[发明专利]一种自动驾驶中交通要素分割方法、电子设备及存储介质

说明书

本发明提供一种自动驾驶中交通要素分割方法、电子设备及存储介质，该方法包括：获取采集的交通场景图像，通过预训练的分割模型对所述交通场景图像进行分割；其中，对所述交通场景图像进行卷积计算得到特征矩阵，对所述特征矩阵进行下采样和上采样后，与基于ASPP模块和注意力机制处理后的特征矩阵叠加得到目标特征矩阵，将所述目标特征矩阵经过sigmoid函数分类得到交通要素分割结果；将分割结果和预定标准数据同时输入至对抗网络对所述对抗网络进行训练，通过所述对抗网络生成具有置信度的交通要素分割图像。通过该方案解决了现有交通要素分割模型泛化能力差的问题，可以有效提高网络模型的泛化能力，增强对不同交通场景的适应能力。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种自动驾驶中交通要素分割方法、电子设备及存储介质。

背景技术

在自动驾驶领域，需要通过安装在车上摄像头，对交通场景中的道路、指示牌等交通要素进行识别分析，以便驾驶系统进一步根据场景作出决策。一般在交通场景中会存在多种不同物体，为保证检测识别的准确，需要准确分割不同交通要素。

目前，基于反卷积的图像分割方法可以较为准确分割出交通要素，保留细节丢失，然而，由于自动驾驶中采集的交通场景图像多样，简单根据采集的样本采用反卷积、空洞卷积等方法训练得到的图像分割模型，泛化能力较差，难以适应多场景的交通要素分割识别。

发明内容

有鉴于此，本发明实施例提供了一种自动驾驶中交通要素分割方法、电子设备及存储介质，以解决现有交通场景图像分割识别模型泛化能力差的问题。

在本发明实施例的第一方面，提供了一种自动驾驶中交通要素分割方法，包括：

获取车载相机采集的交通场景图像，通过预训练的分割模型对所述交通场景图像进行分割；

具体的，对所述交通场景图像进行卷积计算得到特征矩阵，对所述特征矩阵进行下采样和上采样后，与基于ASPP模块和注意力机制处理后的特征矩阵叠加得到目标特征矩阵，将所述目标特征矩阵经过sigmoid函数分类得到交通要素分割结果；

将分割结果和预定标准数据同时输入至对抗网络对所述对抗网络进行训练，通过所述对抗网络生成具有置信度的交通要素分割图像。

在本发明实施例的第二方面，提供了一种自动驾驶中交通要素分割的电子设备，包括：

分割模块，用于获取车载相机采集的交通场景图像，通过预训练的分割模型对所述交通场景图像进行分割；

具体的，对所述交通场景图像进行卷积计算得到特征矩阵，对所述特征矩阵进行下采样和上采样后，与基于ASPP模块和注意力机制处理后的特征矩阵叠加得到目标特征矩阵，将所述目标特征矩阵经过sigmoid函数分类得到交通要素分割结果；

生成模块，用于将分割结果和预定标准数据同时输入至对抗网络对所述对抗网络进行训练，通过所述对抗网络生成具有置信度的交通要素分割图像。

在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。

本发明实施例的第四方面，提供了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，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。