[发明专利]基于场景分割的自动驾驶处理方法及装置、计算设备

说明书

技术领域

本发明涉及深度学习领域，具体涉及一种基于场景分割的自动驾驶处理方法及装置、计算设备。

背景技术

在现有技术中，对图像场景分割处理主要是基于深度学习中的全卷积神经网络，这些处理方法利用迁移学习的思想，将在大规模分类数据集上经过预训练得到的网络迁移到图像分割数据集上进行训练，从而得到用于场景分割的分割网络，然后利用该分割网络对图像进行场景分割。

基于场景分割的自动驾驶对场景分割的时效性和准确性都有较高的要求，以保障自动驾驶的安全性。现有技术中使用的全卷积神经网络往往具有多层中间层，这样可以得到更精准的场景分割结果。但多层中间层的计算速度会较慢，不能快速的将场景进行分割，无法快速的得到自身车辆在驾驶途中的状况。而使用中间层较少的神经网络时，由于中间层层数较少，其计算速度较快，但受其层数限制，有可能造成计算能力有限、拟合能力较差、得到结果不准确等问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于场景分割的自动驾驶处理方法及装置、计算设备。

根据本发明的一个方面，提供了一种基于场景分割的自动驾驶处理方法，其包括：

实时获取图像采集设备所拍摄和/或所录制的车辆驾驶途中的视频中的当前帧图像；

将当前帧图像输入至第二神经网络中，得到当前帧图像对应的场景分割结果；其中，第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到，第一神经网络的层数多于第二神经网络的层数；

根据场景分割结果，确定行驶路线和/或行驶指令；

按照所确定的行驶路线和/或行驶指令，对自身车辆进行自动驾驶控制。

可选地，根据场景分割结果，确定行驶路线和/或行驶指令进一步包括：

根据场景分割结果，确定特定对象的轮廓信息；

依据特定对象的轮廓信息，计算自身车辆与特定对象的相对位置关系；

根据计算得到的相对位置关系，确定行驶路线和/或行驶指令。

可选地，自身车辆与特定对象的相对位置关系包括自身车辆与特定对象之间的距离信息和/或角度信息。

可选地，根据场景分割结果，确定行驶路线和/或行驶指令进一步包括：

根据场景分割结果中包含的交通标志信息，确定自身车辆行驶路线和/或行驶指令。

可选地，根据场景分割结果，确定行驶路线和/或行驶指令进一步包括：

根据场景分割结果中包含的交通信号灯信息，确定行驶路线和/或行驶指令。

可选地，第二神经网络的训练过程包括：

将场景分割的训练样本数据输入至经训练得到的第一神经网络中，获得第一神经网络的至少一层第一中间层的输出数据；

将场景分割的训练样本数据输入至待训练的第二神经网络中，获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据，至少一层第二中间层与至少一层第一中间层具有对应关系；

利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失，以及最终输出数据与预标注的输出数据之间的损失，对第二神经网络进行训练。

可选地，至少一层第一中间层包含第一神经网络的瓶颈层；至少一层第二中间层包含第二神经网络的瓶颈层。

可选地，利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失，以及最终输出数据与预标注的输出数据之间的损失，对第二神经网络进行训练进一步包括：

根据至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失更新第二神经网络的权重参数，根据最终输出数据与预标注的输出数据之间的损失更新第二神经网络的权重参数，对第二神经网络进行训练。

可选地，在将训练样本的输入数据输入至待训练的第二神经网络中，获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据之前，方法还包括：

将场景分割的训练样本数据进行下采样处理，将处理后的数据作为第二神经网络的场景分割的训练样本数据。

可选地，利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失，以及最终输出数据与预标注的输出数据之间的损失，对第二神经网络进行训练进一步包括：

利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失，以及最终输出数据与对下采样处理后场景分割的训练样本数据的预标注的输出数据之间的损失，对第二神经网络进行训练。

可选地，方法还包括：