[发明专利]一种异常天气下基于类别分组的道路场景语义分割方法

说明书

本发明公开了一种异常天气下基于类别分组的道路场景语义分割方法，步骤如下：（1）准备数据；（2）将道路场景类别根据对异常天气下自动驾驶安全的重要性进行分组，保证重要类别与非重要类别分开，依据分组结果构建道路场景语义分割模型；（21）将类别根据对异常天气下自动驾驶安全的重要性进行分组；（22）依据类别分组结果构建模型；（3）输入数据到模型中，得到分割结果；（31）输入数据，提取数据特征；（32）获取全类别特征；（33）使用全类别特征编码类别关系，获取类别关系特征；（34）完成类别关系特征解码，获得分割结果；（4）模型迭代训练；（5）模型测试。本发明可保证在异常天气下重要分组的分割效果，最大程度的保证自动驾驶任务的安全进行。同时可以在异常程度较小的条件下，获得和正常模型相当的整体分割效果。

技术领域

本发明涉及计算机视觉图像分割技术领域，具体是一种异常天气下基于类别分组的道路场景语义分割方法。

背景技术

针对自动驾驶任务，现有的道路场景语义分割方法大部分都是基于正常天气条件下进行研究的，未考虑难度更大、较常见的异常天气条件。而且由于异常天气下数据采集和标注的困难，导致各种相关数据集的缺乏。因此一般的语义分割模型只能处理正常天气条件下的场景，在异常天气条件下难以发挥作用，分割效果很差，无法应用在异常天气下的道路场景语义分割任务中。考虑到在异常天气下，自动驾驶任务最需要保证的是驾驶安全问题，而道路场景语义分割任务中的某些类别对自动驾驶任务的安全性无关紧要，相对的，某些类别必须保证一定的分割效果。因此在异常天气条件下可以舍弃无关紧要类别的精度，转为保证对安全驾驶更重要的类别的分割效果。

近年来出现了一些方法来解决异常天气条件下的各种问题。首先，为了解决道路场景数据集主要是在正常天气条件下采集的问题，不但出现了多种生成异常天气数据的方法，而且还提出了多个异常天气条件下的真实场景数据集。例如，雨和雾的合成数据集、BDD100k数据集和ACDC数据集。这些方法和数据集的提出，一定程度上解决了数据缺失的问题，但由于数据标注困难，标注数据不足的问题仍待解决，并且随着天气条件的异常程度增加，这个问题越发严重。在计算机视觉领域，为了解决标注数据不足的问题，出现了一些方法：半监督学习，弱监督学习，转移学习。在成熟的语义分割模型基础上，利用上述的各种方法，提出了一些只使用有限数据解决异常天气条件下道路场景语义分割的优秀方法：一种异常天气下在异常天气条件下使用自监督学习进行道路场景分割的新方法、一种异常天气下解决了基于合成数据的语义模糊场景理解问题的半监督方法。其次是如何处理异常天气条件下，正常语义分割模型分割效果差的问题。一种异常天气下新的课程模型自适应方法被提出，该方法分多个步骤逐步将语义分割模型从光合成雾自适应到稠密的真实雾，通过逐步适应异常数据，分多个阶段训练，以低异常程度的模型预测高异常程度的数据，逐步完善模型。这些方法在一定程度上解决了部分异常天气条件下的道路场景问题，但仍存在问题：所有类别同等考虑，不考虑类别对任务的重要性。以上的各种方法在分割时未考虑类别对任务的重要性，而且在异常天气条件下，保证所有类别的分割效果是无法完成的，并且保证一些无关紧要类别的分割精度也是没有意义的。

发明内容

本发明针对异常天气条件下的道路场景语义分割难题，提出了一种异常天气下基于类别分组的新方法，保证了重要类别的分割效果。

实现本发明目的的技术解决方案为：一种异常天气下基于类别分组的道路场景语义分割方法，包括以下步骤：

1)准备数据，包括异常天气下的模拟数据集和真实场景数据集，用于方法的训练和测试；

2)将道路场景类别根据对异常天气下自动驾驶安全的重要性进行分组，保证重要类别与非重要类别分开，依据分组结果构建道路场景语义分割模型；

3)输入数据到模型中，获得分组分割结果；

4)训练模型，将数据集的训练集数据输入到构建的模型中，通过损失函数训练模型，得到训练完成的模型；

5)测试模型，将数据集的测试集数据输入到训练完成的模型中，测试模型的整体效果。