CN114241446A - 一种路牌角点的标记方法、装置、设备及存储介质 - Google Patents
一种路牌角点的标记方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114241446A CN114241446A CN202111613036.3A CN202111613036A CN114241446A CN 114241446 A CN114241446 A CN 114241446A CN 202111613036 A CN202111613036 A CN 202111613036A CN 114241446 A CN114241446 A CN 114241446A
- Authority
- CN
- China
- Prior art keywords
- convolution
- guideboard
- calculation
- attention
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种路牌角点的标记方法、装置、设备及存储介质。获取携带有路牌元素的图像,沿多条预设分支对图像至少进行两次卷积计算,其中对每一条预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图,分别对多个注意力特征图进行卷积计算,得到多个待融合卷积特征图,将多个待融合卷积特征图进行特征融合计算,得到融合卷积特征图,对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于目标卷积特征图标记路牌角点。通过分配注意力机制来提升对路牌元素信息的关注度,忽略掉图像中与路牌元素不相关的信息,来提高对路牌角点的标记准确性。
Description
技术领域
本申请涉及导航技术领域,尤其涉及一种路牌角点的标记方法、装置、设备及存储介质。
背景技术
路牌元素是构建高精地图不可或缺的一部分。路牌元素的构建包括路牌角点的标记和路牌信息的识别,其中路牌角点的标记是构建路牌元素的前提基础。
相关技术中常用边缘检测算法来完成对路牌角点的标记。边缘检测算法的原理是对图像中的路牌进行轮廓进行检测,识别出路牌的轮廓,根据路牌的轮廓标记出路牌角点。但由于识别出的轮廓带有锯齿状边缘,这一缺陷会极大影响标记路牌角点的准确性。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种路牌角点的标记方法、装置、设备及存储介质,能够提高路牌角点的标记准确性。
本申请的第一方面提供了一种路牌角点的标记方法,包括:
获取携带有路牌元素的图像;
沿多条预设分支对所述图像至少进行两次卷积计算,其中对每一条所述预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将所述注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图;
分别对多个所述注意力特征图进行卷积计算,得到多个待融合卷积特征图;
将多个所述待融合卷积特征图进行特征融合计算,得到融合卷积特征图;
对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于所述目标卷积特征图标记路牌角点。
优选的,所述对每一条所述预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,包括:
对每一条所述预设分支的首次卷积计算得到的卷积特征图再次进行卷积计算,并根据预置能量函数将已再次进行卷积计算的所述卷积特征图转换成所述注意力能量图。
优选的,所述将所述注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图,包括:
将所述注意力能量图的矩阵值与末次卷积计算得到的卷积特征图对应位置的矩阵值相乘,得到注意力特征图。
优选的,所述将多个所述待融合卷积特征图进行特征融合计算,得到融合卷积特征图,包括:
获取多条所述预设分支对应的权重系数,将多个所述待融合卷积特征图与多个所述权重系数建立配对,根据多个所述待融合卷积特征图对应的所述权重系数计算得到多个待融合修正卷积特征图,将多个所述待融合修正卷积特征图进行特征融合计算,得到融合卷积特征图。
优选的,所述卷积计算,包括:
初始化卷积核N*N,其中N为[1,7]区间内的正奇数;
设定卷积通道数;
根据所述卷积核N*N和所述卷积通道数,对所述图像、所述卷积特征图、所述注意力特征图或所述融合卷积特征图进行卷积计算。
优选的,各所述预设分支的所述首次卷积计算的所述卷积核N*N和所述卷积通道数互不相同。
优选的,对所述融合卷积特征图进行卷积计算的所述卷积通道数等于4;
所述基于所述目标卷积特征图标记路牌角点,包括:
将所述卷积通道编号等于1的所述目标卷积特征图的路牌角点标记为路牌左上角点坐标输出;
将所述卷积通道编号等于2下的所述目标卷积特征图的路牌角点标记为路牌右上角点坐标输出;
将所述卷积通道编号等于3下的所述目标卷积特征图的路牌角点标记为路牌右下角点坐标输出;
将所述卷积通道编号等于4下的所述目标卷积特征图的路牌角点标记为路牌左下角点坐标输出。
本申请的第二方面提供了一种路牌角点的标记装置,包括:
获取模块,用于获取携带有路牌元素的图像;
处理模块,用于沿多条预设分支对图像至少进行两次卷积计算,其中对每一条所述预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将所述注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图;
第一卷积模块,用于分别对多个所述注意力特征图进行卷积计算,得到多个待融合卷积特征图;
融合模块,用于将多个所述待融合卷积特征图进行特征融合计算,得到融合卷积特征图;
标记模块,用于对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于所述目标卷积特征图标记路牌角点。
本申请的第三方面提供了一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请的第四方面提供了一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:
本申请的技术方案,获取携带有路牌元素的图像,沿多条预设分支对图像至少进行两次卷积计算,其中对每一条预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图,分别对多个注意力特征图进行卷积计算,得到多个待融合卷积特征图,将多个待融合卷积特征图进行特征融合计算,得到融合卷积特征图,对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于目标卷积特征图标记路牌角点。通过在每一条预设分支分配注意力机制来提升对路牌元素信息的关注度,忽略掉图像中与路牌元素不相关的信息,以此来提高对路牌角点的标记准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的路牌角点的标记方法的流程示意图;
图2是本申请实施例示出的将卷积特征图转换成注意力特征图的模拟示意图;
图3是本申请实施例示出的路牌角点的标记方法的应用框架示图;
图4是本申请实施例示出的基于目标卷积特征图标记路牌角点的模拟示意图;
图5是本申请实施例示出的路牌角点的标记装置的结构示意图;
图6是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
路牌角点的标记是构建路牌元素的前提基础。相关技术中常用边缘检测算法来完成对路牌角点的标记,但由于识别出的路牌轮廓带有锯齿状边缘,这一缺陷会直接导致标记路牌角点的准确性。
针对上述问题,本申请提供了一种路牌角点的标记方法、装置、设备及存储介质。能够提高路牌角点的标记准确性。为了便于理解本申请的技术方案,以下结合附图详细说明本申请的技术方案。
图1示出了本申请实施例中的一种路牌角点的标记方法的流程示意图。
请参阅图1,一种路牌角点的标记方法,包括如下步骤:
步骤S11、获取携带有路牌元素的图像。
图像可以是车载摄像头所拍摄的照片。图像携带有路牌元素。路牌是安装在道路上的物体,路牌的形状通常是方形。对于方形路牌而言,其具有4个路牌角点(路牌角点即边角点,下同)。图像中的路牌数量并不局限一个,也可能是多个。当然图像也可以是手机或者具有拍照功能装置所拍摄的照片。
步骤S12、沿多条预设分支对图像至少进行两次卷积计算,其中对每一条预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图。
预设分支的数量有多条,每一条预设分支对图像至少进行两次卷积计算。例如,每一条预设分支对图像进行n次卷积计算(n>=2,且n为正整数),第1次对图像进行卷积计算称为首次卷积计算,第n次对图像进行卷积计算称为末次卷积计算。
卷积计算过程如下:初始化卷积核N*N,其中N为[1,7]区间内的正奇数;设定卷积通道数;根据卷积核N*N和卷积通道数,根据卷积核N*N和卷积通道数对图像进行卷积计算。
由于图像一般包含多个路牌,按照尺寸划分可以将路牌划分成小型路牌、中型路牌以及大型路牌。为了能够给予小型、中型以及大型路牌不同的关注度。各预设分支的首次卷积计算的卷积核N*N和卷积通道数互不相同。
假定有3条预设分支,第1条预设分支对图像进行首次卷积计算时,采用卷积核5*5、卷积通道数Channels=128来对图像进行卷积计算,其中卷积核5*5重点关注的是图像中的大型路牌。第2条预设分支对图像进行首次卷积计算时,采用卷积核3*3、卷积通道数Channels=256来对图像进行卷积计算,其中卷积核3*3重点关注的是图像中的中型路牌。第3条预设分支对图像进行首次卷积计算时,采用卷积核1*1、卷积通道数Channels=512来对图像进行卷积计算,其中卷积核1*1重点关注的是图像中的小型路牌。通过设置不同大小的卷积核N*N(如上述的卷积核5*5、卷积核3*3卷积核1*1),以此提高对不同大小路牌的关注度。
为了进一步提高对图像中路牌元素信息的关注度,忽略掉图像中与路牌元素不相关信息。每一条预设分支均会加入注意力机制。如对每一条预设分支的首次卷积计算得到的卷积特征图再次进行卷积计算,并根据预置能量函数将已再次进行卷积计算的卷积特征图转换成注意力能量图。将注意力能量图的矩阵值与末次卷积计算得到的卷积特征图对应位置的矩阵值相乘,得到注意力特征图。
为了更好理解上述注意力机制的具体流程,以其中1条预设分支的注意力机制过程进行示意:
请参阅图2,图2所示的是预设分支对图像进行首次卷积计算得到的卷积特征图A。对每一条预设分支的首次卷积计算得到的卷积特征图A再次进行卷积计算,得到卷积特征图B。根据预置能量函数f(x)将卷积特征图B转换成注意力能量图C。
预置能量函数f(x)参考如下式子:
其中,f(x)的取值区间范围为(0,1);e为常数2.71828182845;x为卷积特征图B中的矩阵值。卷积特征图B经过预置能量函数f(x),即可得到注意力能量图C。
得到注意力能量图C后,结合预设分支的末次卷积计算得到的卷积特征图D,将注意力能量图C中的矩阵值与卷积特征图D中对应位置的矩阵值相乘,得到注意力特征图E。
本实施例采用的注意力机制与相关技术中的注意力机制不同。相关技术中的注意力机制是基于卷积特征图来计算K(keys)和Q(query)值,通过K值和Q值来计算得到V(Value)值。将V值作为注意力,这会极大提高运算量,涉及的网络参数较多。而本实施例采用的注意力机制是根据卷积特征图经过预置能量函数f(x)得到注意力能量图,是基于卷积特征图中的矩阵值来计算的,能够极大降低因加入注意力机制所带来的运算量。
步骤S13、分别对多个注意力特征图进行卷积计算,得到多个待融合卷积特征图。
需要说明的是,此步骤涉及的卷积计算与前述的卷积计算方式相同,此处不再赘述。
步骤S14、将多个待融合卷积特征图进行特征融合计算,得到融合卷积特征图。
为了进一步提高对不同大小路牌的关注度,获取多条预设分支对应的权重系数将多个待融合卷积特征图与多个权重系数建立配对,根据多个待融合卷积特征图对应的权重系数计算得到多个待融合修正卷积特征图,将多个待融合修正卷积特征图进行特征融合计算,得到融合卷积特征图。
例如,获取3条预设分支对应的权重系数w1、w2以及w3。权重系数w1+权重系数w2+权重系数w3=1。权重系数w1、权重系数w2以及权重系数w3是卷积神经网络不断训练学习所得到的权重系数。
权重系数1与第1条预设分支建立配对,即由图像沿第1条预设分支得到待融合卷积特征图与权重系数1配对。权重系数w2与第2条预设分支建立配对,即由图像沿第2条预设分支得到待融合卷积特征图与权重系数2配对。权重系数w3与第3条预设分支建立配对,即由图像沿第3条预设分支得到待融合卷积特征图与权重系数3配对。
将权重系数w1分别与待融合卷积特征图中每一矩阵值进行相乘,得到对应的待融合修正卷积特征图。将权重系数w2分别与待融合卷积特征图中每一矩阵值进行相乘,得到对应的待融合修正卷积特征图。将权重系数w3分别与待融合卷积特征图中每一矩阵值进行相乘,得到对应的待融合修正卷积特征图,将3个待融合修正卷积特征图进行特征融合计算,得到融合卷积特征图。
其中,根据权重系数w1得到的待融合卷积特征图重点提取关于大型路牌的相关信息,根据权重系数w2得到的待融合卷积特征图重点提取关于中型路牌的相关信息,根据权重系数w3得到的待融合卷积特征图重点提取关于小型路牌的相关信息。
步骤S15、对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于目标卷积特征图标记路牌角点。
得到融合卷积特征图后,对融合卷积特征图进行卷积计算,得到目标卷积特征图。对融合卷积特征图进行卷积计算的基本过程参考上文,此处不再赘述。不同在于,对融合卷积特征图进行卷积计算的卷积通道数Channels与路牌角点的数量有关。
例如,若要标记图像中的方形路牌的路牌角点时,将卷积通道数Channels=4。将卷积通道编号等于1的目标卷积特征图的路牌角点标记为路牌左上角点坐标输出;将卷积通道编号等于2下的目标卷积特征图的路牌角点标记为路牌右上角点坐标输出;将卷积通道编号等于3下的目标卷积特征图的路牌角点标记为路牌右下角点坐标输出;将卷积通道编号等于4下的目标卷积特征图的路牌角点标记为路牌左下角点坐标输出。
本申请的技术方案,通过在每一条预设分支分配注意力机制来提升对路牌元素信息的关注度,忽略掉图像中与路牌元素不相关的信息,以此来提高对路牌角点的标记准确性。
为了更好地理解本申请的技术方案,下面以一个具体实施例对本申请的技术原理过程进行说明。
实施例一
请一并参阅图3和图4,假定需要识别出图像中小型方形路牌、中型方形路牌以及大型方形路牌。预设分支的数量为3条(即图3所示的第①预设分支、第②预设分支以及第③预设分支)。
获取携带有路牌元素的图像IMG,沿第①预设分支、第②预设分支以及第③预设分支分别对图像IMG依次进行两次卷积计算。其中沿第①预设分支的首次卷积采用卷积核5*5、卷积通道数Channels=128对图像进行首次卷积计算;沿第②预设分支的首次卷积采用卷积核3*3、卷积通道数Channels=256对图像进行首次卷积计算;沿第③预设分支的首次卷积采用卷积核1*1、卷积通道数Channels=512对图像进行首次卷积计算。
在第①预设分支、第②预设分支以及第③预设分支的首次卷积计算均分配注意力机制(经过再次卷积计算和预置能量函数f(x)),得到3个注意力特征图。将3个注意力特征图对应与3个末次卷积计算后得到的卷积特征图相乘,得到3个注意力特征图。
分别对3个注意力特征图进行卷积计算,得到3个待融合卷积特征图。获取第①预设分支、第②预设分支以及第③预设分支对应的权重系数w1、w2以及w3。将3个待融合卷积特征图对应与3个权重系数w进行配对。根据权重系数w1、w2和w3计算得到3个待融合修正卷积特征图。将3个待融合修正卷积特征图进行特征融合计算,得到融合卷积特征图。
对融合卷积特征图进行卷积计算,初始化卷积核1*1,并设置对卷积通道数Channels=4。将卷积通道编号等于1的目标卷积特征图的路牌角点标记为路牌左上角点坐标输出(即图4示出的F1点、F2点和F3点);将卷积通道编号等于2下的目标卷积特征图的路牌角点标记为路牌右上角点坐标输出(即图4示出的G1点、G2点和G3点);将卷积通道编号等于3下的目标卷积特征图的路牌角点标记为路牌右下角点坐标输出(即图4示出的H1点、H2点和H3点);将卷积通道编号等于4下的目标卷积特征图的路牌角点标记为路牌左下角点坐标输出(即图4示出的I1点、I2点和I3点)。
与前述应用功能方法实施例相对应,本申请还提供了一种路牌角点的自动识别装置相应的实施例。
图5示出了本申请实施例中的一种路牌角点的标记装置50的结构示意图。
请参阅图5,一种路牌角点的标记装置50,包括:获取模块510、处理模块520、第一卷积模块530、融合模块540以及标记模块550。
获取模块510用于获取携带有路牌元素的图像;
处理模块520用于沿多条预设分支对图像至少进行两次卷积计算,其中对每一条预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图;
第一卷积模块530用于分别对多个注意力特征图进行卷积计算,得到多个待融合卷积特征图;
融合模块540用于将多个待融合卷积特征图进行特征融合计算,得到融合卷积特征图;
标记模块550用于对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于目标卷积特征图标记路牌角点。
本实施例的装置,获取模块510用于获取携带有路牌元素的图像;处理模块520用于沿多条预设分支对图像至少进行两次卷积计算,其中对每一条预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图;第一卷积模块530用于分别对多个注意力特征图进行卷积计算,得到多个待融合卷积特征图;融合模块540用于将多个待融合卷积特征图进行特征融合计算,得到融合卷积特征图;标记模块550用于对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于目标卷积特征图标记路牌角点。通过在每一条预设分支分配注意力机制来提升对路牌元素信息的关注度,忽略掉图像中与路牌元素不相关的信息,以此来提高对路牌角点的标记准确性。
关于上述实施例中的装置,其中各个模块及单元执行操作的具体方式已经在有关该装置所对应的方法实施例中进行了详细描述,此处将不再做详细阐述说明。
请参阅图6,电子设备900包括处理器910和存储器920。
处理器910可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器920可以包括各种类型的存储单元,例如***内存、只读存储器(ROM)和永久存储装置。其中,ROM可以存储处理器910或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器920可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(例如DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。存储器920上存储有可执行代码,当可执行代码被处理器910处理时,可以使处理器910执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质),其上存储有可执行代码(或计算机程序或计算机指令代码),当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种路牌角点的标记方法,其特征在于,包括:
获取携带有路牌元素的图像;
沿多条预设分支对所述图像至少进行两次卷积计算,其中对每一条所述预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将所述注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图;
分别对多个所述注意力特征图进行卷积计算,得到多个待融合卷积特征图;
将多个所述待融合卷积特征图进行特征融合计算,得到融合卷积特征图;
对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于所述目标卷积特征图标记路牌角点。
2.根据权利要求1所述的方法,其特征在于,所述对每一条所述预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,包括:
对每一条所述预设分支的首次卷积计算得到的卷积特征图再次进行卷积计算,并根据预置能量函数将已再次进行卷积计算的所述卷积特征图转换成所述注意力能量图。
3.根据权利要求2所述的方法,其特征在于,所述将所述注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图,包括:
将所述注意力能量图的矩阵值与末次卷积计算得到的卷积特征图对应位置的矩阵值相乘,得到注意力特征图。
4.根据权利要求1所述的方法,其特征在于,所述将多个所述待融合卷积特征图进行特征融合计算,得到融合卷积特征图,包括:
获取多条所述预设分支对应的权重系数,将多个所述待融合卷积特征图与多个所述权重系数建立配对,根据多个所述待融合卷积特征图对应的所述权重系数计算得到多个待融合修正卷积特征图,将多个所述待融合修正卷积特征图进行特征融合计算,得到融合卷积特征图。
5.根据权利要求1所述的方法,其特征在于,所述卷积计算,包括:
初始化卷积核N*N,其中N为[1,7]区间内的正奇数;
设定卷积通道数;
根据所述卷积核N*N和所述卷积通道数,对所述图像、所述卷积特征图、所述注意力特征图或所述融合卷积特征图进行卷积计算。
6.根据权利要求2所述的方法,其特征在于,各所述预设分支的所述首次卷积计算的所述卷积核N*N和所述卷积通道数互不相同。
7.根据权利要求1所述的方法,其特征在于,对所述融合卷积特征图进行卷积计算的所述卷积通道数等于4;
所述基于所述目标卷积特征图标记路牌角点,包括:
将所述卷积通道编号等于1的所述目标卷积特征图的路牌角点标记为路牌左上角点坐标输出;
将所述卷积通道编号等于2下的所述目标卷积特征图的路牌角点标记为路牌右上角点坐标输出;
将所述卷积通道编号等于3下的所述目标卷积特征图的路牌角点标记为路牌右下角点坐标输出;
将所述卷积通道编号等于4下的所述目标卷积特征图的路牌角点标记为路牌左下角点坐标输出。
8.一种路牌角点的标记装置,其特征在于,包括:
获取模块,用于获取携带有路牌元素的图像;
处理模块,用于沿多条预设分支对所述图像至少进行两次卷积计算,其中对每一条所述预设分支的首次卷积计算得到的卷积特征图分配注意力机制转换成注意力能量图,将所述注意力能量图与末次卷积计算得到的卷积特征图进行融合,得到注意力特征图;
第一卷积模块,用于分别对多个所述注意力特征图进行卷积计算,得到多个待融合卷积特征图;
融合模块,用于将多个所述待融合卷积特征图进行特征融合计算,得到融合卷积特征图;
标记模块,用于对融合卷积特征图进行卷积计算,得到目标卷积特征图,基于所述目标卷积特征图标记路牌角点。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111613036.3A CN114241446A (zh) | 2021-12-27 | 2021-12-27 | 一种路牌角点的标记方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111613036.3A CN114241446A (zh) | 2021-12-27 | 2021-12-27 | 一种路牌角点的标记方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241446A true CN114241446A (zh) | 2022-03-25 |
Family
ID=80763492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111613036.3A Pending CN114241446A (zh) | 2021-12-27 | 2021-12-27 | 一种路牌角点的标记方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241446A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909013A (zh) * | 2023-01-10 | 2023-04-04 | 深圳精智达技术股份有限公司 | 一种图像的卷积方法、装置、电子设备和存储介质 |
-
2021
- 2021-12-27 CN CN202111613036.3A patent/CN114241446A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909013A (zh) * | 2023-01-10 | 2023-04-04 | 深圳精智达技术股份有限公司 | 一种图像的卷积方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612834B (zh) | 生成目标图像的方法、装置及设备 | |
CN111950318A (zh) | 一种二维码图像的识别方法、设备及存储介质 | |
CN106991649A (zh) | 对摄像装置所捕获的文档图像进行校正的方法和装置 | |
CN111738036B (zh) | 图像处理方法、装置、设备及存储介质 | |
US9542732B2 (en) | Efficient image transformation | |
CN112465909B (zh) | 基于卷积神经网络的类激活映射目标定位方法及*** | |
EP3101623A1 (en) | Homography rectification | |
CN106504196A (zh) | 一种基于空间球面的全景视频拼接方法及设备 | |
CN112634201B (zh) | 目标检测方法、装置和电子设备 | |
CN112200851B (zh) | 一种基于点云的目标检测方法、装置及其电子设备 | |
CN115482186A (zh) | 瑕疵检测方法、电子设备及存储介质 | |
CN114241446A (zh) | 一种路牌角点的标记方法、装置、设备及存储介质 | |
CN114170582A (zh) | 路牌角点识别方法、装置、设备及存储介质 | |
CN114332349B (zh) | 一种双目结构光边缘重建方法、***及存储介质 | |
CN114758145A (zh) | 一种图像脱敏方法、装置、电子设备及存储介质 | |
CN111758118B (zh) | 一种视觉定位方法、装置、设备及可读存储介质 | |
CN113284194A (zh) | 多rs设备的标定方法、装置及设备 | |
CN112785651A (zh) | 用于确定相对位姿参数的方法和装置 | |
Yeum et al. | Automated recovery of structural drawing images collected from postdisaster reconnaissance | |
CN113012132B (zh) | 一种图像相似度确定方法、装置及计算设备、存储介质 | |
CN114065868B (zh) | 文本检测模型的训练方法、文本检测方法及装置 | |
CN113033578B (zh) | 基于多尺度特征匹配的图像校准方法、***、终端及介质 | |
CN112036398B (zh) | 一种文本校正方法及其*** | |
CN114168695A (zh) | 目标位置确定方法、装置、终端以及存储介质 | |
CN114283314A (zh) | 图像数据处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |