车道线检测模型的训练方法、图像处理方法及装置与流程

技术特征：
1.一种车道线检测模型的训练方法，其特征在于，所述车道线检测模型的训练方法包括：获取车道线样本标注图像；基于第一卷积神经网络模型对所述车道线样本标注图像进行语义分割，得到第一车道线语义分割结果；基于第二卷积神经网络模型对所述车道线样本标注图像进行语义分割，得到第二车道线语义分割结果，其中，所述第一卷积神经网络模型的卷积层数量大于所述第二卷积神经网络模型的卷积层数量；基于所述第一车道线语义分割结果和所述第二车道线语义分割结果计算输出差距损失；计算所述第二卷积神经网络模型中多个卷积层之间的自注意力特征损失；基于所述输出差距损失和所述自注意力特征损失对所述第二卷积神经网络模型的网络参数进行调整，得到所述车道线检测模型。2.根据权利要求1所述的车道线检测模型的训练方法，其特征在于，所述基于所述输出差距损失和所述自注意力特征损失对所述第二卷积神经网络模型的网络参数进行调整，得到所述车道线检测模型，包括：基于所述第二车道线语义分割结果和所述车道线样本标注图像计算所述第二卷积神经网络模型的交叉熵损失；基于所述输出差距损失、所述自注意力特征损失以及所述交叉熵损失对所述第二卷积神经网络模型的网络参数进行调整，得到所述车道线检测模型。3.根据权利要求2所述的车道线检测模型的训练方法，其特征在于，所述基于所述输出差距损失、所述自注意力特征损失以及所述交叉熵损失对所述第二卷积神经网络模型的网络参数进行调整，得到所述车道线检测模型，包括：获取所述输出差距损失、所述自注意力特征损失以及所述交叉熵损失的权重系数；基于所述权重系数对所述输出差距损失、所述自注意力特征损失以及所述交叉熵损失加权处理，得到综合损失；基于所述综合损失对所述第二卷积神经网络模型的网络参数进行调整，得到所述车道线检测模型。4.根据权利要求1-3任意一项所述的车道线检测模型的训练方法，其特征在于，所述计算所述第二卷积神经网络模型中多个卷积层之间的自注意力特征损失，包括：获取所述第二卷积神经网络模型对所述车道线样本标注图像进行语义分割时多个卷积层的多个卷积层输出特征图；基于预设映射函数分别对所述多个卷积层输出特征图的维度进行压缩处理，得到所述第二卷积神经网络模型中所述多个卷积层对应的多个注意力特征图；基于所述多个注意力特征图计算所述自注意力特征损失。5.根据权利要求4所述的车道线检测模型的训练方法，其特征在于，所述基于预设映射函数分别对所述多个卷积层输出特征图的维度进行压缩处理，得到所述第二卷积神经网络模型中所述多个卷积层对应的多个注意力特征图，包括：以所述多个卷积层输出特征图中的预设卷积层输出特征图的尺寸为基准，对所述多个
卷积层输出特征图进行调整，以使所述多个卷积层输出特征图的尺寸相同。6.根据权利要求2或3所述的车道线检测模型的训练方法，其特征在于，所述基于所述第二车道线语义分割结果和所述车道线样本标注图像计算所述第二卷积神经网络模型的交叉熵损失，包括：基于所述车道线样本标注图像中的标注数据获取所述车道线样本标注图像中各个像素点的真实概率分布；基于所述第二车道线语义分割结果获取所述车道线样本标注图像中各个像素点的预测概率分布；基于所述真实概率分布和所述预测概率分布计算所述第二卷积神经网络模型的交叉熵损失。7.根据权利要求1所述的车道线检测模型的训练方法，其特征在于，所述获取车道线样本标注图像，包括：获取车道线图像；对所述车道线图像进行标注，得到所述车道线样本标注图像。8.一种图像处理方法，其特征在于，所述图像处理方法，包括：获取车道线图像；通过车道线检测模型对所述车道线图像进行语义分割，得到语义分割结果，其中，所述车道线检测模型为根据权利要求1-7任意一项所述的车道线检测模型的训练方法得到的车道线检测模型。9.一种车道线检测模型的训练装置，其特征在于，所述训练装置包括：获取单元，用于获取车道线样本标注图像；第一语义分割单元，用于基于第一卷积神经网络模型对所述车道线样本标注图像进行语义分割，得到第一车道线语义分割结果；第二语义分割单元，用于基于第二卷积神经网络模型对所述车道线样本标注图像进行语义分割，得到第二车道线语义分割结果，其中，所述第一卷积神经网络模型的卷积层数量大于所述第二卷积神经网络模型的卷积层数量；第一计算单元，用于基于所述第一车道线语义分割结果和所述第二车道线语义分割结果计算输出差距损失；第二计算单元，用于计算所述第二卷积神经网络模型中多个卷积层之间的自注意力特征损失；网络参数调整单元，用于基于所述输出差距损失和所述自注意力特征损失对所述第二卷积神经网络模型的网络参数进行调整，得到所述车道线检测模型。10.一种车道线检测模型的训练装置，其特征在于，所述训练装置包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的车道线检测模型的训练方法。11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7中任一项所述的车道线检测模型的训练方法中的
步骤或者权利要求8中所述的图像处理方法中的步骤。

技术总结
本申请实施例公开了一种车道线检测模型的训练方法、图像处理方法及装置，获取车道线样本标注图像；基于第一卷积神经网络模型对车道线样本标注图像进行语义分割，得到第一车道线语义分割结果；基于第二卷积神经网络模型对车道线样本标注图像进行语义分割，得到第二车道线语义分割结果，其中，第一卷积神经网络模型的卷积层数量大于第二卷积神经网络模型的卷积层数量；基于第一车道线语义分割结果和第二车道线语义分割结果计算输出差距损失；计算第二卷积神经网络模型中多个卷积层之间的自注意力特征损失；基于输出差距损失和自注意力特征损失对第二卷积神经网络模型的网络参数进行调整，得到车道线检测模型。得到车道线检测模型。得到车道线检测模型。


技术研发人员：马佳炯
受保护的技术使用者：深圳市丰驰顺行信息技术有限公司
技术研发日：2020.04.30
技术公布日：2021/11/2