[发明专利]多任务语义分割的方法、装置和电子设备

说明书

本发明提供了一种多任务语义分割的方法、装置和电子设备，包括：获取待处理场景图像；采用多任务语义分割模型对待处理场景图像进行语义分割，得到车道线检测结果、场景理解结果和车道线聚类特征向量，其中，多任务语义分割模型为同时进行车道线检测和场景理解训练后得到的。通过上述描述可知，本发明的多任务语义分割的方法中，多任务语义分割模型为同时进行车道线检测和场景理解训练后得到的，可见，多任务语义分割模型的训练降低了数据人工标记的成本，提升了模型训练的效率，缓解了现有的车道线检测和场景理解模型的训练浪费人工标记成本和训练效率低的技术问题。

技术领域

本发明涉及机器学习的技术领域，尤其是涉及一种多任务语义分割的方法、装置和电子设备。

背景技术

车道线检测和场景理解是自动驾驶系统中非常重要的功能。车道线检测可通过识别前方道路上的车道线(实线、虚线)及道路边缘来指导车辆行驶在合适的路线上，场景理解则可以分割出图像中可能出现的车辆、人、建筑等30多种类别的物体来为驾驶员提供前方场景的丰富信息。

这两种功能目前都是基于深度神经网络的语义分割技术，需要依靠大规模有标记的数据集(如图1所示，最左边的图像为原图，中间的图像为车道线检测的标记数据，最右侧的图像为场景理解的标记数据)来训练各自的模型。但它们的训练集之间有大量的相同场景，任务特点和类别也有重合，因此分别标记和训练会耗费很多不必要的人工和时间成本。

综上，现有的车道线检测和场景理解模型的训练存在浪费人工标记成本和训练效率低的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种多任务语义分割的方法、装置和电子设备，以缓解现有的车道线检测和场景理解模型的训练浪费人工标记成本和训练效率低的技术问题。

第一方面，本发明实施例提供了一种多任务语义分割的方法，包括：

获取待处理场景图像；

采用多任务语义分割模型对所述待处理场景图像进行语义分割，得到车道线检测结果、场景理解结果和车道线聚类特征向量，其中，所述多任务语义分割模型为同时进行车道线检测和场景理解训练后得到的。

进一步的，所述方法还包括：

获取训练样本集，其中，所述训练样本集包括：场景图像样本、与所述场景图像样本对应的多任务数据标签，所述多任务数据标签包括：车道线检测数据标签和场景理解数据标签；

采用所述训练样本集对初始多任务语义分割模型进行训练，得到所述多任务语义分割模型。

进一步的，所述多任务语义分割模型包括：STDC模型和聚类分支。

进一步的，在训练的过程中，车道线类别的损失权重比场景理解的损失权重大。

进一步的，在训练的过程中，语义分割使用的损失函数为交叉熵损失函数。

第二方面，本发明实施例还提供了一种多任务语义分割的装置，包括：

获取单元，用于获取待处理场景图像；

语义分割单元，用于采用多任务语义分割模型对所述待处理场景图像进行语义分割，得到车道线检测结果、场景理解结果和车道线聚类特征向量，其中，所述多任务语义分割模型为同时进行车道线检测和场景理解训练后得到的。

进一步的，所述装置还用于：

获取训练样本集，其中，所述训练样本集包括：场景图像样本、与所述场景图像样本对应的多任务数据标签，所述多任务数据标签包括：车道线检测数据标签和场景理解数据标签；

采用所述训练样本集对初始多任务语义分割模型进行训练，得到所述多任务语义分割模型。

进一步的，所述多任务语义分割模型包括：STDC模型和聚类分支。