[发明专利]车道线分割模型的训练方法、装置、设备及存储介质

说明书

本发明公开一种车道线分割模型的训练方法、装置、设备及存储介质，涉及机器学习领域，解决了车道线位置检测时计算资源消耗较多的问题。该车道线分割模型的训练方法包括：获取车道线的训练图片；将训练图片分别输入第一模型和第二模型进行特征提取，得到第一特征数据和第二特征数据，第一模型的模型层数大于第二模型；根据第一特征数据和第二特征数据得到模仿损失函数；根据训练图片的标签数据和第二特征数据得到分类损失函数；根据模仿损失函数和分类损失函数，对第二模型进行训练。

技术领域

本发明涉及机器学习领域，尤其涉及一种车道线分割模型的训练方法、装置、设备及存储介质。

背景技术

随着科技的发展，自动驾驶技术已经逐渐走进人们的日常生活，潜移默化的改变着人们的出行方式。而自动驾驶技术中的车道线位置检测的精确性会影响路径规划的精确性。

现有技术中，为降低车道线位置检测时的资源消耗，通常采用轻量级的检测模型来进行车道线的位置检测，但这种轻量级的检测模型通常学习能力有限，无法很好的解决车道线检测中正负样本分布严重不平衡的问题，存在检测精度较低的问题。

发明内容

本申请提供一种车道线分割模型的训练方法、装置、设备及存储介质，能够提高轻量级的车道线位置检测模型的检测精度。

本申请实施例第一方面，提供一种车道线分割模型的训练方法，该方法包括：获取车道线的训练图片；将训练图片分别输入第一模型和第二模型进行特征提取，得到第一特征数据和第二特征数据，第一模型的模型层数大于第二模型；根据第一特征数据和第二特征数据得到模仿损失函数；根据车道线的训练图片标签数据和第二特征数据得到分类损失函数；根据模仿损失函数和分类损失函数，对第二模型进行训练。

在一个实施例中，根据第一特征数据和第二特征数据得到模仿损失函数，包括：

分别对第一特征数据和第二特征数据进行特征融合处理，得到第一融合数据和第二融合数据；

根据第一融合数据和第二融合数据得到模仿损失函数。

在一个实施例中，根据第一融合数据和第二融合数据得到模仿损失函数，包括：

将第一融合数据和第二融合数据进行差运算，得到特征差；

将第一融合数据和第二融合数据分别输入至预设的分类网络，得到第一目标数据和第二目标数据；

根据特征差、第一目标数据和第二目标数据得到模仿损失函数。

在一个实施例中，根据特征差、第一目标数据和第二目标数据得到模仿损失函数，包括：

分别对第一目标数据和第二目标数据进行最大值运算，得到第一掩模和第二掩模；

根据特征差、第一掩模和第二掩模得到模仿损失函数。

在一个实施例中，根据特征差、第一掩模和第二掩模得到模仿损失函数，包括：

对第一掩模和第二掩模进行或运算，得到模仿掩模；

根据特征差和模仿掩模得到模仿损失函数。

在一个实施例中，根据车道线的训练图片标签数据和第二特征数据得到分类损失函数，包括：对第二特征数据进行特征融合处理，得到第二融合数据；将第二融合数据分别输入至预设的分类模型，得到模型分类结果；获取车道线训练图片的标签数据；根据模型分类结果和标签数据得到分类损失函数。

在一个实施例中，第二模型包括全卷积适应层，方法还包括：

利用包括全卷积适应层的第二模型，对训练图片进行特征提取。

本申请实施例第二方面，提供了一种车道线分割模型的训练装置，其特征在于，装置包括：