CN114627441B 非结构化道路识别网络训练方法、应用方法及存储介质 （武汉理工大学）

本发明涉及非结构化道路识别网络训练方签确定所述非结构化道路识别网络的损失函数2获取包含标注信息的图像训练样本集，其中，所述标注信息包括所根据所述实际道路分类标签确定所述非结构化道路识别网络的损失函数的值，其中，根据所述损失函数的值调整所述非结构化道路识别网络的参数至所述非结构化道路识别网络的网络结构包括编码器和解码器，所述在所述编码器中，所述深度卷积神经网络模块包括依次连接的第一卷积块注意力模所述第一卷积块注意力模块，用于对所述输入层的输入图像进行空间所述第一深度卷积层，用于对所述第一注意力提取图进行深度可分所述第二深度卷积层，用于对所述低级特征图进行深度可分离卷所述第三深度卷积层，用于对所述中级特征图进行深度可分离卷积所述第四深度卷积层，用于对所述第三深度卷积特所述第二卷积块注意力模块，用于对所述第四深度卷积特征图进行像像素的损失误差，表示第i个样本图像像素的实将所述图像训练样本集输入至所述非结构化道路识别网络，确根据所述预测道路分类标签和所述实际道路分类标签之间的误差，确定所述损失函3所述第一卷积池化层至所述第五卷积池化层，用于分别对所述所述编码融合层，用于将所述第一池化特征图至所述第五池化特征所述第三卷积块注意力模块，用于对所述融合特征图进行空间和通所述第二解码层，用于对中级特征层进行深度可分离卷积操将所述待测道路图像输入至训练完备的非结构化道路识别网络，6.一种电子设备，包括处理器、存储器及存储在根据权利要求5所述的非结构化道路识别网络4[0002]无人驾驶技术是人工智能的一个重要的领域，地面无人车辆作为无人平台的一(ImageSemanticSegmentation)是计算机视觉领域中一项基础且极具挑战性的任务，其[0004]现有技术中，有学者使用改进的种子和支持向量机（SupportVectSVM提出一种基于视觉和2D激光雷达检测相结合的非结构化道路检测和识别方法，但该5[0009]根据所述损失函数的值调整所述非结构化道路识别网络[0016]所述第一深度卷积层，用于对所述第一注意力提取图进[0019]所述第四深度卷积层，用于对所述第三深度卷积特征图进行深度可分离卷积操[0023]所述编码融合层，用于将所述第一池化特征图至所述第678是在编码器-解码器(encoder-decoder)中,注意力机制通过对编码器所有时间步的隐藏标准的卷积计算使用权重矩阵实现了空间维和通道维特征的联合映射（jointmapping但代价是高计算复杂度、高内存开销和大量的权重系数。在观念上深度可分卷积通过对空的差异，深度可分卷积的权重数约为标准卷积权重数的10%至25%。一些使用深度可分卷积搭建的卷积神经网络，例如Xception，在ImageNet数据集的图像识别任务中的表现要由于被认为提升了卷积核参数的使用效率。Network,FCN标志着深度学习在语义分割领域有了跨越式的进步，具有里程碑的意义。信息来表达图像中的信息。Deeplab系列架构最早由Google提出，早期的DeepLabv1、器-解码器结构成为主流，最具代表性之一的便是DeepLabv3+。因而，本发明旨在在DeepLabv3+的模型基础上，提出一种高效准确的非结构化道路识别网络训练方法和应用述图像训练样本集中的每个样本图像像素的实际道路9全局平均池层。具有隐藏层的多层感知器MLP组成，最后，将输出的特征进行逐像素的加和操作，再经过[0077]在本发明实施例中，深度可分离卷积(Dep[0080]在步骤S202中，根据所述预测道路分类标签和所述实际道路分类标签之间的误模型中只将骨干网络中的1/4大小的特征图作为低级特征进行后续处理，忽视了过程中产生的其它特征图中丰富的语义信息，故本发明将骨干网络中产生的1/8大小的特征图作为[0087]所述第一深度卷积层，用于对所述第一注意力提取图进[0090]所述第四深度卷积层，用于对所述第三深度卷积特征图进行深度可分离卷积操[0095]所述编码融合层，用于将所述第一池化特征图至所述第[0111]在步骤S602中，将所述待测道路图像输入至训练完备的[0127]在图像的语义分割领域，常用的性accuracy，PA平均交并比（meanintersectionoverunion，mIoU）和频权交并比指标是mIoU，mIoU的具体定义与表达式下式所示，表示每一类的预测值和真实值的交集与前提下尽量减少参数和模型复杂度，深度可分离卷积可以极大的减少训练过程中的参数可以对道路的边缘进行光滑处理，并且在可视度较差的情况下也能取得较高的分割精度，息包括所述图像训练样本集中的每个样本图像像[0142]第一处理单元902，用于根据所述实际道路分类标签确定所述非结构化道路识别[0143]训练单元903，用于根据所述损失函数的值调整所述非结构化道路识别网络的参[0144]非结构化道路识别网络训练装置的各个单元的更具体实现方式可以参见对于上[0149]非结构化道路识别网络应用装置的各个单元的更具体实现方式可以参见对于上[0153]可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域执行如上所述的非结构化道路识别网络训练方法，和/或如上所述的非结构化道路识别网专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列[0159]其中，存储器1102可以是，但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。其发明实现如上所述的非结构化道路识别网络训练方法，和/或如上所述的非结构化道路识任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想