[发明专利]非结构化道路识别网络训练方法、应用方法及存储介质

权利要求书

1.一种非结构化道路识别网络训练方法，其特征在于，包括：

获取包含标注信息的图像训练样本集，其中，所述标注信息包括所述图像训练样本集中的每个样本图像像素的实际道路分类标签；

根据所述实际道路分类标签确定所述非结构化道路识别网络的损失函数的值，其中，所述非结构化道路识别网络包括添加注意力模块的骨干网络层、添加注意力模块和深度可分离卷积模块的金字塔池化层；

根据所述损失函数的值调整所述非结构化道路识别网络的参数至满足收敛条件，确定训练完备的非结构化道路识别网络。

2.根据权利要求1所述的非结构化道路识别网络训练方法，其特征在于，所述根据所述实际道路分类标签确定所述非结构化道路识别网络的损失函数的值，包括：

将所述图像训练样本集输入至所述非结构化道路识别网络，确定所述每个样本图像像素对应的预测道路分类标签；

根据所述预测道路分类标签和所述实际道路分类标签之间的误差，确定所述损失函数。

3.根据权利要求2所述的非结构化道路识别网络训练方法，其特征在于，所述非结构化道路识别网络的网络结构包括编码器和解码器，所述编码器包括依次连接的输入层、深度卷积神经网络模块、空洞空间卷积池化金字塔模块；所述解码器包括第一解码层、第二解码层、第三解码层和解码融合层。

4.根据权利要求3所述的非结构化道路识别网络训练方法，其特征在于，在所述编码器中，所述深度卷积神经网络模块包括依次连接的第一卷积块注意力模块、第一深度卷积层、第二深度卷积层、第三深度卷积层、第四深度卷积层和第二卷积块注意力模块，其中：

所述第一卷积块注意力模块，用于对所述输入层的输入图像进行空间和通道结合的注意力机制操作，确定第一注意力提取图；

所述第一深度卷积层，用于对所述第一注意力提取图进行深度可分离卷积操作，确定低级特征图；

所述第二深度卷积层，用于对所述低级特征图进行深度可分离卷积操作，确定中级特征图；

所述第三深度卷积层，用于对所述中级特征图进行深度可分离卷积操作，确定第三深度卷积特征图；

所述第四深度卷积层，用于对所述第三深度卷积特征图进行深度可分离卷积操作，确定第四深度卷积特征图；

所述第二卷积块注意力模块，用于对所述第四深度卷积特征图进行空间和通道结合的注意力机制操作，确定高级特征图。

5.根据权利要求4所述的非结构化道路识别网络训练方法，其特征在于，在所述编码器中，所述空洞空间卷积池化金字塔模块包括并行的第一卷积池化层至第五卷积池化层、编码融合层、第三卷积块注意力模块和卷积输出层，其中：

所述第一卷积池化层至所述第五卷积池化层，用于分别对所述高级特征图进行卷积池化操作，确定第一池化特征图至第五池化特征图；

所述编码融合层，用于将所述第一池化特征图至所述第五池化特征图进行融合，确定融合特征图；

所述第三卷积块注意力模块，用于对所述融合特征图进行空间和通道结合的注意力机制操作，确定第三注意力提取图；

所述卷积输出层，用于对所述第三注意力提取图进行卷积操作，确定卷积输出图。

6.根据权利要求3所述的非结构化道路识别网络训练方法，其特征在于，在所述解码器中：

所述第一解码层，用于对低级特征层进行深度可分离卷积操作，确定第一解码特征图；

所述第二解码层，用于对中级特征层进行深度可分离卷积操作和下采样操作，确定第二解码特征图；

所述第三解码层，用于对卷积输出图进行下采样操作，确定第三解码特征图；

所述解码融合层，用于对所述第一解码特征图、所述第二解码特征图、所述第三解码特征图进行融合再进行深度可分离卷积操作，确定最终的解码输出图。