[发明专利]基于corner cases的部署模型构建方法

说明书

本申请涉及一种基于corner cases的部署模型构建方法，包括：根据自动驾驶图像和预设的开源数据得到第一数据集，根据自动驾驶图像、预设的开源数据和corner cases场景图像中部分图像得到第二数据集，根据corner cases场景图像中剩余图像得到第三数据集，合并第二数据集和第三数据集得到第四数据集；基于第四数据集，训练预设的多任务检测模型，得到自动驾驶感知检测预训练模型，基于第一数据集和预设周期的余弦退火学习策略，训练预训练模型，得到多个感知检测模型；基于第三数据集，对多个感知检测模型进行迁移训练，将迁移训练后的多个感知检测模型进行平均权重和纠正BN，得到最终部署模型。

技术领域

本申请涉及自动驾驶感知与算法训练技术领域，特别涉及一种基于corner cases的部署模型构建方法。

背景技术

小样本学习技术在当今许多不同的领域都有存在，可以用它来学习一些容易出错的样本场景，创造个性化的定制服务，在室内和室外环境中自主导航提高检测精度。然而大多数算法应用过程中是通过多模型判定来获取场景的边缘检测信息，例如激光扫描器或结构化光传感器辅助搜索，由于硬件成本较高它们很少出现在主流用户使用的大多数常见车型中。所处的任何场景环境，只使用来自无处不在的摄像机的RGB数据，这是一个具有挑战性的问题，可能会带来全新的可能性。Few-shot Learning算法研究多集中在图像领域，Few-shot Learning模型大致可分为三类：Mode Based，Metric Based和OptimizationBased。其中，Model Based方法旨在通过模型结构的设计快速在少量样本上更新参数，直接建立输入x和预测值P的映射函数；Metric Based方法通过度量batch集中的样本和support集中样本的距离，借助最近邻的思想完成分类；Optimization Based方法认为普通的梯度下降方法难以在few-shot场景下拟合，并且已有对corner cases场景Few-shot Learning技术，存在训练准确率与召回率低、特殊场景训练数据不易收集，不易实施，对训练硬件要求高等缺点。

corner cases是自动驾驶中很重要的一个问题，其中通过视觉感知检测这些边缘情况是一个非常棘手的问题，即出现的未期望或者未知情况。检测corner case的任务对安全十分关键，检测方法对训练数据的选择自动化非常重要，对大众能否接受自动驾驶技术一事也是如此。

相关技术中所采用的的算法，对图像中较大的且常见目标容易准确识别，但由于较小的和少见的目标特征较少且不够清晰，容易对小目标产生误识别，从而可能导致车辆对环境产生错误的感知。

发明内容

本申请提供一种基于corner cases的部署模型构建方法，以解决目前自动驾驶场景感知算法检测准确率低、召回率低且算法复杂不易实施等问题，容易实现，准确率高及召回率高，数据收集成本低，硬件需求少，训练时间大大减少且高效，容易推广到各个使用场景。

本申请第一方面实施例提供一种基于corner cases的部署模型构建方法，包括以下步骤：获取车辆的自动驾驶图像和corner cases场景图像；根据所述自动驾驶图像和预设的开源数据得到第一数据集，根据所述自动驾驶图像、所述预设的开源数据和所述corner cases场景图像中部分图像得到第二数据集，根据所述corner cases场景图像中剩余图像得到第三数据集，合并所述第二数据集和所述第三数据集得到第四数据集；基于所述第四数据集，训练预设的多任务检测模型，得到自动驾驶感知检测预训练模型，并基于所述第一数据集和预设周期的余弦退火学习策略，训练所述预训练模型，得到多个感知检测模型；基于所述第三数据集，对多个感知检测模型进行迁移训练，并将迁移训练后的所述多个感知检测模型进行平均权重和纠正BN，得到最终部署模型。

根据上述技术手段，迁移训练可快速提升所有类别的精度。可使用小的网络输入和轻量化检测模型，保证了整体的高吞吐量和精度，型训练结果丰富，提供多样化的类别训练结果。可根据实际需求个性化，进行多种不同任务模型与不同场景下数据训练。