。
22、第六方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面的任一项实施例中所示的区域检测模型的训练方法和/或第二方面的任一项实施例中所示的区域检测方法。
23、第七方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行第一方面的任一项实施例中所示的区域检测模型的训练方法和/或第二方面的任一项实施例中所示的区域检测方法。
24、本申请实施例的区域检测模型的训练方法、区域检测方法及装置，可以将训练样本中的目标图像输入至预设的区域检测模型，通过区域检测模型检测目标图像中的可行驶区域，输出得到标注出预测可行驶区域的预测图像，然后提取预测图像中预测可行驶区域的边缘，得到第一边缘图像，以及提取训练样本中的标注图像中可行驶区域的边缘，得到第二边缘图像，再根据第一边缘图像和第二边缘图像，确定边缘损失函数值，在边缘损失函数值不满足训练停止条件的情况下，调整区域检测模型的模型参数，并利用训练样本训练参数调整后的区域检测模型，直至满足训练停止条件，得到训练后的区域检测模型。这样，可以通过边缘损失函数，来加强区域检测模型对可行驶区域边缘检测的精细程度，使区域检测模型能够检测出边缘更精确的可行驶区域，从而避免车辆行驶到不可行驶区域，提高车辆的安全性。
本文档来自技高网...【技术保护点】
1.一种区域检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述提取所述预测图像中所述预测可行驶区域的边缘，得到第一边缘图像，以及提取所述标注图像中所述可行驶区域的边缘，得到第二边缘图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述分别对所述预测图像和所述标注图像进行卷积操作，得到所述预测图像对应的第一边缘图像和所述标注图像对应的第二边缘图像，包括：
4.根据权利要求3所述的方法，其特征在于，所述获取拉普拉斯算子模板，包括：
5.根据权利要求4所述的方法，其特征在于，所述拉普拉斯算子公式为：
6.根据权利要求1所述的方法，其特征在于，所述第一边缘图像和所述第二边缘图像均为掩码图像，所述根据所述第一边缘图像和所述第二边缘图像，确定边缘损失函数值，包括：
7.根据权利要求1所述的方法，其特征在于，所述区域检测模型为卷积神经网络。
8.一种区域检测方法，其特征在于，所述方法包括：
9.一种区域检测模型的训练装置，其特征在于，所述装置包括：<...
【技术特征摘要】
1.一种区域检测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述提取所述预测图像中所述预测可行驶区域的边缘，得到第一边缘图像，以及提取所述标注图像中所述可行驶区域的边缘，得到第二边缘图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述分别对所述预测图像和所述标注图像进行卷积操作，得到所述预测图像对应的第一边缘图像和所述标注图像对应的第二边缘图像，包括：
4.根据权利要求3所述的方法，其特征在于，所述获取拉普拉斯算子模板，包括：
【专利技术属性】
技术研发人员：孔祥凯，张典民，
申请(专利权)人：北京经纬恒润科技股份有限公司，
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。