CN116758378B - 生成模型的方法、数据处理方法、相关装置、车辆及介质 - Google Patents
生成模型的方法、数据处理方法、相关装置、车辆及介质 Download PDFInfo
- Publication number
- CN116758378B CN116758378B CN202311014860.6A CN202311014860A CN116758378B CN 116758378 B CN116758378 B CN 116758378B CN 202311014860 A CN202311014860 A CN 202311014860A CN 116758378 B CN116758378 B CN 116758378B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- data processing
- model
- perception task
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003672 processing method Methods 0.000 title claims abstract description 35
- 230000008447 perception Effects 0.000 claims abstract description 136
- 238000012545 processing Methods 0.000 claims abstract description 127
- 238000002372 labelling Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims description 25
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 11
- 238000000586 desensitisation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007906 compression Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及车辆技术领域中的一种生成数据处理模型的方法、数据处理方法、相关装置、车辆及介质,提高数据处理模型的编码效率。生成数据处理模型的方法包括:获取训练样本,训练样本包括第一样本图像数据、第一样本图像数据对应的感知任务标注结果以及目标概率分布;将第一样本图像数据输入初始的变分自编码器,得到初始的变分自编码器输出的样本编码特征数据;将样本编码特征数据输入感知任务模型,得到感知任务模型输出的感知任务样本结果;根据样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果,对初始的变分自编码器的参数和感知任务模型的参数进行调整;在满足预设的训练终止条件时,将变分自编码器确定为数据处理模型。
Description
技术领域
本公开涉及车辆技术领域,尤其涉及一种生成数据处理模型的方法、数据处理方法、相关装置、车辆及介质。
背景技术
目前自动驾驶技术普遍采用深度学习方法,而其中又以视觉感知为重点。图像数据具有丰富的路况信息,在自动驾驶中占用重要地位,覆盖任务包含行车泊车辅助驾驶的方方面面。自动驾驶感知算法的精度强烈依赖于数据量的大小,数据越多自动驾驶感知算法精度越高,相应地,自动驾驶方案越可靠。
为了提供精度更高的自动驾驶感知算法,需要不停地扩增数据量,然而,现在对数据采集的要求越发严格,采集的数据为了安全要求需要进行脱敏。数据脱敏的主要方法为对敏感区域做模糊/色块等方案处理,但是会导致采集的数据与真实数据分布有差异,进而影响自动驾驶感知算法的精度。
发明内容
为克服相关技术中存在的问题,本公开提供一种生成数据处理模型的方法、数据处理方法、相关装置、车辆及介质。
根据本公开实施例的第一方面,提供一种生成数据处理模型的方法,所述生成数据处理模型的方法包括:
获取训练样本,所述训练样本包括第一样本图像数据、所述第一样本图像数据对应的感知任务标注结果、以及目标概率分布;
将所述第一样本图像数据输入初始的变分自编码器,得到所述初始的变分自编码器输出的样本编码特征数据;
将所述样本编码特征数据输入感知任务模型,得到所述感知任务模型输出的感知任务样本结果;
根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果和所述感知任务标注结果,对所述初始的变分自编码器的参数和所述感知任务模型的参数进行调整;
在满足预设的训练终止条件时,将所述变分自编码器确定为数据处理模型。
可选地,所述生成数据处理模型的方法还包括:
根据所述样本编码特征数据,确定与所述初始的变分自编码器对应的解码器的输入参数;
将所述输入参数输入所述解码器,得到所述解码器输出的第二样本图像数据;
所述根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果和所述感知任务标注结果,对所述初始的变分自编码器的参数和所述感知任务模型的参数进行调整,包括:
根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果和所述感知任务标注结果、以及所述第一样本图像数据和所述第二样本图像数据,对所述初始的变分自编码器的参数、所述感知任务模型的参数和所述解码器的参数进行调整。
可选地,所述目标概率分布为高斯分布;所述根据所述样本编码特征数据,确定与所述初始的变分自编码器对应的解码器的输入参数,包括:
根据所述样本编码特征数据,生成与所述样本编码特征数据对应的第一高斯噪声;
对所述第一高斯噪声进行采样,得到样本采样特征数据;
将所述样本采样特征数据确定为与所述初始的变分自编码器对应的解码器的输入参数。
可选地,所述第一样本图像数据为自动驾驶车辆的场景图像数据,所述感知任务模型为自动驾驶任务模型。
根据本公开实施例的第二方面,提供一种数据处理方法,所述数据处理方法包括:
获取待处理图像的图像数据;
将所述图像数据输入至数据处理模型,得到所述数据处理模型输出的编码特征数据,其中,所述数据处理模型是根据本公开第一方面所述的生成数据处理模型的方法生成的;
存储所述编码特征数据。
可选地,所述待处理图像为自动驾驶车辆的场景图像;所述获取待处理图像的图像数据,包括:
监测所述自动驾驶车辆的行驶工况;
在所述行驶工况属于预设工况时,获取所述自动驾驶车辆的场景图像,以得到所述场景图像的图像数据;
所述预设工况包括但不限于:急加速工况、急减速工况、急转弯工况、碰撞工况中的最少一者。
可选地,所述数据处理模型部署在所述自动驾驶车辆内,所述存储所述编码特征数据,包括:
将所述编码特征数据上传至云服务器,以在所述云服务器中存储所述编码特征数据。
可选地,所述自动驾驶车辆内还部署有感知任务模型,所述感知任务模型是根据本公开第一方面所述的生成数据处理模型的方法,在满足预设的训练终止条件时生成的感知任务模型;所述数据处理方法还包括:
将所述编码特征数据输入所述感知任务模型,以得到所述感知任务模型输出的感知任务结果;
根据所述感知任务结果控制所述自动驾驶车辆行驶。
可选地,所述数据处理方法还包括:
根据所述编码特征数据,生成与所述编码特征数据对应的第二高斯噪声;
对所述第二高斯噪声进行采样,得到采样特征数据;
将所述采样特征数据输入所述数据处理模型对应的解码器,得到所述解码器输出的解码图像数据;
根据所述解码图像数据重构场景图像。
根据本公开实施例的第三方面,提供一种生成数据处理模型的装置,所述生成数据处理模型的装置包括:
第一获取模块,被配置为获取训练样本,所述训练样本为第一样本图像数据、所述样本图像数据对应的感知任务标注结果、以及目标概率分布;
第一输入模块,被配置为将所述样本图像数据输入初始的变分自编码器,得到所述初始的变分自编码器输出的样本编码特征数据;
第二输入模块,被配置为将所述样本编码特征数据输入感知任务模型,得到所述感知任务模型输出的感知任务样本结果;
调整模块,被配置为根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果和所述感知任务标注结果,对所述初始的变分自编码器的参数和所述任务感知模型的参数进行调整;
第一确定模块,被配置为在满足预设的训练终止条件时,将所述变分自编码器确定为数据处理模型。
根据本公开实施例的第四方面,提供一种数据处理装置,所述数据处理装置包括:
第二获取模块,被配置为获取待处理图像的图像数据;
第四输入模块,被配置为将所述图像数据输入至数据处理模型,得到所述数据处理模型输出的编码特征数据,其中,所述数据处理模型是根据本公开第一方面所述的生成数据处理模型的方法生成的;
存储模块,被配置为存储所述编码特征数据。
根据本公开实施例的第五方面,提供一种车辆,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置执行所述指令时实现本公开第一方面所述的生成数据处理模型的方法的步骤,或者,实现本公开第二面所述的数据处理方法的步骤。
根据本公开实施例的第六方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所述的生成数据处理模型的方法的步骤,或者,实现本公开第二面所述的数据处理方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
采用上述技术方案,首先,将第一样本图像数据输入初始的变分自编码器,得到样本编码特征数据,接着,将样本编码特征数据输入感知任务模型,得到感知任务样本结果,之后,综合利用样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果,对变分自编码器的参数和感知任务模型的参数进行调整,最后,在训练结束时将变分自编码器确定为数据处理模型。如此,综合利用样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果,对变分自编码器的参数进行调整,使得变分自编码器在编码时,能够充分保留感知任务相关的特征信息,去除与感知任务不相关的特征信息,减少了编码后的图像数据的数据量,即,提高了数据处理模型的编码效率。此外,将变分自编码器确定为数据处理模型,无需通过模糊或色块的方案对原始的图像数据进行脱敏,确保图像分布的一致性。
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,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种生成数据处理模型的方法的流程图。
图2是根据一示例性实施例示出的一种变分自编码器的编码网络的示意图。
图3是根据一示例性实施例示出的一种数据处理方法的示意图。
图4是根据一示例性实施例示出的一种数据处理方法适用场景的示意图。
图5是根据一示例性实施例示出的一种生成数据处理模型的装置的框图。
图6是根据一示例性实施例示出的一种数据处理装置的框图。
图7是根据一示例性实施例示出的一种车辆的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
在车辆领域中,影子模式在自动驾驶中占有重要地位,其核心在于,在有人驾驶状态下,车辆内的传感器仍然运行但不参与车辆控制,只是对自动驾驶感知算法进行验证,该自动驾驶感知算法在影子模式下做持续模拟决策,并将该决策与驾驶员的行为进行对比,一旦两者不一致,可以将场景图像数据进行回传。然而,考虑到回传大量的场景图像数据会影响通信稳定性和通信速率,因此,有必要对图像数据进行处理后,并回传处理后的数据,减缓数据传输压力,以确保通信稳定性和通信速率。
此外,相关技术中,多是采用数据脱敏的处理方式来满足数据安全要求。但是,数据脱敏会影响数据的真实性和可靠性。有鉴于此,本公开提供一种生成数据处理模型的方法、数据处理方法、相关装置、车辆及介质,按照本公开提供的生成数据处理模型的方法生成数据处理模型,并利用该数据处理模型对数据进行处理,一方面既可以满足数据采集的安全性要求,另一方面还可以确保数据的真实性和可靠性。此外,还能够减少了处理后的图像数据的数据量,减缓数据回传压力。
图1是根据一示例性实施例示出的一种生成数据处理模型的方法的流程图。如图1所示,生成数据处理模型的方法可以包括以下步骤。
在步骤S11中,获取训练样本。
在本公开中,训练样本可以包括第一样本图像数据、第一样本图像数据对应的感知任务标注结果、以及目标概率分布。
首先应当理解的是,本公开训练得到的数据处理模型可以用对任意类型数据进行处理,在本公开中,以对图像数据进行处理为例进行描述。此外,第一样本图像数据可以是任意场景中的数据,例如,商场场景中的场景图像数据、车站场景中的场景图像数据、道路场景中的场景图像数据等等。在本公开中,第一样本图像数据为道路场景中的场景图像数据,例如,以自动驾驶车辆的场景图像数据为例进行描述。其中,自动驾驶车辆的场景图像数据可以包括自动驾驶车辆周围的障碍物的相关数据和道路上的车道线位置数据,例如,障碍物的相关数据可以包括但不限于:其他车辆的位置、其他车辆的行驶相关数据、行人的位置、行人移动相关数据、位于道路上的建筑物位置等等。
其次应当理解的是,感知任务可以为自动驾驶相关的感知任务,例如,感知任务可以为检测任务。此外,感知任务标注结果是与感知任务对应的标注结果,例如,感知任务为检测任务,则感知任务标注结果为标注的自动驾驶车辆周围的其他车辆和/或行人的结果。其中,可以通过技术人员对第一样本图像数据对应的样本图像或者对直接第一样本图像数据进行标注得到感知任务标注结果。
目标概率分布是用于约束数据处理模型输出的样本编码特征数据的,也即是说,在本公开中,训练所得的数据处理模型所输出的样本编码特征数据应当符合该目标概率分布。
在步骤S12中,将第一样本图像数据输入初始的变分自编码器,得到初始的变分自编码器输出的样本编码特征数据。
在步骤S13中,将样本编码特征数据输入感知任务模型,得到感知任务模型输出的感知任务样本结果。
在本公开中,采用变分自编码器(VAE, Variational Auto-Encoder)对图像数据进行压缩处理。首先创建变分自编码器(VAE, Variational Auto-Encoder)的编码网络。图2是根据一示例性实施例示出的一种变分自编码器的编码网络的示意图。如图2所示,该编码网络可以包括相连的变分自编码器和感知任务模型。其中,感知任务模型可以为用于执行任意感知任务的模型,例如,用于执行检测任务的检测模型、用于执行追踪任务的追踪模型等。
如图2所示,首先,将第一样本图像数据输入初始的变分自编码器,得到变分自编码器输出的样本编码特征数据,之后,将样本编码特征数据输入感知任务模型,得到感知任务模型输出的感知任务样本结果。
在步骤S14中,根据样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果,对初始的变分自编码器的参数和感知任务模型的参数进行调整。
在步骤S15中,在满足预设的训练终止条件时,将变分自编码器确定为数据处理模型。
在每一轮训练过程中,根据样本编码特征数据是否符合目标概率分布、感知任务样本结果与感知任务标注结果的误差对变分自编码器的参数和感知任务模型的参数进行调整。
在一种实施方式中,根据样本编码特征数据对应的分布与目标概率分布的差异对变分自编码器的参数进行调整,以及,根据感知任务样本结果与感知任务标注结果的差异对感知任务模型的参数进行调整。
在另一种实施方式中,确定样本编码特征数据对应的分布与目标概率分布的差异和感知任务样本结果与感知任务标注结果的差异,并根据两者的差异之和,对变分自编码器和感知任务模型的参数进行调整。
在本公开中,综合样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果,对变分自编码器的参数和感知任务模型的参数进行调整。在对变分自编码器调参的过程中,考虑到了感知任务样本结果与感知任务标注结果,如此,能够使得训练后的变分自编码器在编码过程中,充分保留感知任务相关的特征信息,去除与感知任务不相关的特征信息,如此,既可以满足后续感知任务模型的感知任务的需求,还可以使得变分自编码器输出的样本编码特征数据的数据量较小。
示例地,若感知任务模型为障碍物检测模型,则感知任务相关的特征信息可以包括但不限于:自动驾驶车辆周围的其他车辆的位置,其他车辆的行驶速度,行人的位置,行人的行驶速度,建筑物的位置中的至少一者。
在可能的实施方式中,预设的训练终止条件可以包括训练轮次达到预设次数,或者,样本编码特征数据符合目标概率分布、感知任务样本结果与感知任务标注结果的误差小于预设阈值。
应当理解的是,在相关技术中,在采集得到原始图像数据之后,会对原始图像数据进行数据脱敏处理,示例地,对原始图像数据的敏感区域利用模糊或色块的方案进行脱敏,如此,会破坏原始图像的分布。而在本公开中,将训练后的变分自编码器确定为数据处理模型,由于变分自编码器在对图像数据进行压缩过程中会将图像数据转换为非图像数据,也即是说,变分自编码器在压缩过程中会自动对图像数据进行加密,将其转换为非图像数据,进而变分自编码器输出的编码特征数据为非图像数据。如此,将变分自编码器作为数据处理模型对数据进行处理,无需对原始的图像数据进行做模糊或色块的方案进行脱敏,确保图像分布的一致性。
采用上述技术方案,首先,将第一样本图像数据输入初始的变分自编码器,得到样本编码特征数据,接着,将样本编码特征数据输入感知任务模型,得到感知任务样本结果,之后,综合利用样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果,对变分自编码器和感知任务模型的参数进行调整,最后,在训练结束时将变分自编码器确定为数据处理模型。如此,综合利用样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果,对变分自编码器的参数进行调整,使得变分自编码器在编码时,能够充分保留感知任务相关的特征信息,去除与感知任务不相关的特征信息,减少了编码后的图像数据的数据量,即,提高了数据处理模型的编码效率。此外,将变分自编码器确定为数据处理模型,无需通过模糊或色块的方案对原始的图像数据进行脱敏,确保图像分布的一致性。
在一种实施例中,生成数据处理模型的方法还包括:
根据样本编码特征数据,确定与初始的变分自编码器对应的解码器的输入参数;
将输入参数输入解码器,得到解码器输出的第二样本图像数据;
在该实施例中,还可以对解码器进行训练,其中,解码器用于对变分自编码器输出的编码特征数据进行解码,进而实现对图像重构,以得到与原始场景图像对应的重构图像。
在该实施例中的一种实施方式中,根据样本编码特征数据,确定与初始的变分自编码器对应的解码器的输入参数包括:将样本编码特征数据确定与初始的变分自编码器对应的解码器的输入参数。即,解码器直接对编码器输出的样本编码特征数据进行解码,并进行图像重建,得到与原始场景图像对应的重构图像。
在该实施例中,由于解码器直接对编码器输出的样本编码特征数据进行解码,进而进行图像重建,因此,所得到的重构图像与原始图像的相似度较大,这样,可能会非法获取图像数据,从而不满足数据采集的安全性要求。
因此,在该实施例中的另一种实施方式中,根据样本编码特征数据,确定与初始的变分自编码器对应的解码器的输入参数包括:根据样本编码特征数据,生成与样本编码特征数据对应的第一高斯噪声;对第一高斯噪声进行随机采样,得到样本采样特征数据;将样本采样特征数据确定为与初始的变分自编码器对应的解码器的输入参数。
如图2所示,该编码网络可以包括与初始的变分自编码器对应的解码器。其中,解码器是基于神经网络构建的。在图2中,编码器与初始的变分自编码器相连,初始的变分自编码器输出的样本编码特征数据包括均值和方差,根据样本编码特征数据中包括的均值和方差,生成与该样本编码特征数据对应的第一高斯噪声,之后,对该第一高斯噪声进行采样,例如,随机采样,或者按照预设规则采样,得到样本采样特征数据,最后,将该样本采样特征数据输入解码器。
相应地,步骤S14根据样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果,对初始的变分自编码器的参数和感知任务模型的参数进行调整进一步包括:
根据样本编码特征数据、目标概率分布、感知任务样本结果和感知任务标注结果、以及第一样本图像数据和第二样本图像数据,对初始的变分自编码器的参数、感知任务模型的参数和解码器的参数进行调整。
在本公开中,可以根据第一样本图像数据和第二样本图像数据的差异对解码器参数进行调整,此时,只需要比较第一样本图像数据和第二样本图像数据的差异即可,无需进行标注,即,可以利用无监督的学习方法,通过无标签的数据对解码器进行训练。
下面对本公开提供的数据处理方法进行描述。
图3是根据一示例性实施例示出的一种数据处理方法的示意图。如图3所示,数据处理方法可以包括以下步骤。
在步骤S31中,获取待处理图像的图像数据。
其中,待处理图像可以为任意图像,例如,商场场景图像、车站场景图像、道路场景图像等等。
在步骤S32中,将图像数据输入至数据处理模型,得到数据处理模型输出的编码特征数据。
其中,数据处理模型是根据本公开所提高的生成数据处理模型的方法生成的。
在步骤S33中,存储编码特征数据。
采用上述技术方案,按照本公开提供的生成数据处理模型的方法生成数据处理模型,并利用该数据处理模型对数据进行处理,一方面既可以满足数据采集的安全性要求,另一方面还可以确保数据的真实性和可靠性。此外,利用该数据处理模型对图像数据进行压缩,在压缩过程中,能够充分保留感知任务相关的特征信息,去除与感知任务不相关的特征信息,减少了编码后的图像数据的数据量,有效提高了数据压缩比,缓解了数据的存储压力。
在一种实施例中,待处理图像为自动驾驶车辆的场景图像。相应地,图3中步骤S31获取待处理图像的图像数据的具体实施方式为:
监测自动驾驶车辆的行驶工况;
在行驶工况属于预设工况时,获取自动驾驶车辆的场景图像,以得到场景图像的图像数据;
预设工况包括但不限于:急加速工况、急减速工况、急转弯工况、碰撞工况中的最少一者。
应当理解的是,在自动驾驶相关数据中,除了需要大量的数据之外,还需要考虑数据的质量,通常高质量的数据是指极端或者极限工况下的数据,因此,在该本公开中,可以将极端或者极限工况下的场景图像确定为待处理图像。
示例地,可以通过监测自动驾驶车辆的行驶数据,例如,行驶速度、加减速度、车辆转向角度等数据,来监控自动驾驶车辆的行驶工况。若加速度大于预设加速度,则认为自动驾驶车辆的行驶工况为急加速工况。若减速度大于预设减速度,则认为自动驾驶车辆的行驶工况为急减速工况,若方向盘转向大于预设角度,则认为自动驾驶车辆的行驶工况为急转弯工况。此外,可以根据设置在车辆上的碰撞传感器来检测是否碰撞,进而确定自动驾驶车辆的行驶工况是否为碰撞工况。
在行驶工况属于预设的极端工况时,获取自动驾驶车辆的场景图像,得到场景图像的图像数据,作为待处理图像的图像数据。例如,可以获取行驶工况属于预设的极端工况时刻下的一帧自动驾驶车辆的场景图像,也可以获取行驶工况属于预设的极端工况时的相邻时刻下的多帧自动驾驶车辆的场景图像。
在该实施例中,数据处理模型部署在自动驾驶车辆内,相应地,步骤S33存储编码特征数据的具体实施方式为:将编码特征数据上传至云服务器,以在云服务器中存储编码特征数据。
图4是根据一示例性实施例示出的一种数据处理方法适用场景的示意图。如图4所示,数据处理模型101部署在自动驾驶车辆10内,数据处理模型101是按照本公开提供的生成数据处理模型的方法生成的,且,该数据处理模型101对待处理图像的图像数据进行压缩处理,得到编码特征数据。最后,将数据处理模型101输出的编码特征数据上传至云服务器20中,以在云服务器20中存储该编码特征数据。
在一种实施例中,自动驾驶车辆内还部署有感知任务模型,该感知任务模型是根据本公开提供的生成数据处理模型的方法,在生成数据处理模型时生成的。即,按照根据本公开提供的生成数据处理模型的方法,在满足预设的训练终止条件时,将感知任务模型确定为部署在自动驾驶车辆内的感知任务模型。
相应地,数据处理方法还可以包括:
将编码特征数据输入感知任务模型,以得到感知任务模型输出的感知任务结果;
根据感知任务结果控制自动驾驶车辆行驶。
示例地,感知任务模型该检测模型,该检测模型也部署在自动驾驶车辆内。如此,当数据处理模型部署输出编码特征数据之后,将该编码特征数据输入检测模型,得到检测结果,进而可以根据该检测结果控制自动驾驶车辆行驶。例如,检测结果包括自动驾驶车辆周围的其他车辆的位置和行驶速度,行人的位置和移动速度,根据该检测结果可以控制自动驾驶车辆减速或者转向等等。
采用上述技术方案,在自动驾驶车辆内部署有数据处理模型和感知任务模型,将待处理图像的图像数据输入数据处理模型,得到编码特征数据,之后,将编码特征数据输入感知任务模型得到感知任务结果,进而根据感知任务结果控制自动驾驶车辆行驶。如此,提升了自动驾驶或者自动泊车的体验。
在该实施例中,感知任务模型和数据处理模型相互独立设置,这样,在感知任务模型的精度不满足需求时,可以对感知任务模型进行单独升级,即,只需下载最新的感知任务模型即可。如此,减少了下载的工作量。
在另一种实施例中,数据处理方法还包括:
根据编码特征数据,生成与编码特征数据对应的第二高斯噪声;
对第二高斯噪声进行采样,得到采样特征数据;
将采样特征数据输入数据处理模型对应的解码器,得到解码器输出的解码图像数据;
根据解码图像数据重构场景图像。
在该实施例中,数据处理模型对应的解码器可以部署在自动驾驶车辆中,也可以不部署在自动驾驶车辆中。例如,解码器可以部署到自动驾驶车辆的远程监控设备中,以便远程监控技术人员能够通过该解码器得到解码的图像数据,进而对该解码的图像数据进行重构得到重构的场景图像,以重现自动驾驶车辆的行驶场景。
应当理解的是,得到采样特征数据的方式与训练过程中上午得到样本采样特征数据的方式类似,对此不再赘述。
采用上述技术方案,根据编码特征数据,生成与编码特征数据对应的第二高斯噪声,对第二高斯噪声进行采样,得到采样特征数据,进而利用该采用特征数据和解码器得到重构后的场景图像。如此,利用第二高斯噪声对编码特征数据进行加扰,进一步确保数据的安全性,并且,是根据编码特征数据生成的第二高斯噪声,确保采样特征数据与编码特征数据的一致性,使得重构的场景图像的感知任务相关数据与待处理图像的感知任务相关数据尽可能一致。
基于同一发明构思,本公开提供一种生成数据处理模型的装置。图5是根据一示例性实施例示出的一种生成数据处理模型的装置的框图。如图5所示,生成数据处理模型的装置500可以包括:
第一获取模块501,被配置为获取训练样本,所述训练样本为第一样本图像数据、所述样本图像数据对应的感知任务标注结果、以及目标概率分布;
第一输入模块502,被配置为将所述样本图像数据输入初始的变分自编码器,得到所述初始的变分自编码器输出的样本编码特征数据;
第二输入模块503,被配置为将所述样本编码特征数据输入感知任务模型,得到所述感知任务模型输出的感知任务样本结果;
调整模块504,被配置为根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果和所述感知任务标注结果,对所述初始的变分自编码器的参数和所述任务感知模型的参数进行调整;
第一确定模块505,被配置为在满足预设的训练终止条件时,将所述变分自编码器确定为数据处理模型。
可选地,所述生成数据处理模型的装置500还可以包括:
第二确定模块,被配置为根据所述样本编码特征数据,确定与所述初始的变分自编码器对应的解码器的输入参数;
第三输入模块,被配置为将所述输入参数输入所述解码器,得到所述解码器输出的第二样本图像数据;
所述调整模块504被配置为:根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果、所述感知任务标注结果、以及所述第一样本图像数据和所述第二样本图像数据,对所述初始的变分自编码器的参数、所述感知任务模型的参数和所述解码器的参数进行调整。
可选地,所述目标概率分布为高斯分布;所述第二确定模块被配置为:
根据所述样本编码特征数据,生成与所述样本编码特征数据对应的第一高斯噪声;
对所述第一高斯噪声进行采样,得到样本采样特征数据;
将所述样本采样特征数据确定为与所述初始的变分自编码器对应的解码器的输入参数。
可选地,所述第一样本图像数据为自动驾驶车辆的场景图像数据,所述感知任务模型为自动驾驶任务模型。
关于上述实施例中的生成数据处理模型的装置,其中各个模块执行操作的具体方式已经在有关生成数据处理模型的方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于同一发明构思,本公开还提供一种数据处理装置。图6是根据一示例性实施例示出的一种数据处理装置的框图。如图6所示,数据处理装置600可以包括:
第二获取模块601,被配置为获取待处理图像的图像数据;
第四输入模块602,被配置为将所述图像数据输入至数据处理模型,得到所述数据处理模型输出的编码特征数据,其中,所述数据处理模型是根据本公开第一方面所述的生成数据处理模型的方法生成的;
存储模块603,被配置为存储所述编码特征数据。
可选地,所述待处理图像为自动驾驶车辆的场景图像;所述第二获取模块601被配置为:监测所述自动驾驶车辆的行驶工况;
在所述行驶工况属于预设工况时,获取所述自动驾驶车辆的场景图像,以得到所述场景图像的图像数据;
所述预设工况包括但不限于:急加速工况、急减速工况、急转弯工况、碰撞工况中的最少一者。
可选地,所述数据处理模型部署在所述自动驾驶车辆内,所述存储模块603被配置为:将所述编码特征数据上传至云服务器,以在所述云服务器中存储所述编码特征数据。
可选地,所述自动驾驶车辆内还部署有感知任务模型,所述感知任务模型是根据本公开第一方面所述的生成数据处理模型的方法,在满足预设的训练终止条件时生成的感知任务模型;所述数据处理装置600还包括:
第五输入模块,被配置为将所述编码特征数据输入所述感知任务模型,以得到所述感知任务模型输出的感知任务结果;
控制模块,被配置为根据所述感知任务结果控制所述自动驾驶车辆行驶。
可选地,所述数据处理装置还包括:
生成模块,被配置为根据所述编码特征数据,生成与所述编码特征数据对应的第二高斯噪声;
采样模块,被配置为对所述第二高斯噪声进行采样,得到采样特征数据;
第六输入模块,被配置为将所述采样特征数据输入所述数据处理模型对应的解码器,得到所述解码器输出的解码图像数据;
重构模块,被配置为根据所述解码图像数据重构场景图像。
关于上述实施例中的数据处理装置,其中各个模块执行操作的具体方式已经在有关数据处理方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的生成数据处理模型的方法的步骤,或者,数据处理方法的步骤。
图7是根据一示例性实施例示出的一种车辆的框图。例如,车辆可以是混合动力车辆,也可以是非混合动力车辆、电动车辆、燃料电池车辆或者其他类型的车辆。车辆可以是自动驾驶车辆、半自动驾驶车辆或者非自动驾驶车辆。
参照图7,车辆可包括各种子***,例如,信息娱乐***710、感知***720、决策控制***730、驱动***740以及计算平台750。其中,车辆还可以包括更多或更少的子***,并且每个子***都可包括多个部件。另外,车辆的每个子***之间和每个部件之间可以通过有线或者无线的方式实现互连。
在一些实施例中,信息娱乐***710可以包括通信***,娱乐***以及导航***等。
感知***720可以包括若干种传感器,用于感测车辆周边的环境的信息。例如,感知***720可包括全球定位***(全球定位***可以是GPS***,也可以是北斗***或者其他定位***)、惯性测量单元(inertial measurement unit,IMU)、激光雷达、毫米波雷达、超声雷达以及摄像装置。
决策控制***730可以包括计算***、整车控制器、转向***、油门以及制动***。
驱动***740可以包括为车辆提供动力运动的组件。在一个实施例中,驱动***740可以包括引擎、能量源、传动***和车轮。引擎可以是内燃机、电动机、空气压缩引擎中的一种或者多种的组合。引擎能够将能量源提供的能量转换成机械能量。
车辆的部分或所有功能受计算平台750控制。计算平台750可包括至少一个第一处理器751和第一存储器752,第一处理器751可以执行存储在第一存储器752中的指令753。
第一处理器751可以是任何常规的处理器,诸如商业可获得的CPU。处理器还可以包括诸如图像处理器(Graphic Process Unit,GPU),现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、片上***(System on Chip,SOC)、专用集成芯片(Application Specific Integrated Circuit,ASIC)或它们的组合。
第一存储器752可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
除了指令753以外,第一存储器752还可存储数据,例如道路地图,路线信息,车辆的位置、方向、速度等数据。第一存储器752存储的数据可以被计算平台750使用。
在本公开实施例中,第一处理器751可以执行指令753,以完成上述的生成数据处理模型的方法或者数据处理方法的全部或部分步骤。
图8是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备800可以被提供为一服务器。参照图8,电子设备800包括处理组件822,其进一步包括一个或多个第二处理器,以及由第二存储器832所代表的存储器资源,用于存储可由处理组件822的执行的指令,例如应用程序。第二存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件822被配置为执行指令,以执行上述生成数据处理模型的方法和/或数据处理方法。
电子设备800还可以包括一个电源组件826被配置为执行电子设备800的电源管理,一个有线或无线网络接口850被配置为将电子设备800连接到网络,和一个输入/输出接口858。电子设备800可以操作基于存储在第二存储器832的操作***。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的生成数据处理模型的方法和/或数据处理方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (13)
1.一种生成数据处理模型的方法,其特征在于,所述生成数据处理模型的方法包括:
获取训练样本,所述训练样本包括第一样本图像数据、所述第一样本图像数据对应的感知任务标注结果、以及目标概率分布;
将所述第一样本图像数据输入初始的变分自编码器,得到所述初始的变分自编码器输出的样本编码特征数据;
将所述样本编码特征数据输入感知任务模型,得到所述感知任务模型输出的感知任务样本结果;
根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果和所述感知任务标注结果,对所述初始的变分自编码器的参数和所述感知任务模型的参数进行调整;
在满足预设的训练终止条件时,将所述变分自编码器确定为数据处理模型。
2.根据权利要求1所述的生成数据处理模型的方法,其特征在于,所述生成数据处理模型的方法还包括:
根据所述样本编码特征数据,确定与所述初始的变分自编码器对应的解码器的输入参数;
将所述输入参数输入所述解码器,得到所述解码器输出的第二样本图像数据;
所述根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果和所述感知任务标注结果,对所述初始的变分自编码器的参数和所述感知任务模型的参数进行调整,包括:
根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果、所述感知任务标注结果、以及所述第一样本图像数据和所述第二样本图像数据,对所述初始的变分自编码器的参数、所述感知任务模型的参数和所述解码器的参数进行调整。
3.根据权利要求2所述的生成数据处理模型的方法,其特征在于,所述目标概率分布为高斯分布;所述根据所述样本编码特征数据,确定与所述初始的变分自编码器对应的解码器的输入参数,包括:
根据所述样本编码特征数据,生成与所述样本编码特征数据对应的第一高斯噪声;
对所述第一高斯噪声进行采样,得到样本采样特征数据;
将所述样本采样特征数据确定为与所述初始的变分自编码器对应的解码器的输入参数。
4.根据权利要求1-3中任一项所述的生成数据处理模型的方法,其特征在于,所述第一样本图像数据为自动驾驶车辆的场景图像数据,所述感知任务模型为自动驾驶任务模型。
5.一种数据处理方法,其特征在于,所述数据处理方法包括:
获取待处理图像的图像数据;
将所述图像数据输入至数据处理模型,得到所述数据处理模型输出的编码特征数据,其中,所述数据处理模型是根据如权利要求1-4中任一项所述的生成数据处理模型的方法生成的;
存储所述编码特征数据。
6.根据权利要求5所述的数据处理方法,其特征在于,所述待处理图像为自动驾驶车辆的场景图像;所述获取待处理图像的图像数据,包括:
监测所述自动驾驶车辆的行驶工况;
在所述行驶工况属于预设工况时,获取所述自动驾驶车辆的场景图像,以得到所述场景图像的图像数据;
所述预设工况包括但不限于:急加速工况、急减速工况、急转弯工况、碰撞工况中的最少一者。
7.根据权利要求6所述的数据处理方法,其特征在于,所述数据处理模型部署在所述自动驾驶车辆内,所述存储所述编码特征数据,包括:
将所述编码特征数据上传至云服务器,以在所述云服务器中存储所述编码特征数据。
8.根据权利要求6所述的数据处理方法,其特征在于,所述自动驾驶车辆内还部署有感知任务模型,所述感知任务模型是根据如权利要求1-4中任一项所述的生成数据处理模型的方法,在满足预设的训练终止条件时生成的感知任务模型;所述数据处理方法还包括:
将所述编码特征数据输入所述感知任务模型,以得到所述感知任务模型输出的感知任务结果;
根据所述感知任务结果控制所述自动驾驶车辆行驶。
9.根据权利要求5所述的数据处理方法,其特征在于,所述数据处理方法还包括:
根据所述编码特征数据,生成与所述编码特征数据对应的第二高斯噪声;
对所述第二高斯噪声进行采样,得到采样特征数据;
将所述采样特征数据输入所述数据处理模型对应的解码器,得到所述解码器输出的解码图像数据;
根据所述解码图像数据重构场景图像。
10.一种生成数据处理模型的装置,其特征在于,所述生成数据处理模型的装置包括:
第一获取模块,被配置为获取训练样本,所述训练样本为第一样本图像数据、所述样本图像数据对应的感知任务标注结果、以及目标概率分布;
第一输入模块,被配置为将所述样本图像数据输入初始的变分自编码器,得到所述初始的变分自编码器输出的样本编码特征数据;
第二输入模块,被配置为将所述样本编码特征数据输入感知任务模型,得到所述感知任务模型输出的感知任务样本结果;
调整模块,被配置为根据所述样本编码特征数据、所述目标概率分布、所述感知任务样本结果和所述感知任务标注结果,对所述初始的变分自编码器的参数和所述任务感知模型的参数进行调整;
第一确定模块,被配置为在满足预设的训练终止条件时,将所述变分自编码器确定为数据处理模型。
11.一种数据处理装置,其特征在于,所述数据处理装置包括:
第二获取模块,被配置为获取待处理图像的图像数据;
第四输入模块,被配置为将所述图像数据输入至数据处理模型,得到所述数据处理模型输出的编码特征数据,其中,所述数据处理模型是根据如权利要求1-4中任一项所述的生成数据处理模型的方法生成的;
存储模块,被配置为存储所述编码特征数据。
12.一种车辆,其特征在于,包括:
第一处理器;
用于存储第一处理器可执行指令的第一存储器;
其中,所述第一处理器被配置执行所述指令时实现权利要求1-4中任一项所述的生成数据处理模型的方法的步骤,或者,实现权利要求5-9中任一项所述的数据处理方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-4中任一项所述的生成数据处理模型的方法的步骤,或者,实现权利要求5-9中任一项所述的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014860.6A CN116758378B (zh) | 2023-08-11 | 2023-08-11 | 生成模型的方法、数据处理方法、相关装置、车辆及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014860.6A CN116758378B (zh) | 2023-08-11 | 2023-08-11 | 生成模型的方法、数据处理方法、相关装置、车辆及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758378A CN116758378A (zh) | 2023-09-15 |
CN116758378B true CN116758378B (zh) | 2023-11-14 |
Family
ID=87959323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311014860.6A Active CN116758378B (zh) | 2023-08-11 | 2023-08-11 | 生成模型的方法、数据处理方法、相关装置、车辆及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758378B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886388A (zh) * | 2019-01-09 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法和装置 |
CN113422950A (zh) * | 2021-05-31 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 图像数据处理模型的训练方法和训练装置 |
CN115035494A (zh) * | 2022-07-04 | 2022-09-09 | 小米汽车科技有限公司 | 图像处理方法、装置、车辆、存储介质及芯片 |
CN115374863A (zh) * | 2022-08-25 | 2022-11-22 | 中国建设银行股份有限公司 | 样本生成方法、装置、存储介质和设备 |
CN115438569A (zh) * | 2022-07-29 | 2022-12-06 | 深圳元戎启行科技有限公司 | 自动驾驶场景生成方法及相关模型的训练方法、设备 |
CN116091894A (zh) * | 2023-03-03 | 2023-05-09 | 小米汽车科技有限公司 | 模型训练方法、车辆控制方法、装置、设备、车辆及介质 |
CN116484971A (zh) * | 2023-04-19 | 2023-07-25 | 重庆长安汽车股份有限公司 | 车辆的自动驾驶感知自学习方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11205121B2 (en) * | 2018-06-20 | 2021-12-21 | Disney Enterprises, Inc. | Efficient encoding and decoding sequences using variational autoencoders |
-
2023
- 2023-08-11 CN CN202311014860.6A patent/CN116758378B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886388A (zh) * | 2019-01-09 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法和装置 |
CN113422950A (zh) * | 2021-05-31 | 2021-09-21 | 北京达佳互联信息技术有限公司 | 图像数据处理模型的训练方法和训练装置 |
CN115035494A (zh) * | 2022-07-04 | 2022-09-09 | 小米汽车科技有限公司 | 图像处理方法、装置、车辆、存储介质及芯片 |
CN115438569A (zh) * | 2022-07-29 | 2022-12-06 | 深圳元戎启行科技有限公司 | 自动驾驶场景生成方法及相关模型的训练方法、设备 |
CN115374863A (zh) * | 2022-08-25 | 2022-11-22 | 中国建设银行股份有限公司 | 样本生成方法、装置、存储介质和设备 |
CN116091894A (zh) * | 2023-03-03 | 2023-05-09 | 小米汽车科技有限公司 | 模型训练方法、车辆控制方法、装置、设备、车辆及介质 |
CN116484971A (zh) * | 2023-04-19 | 2023-07-25 | 重庆长安汽车股份有限公司 | 车辆的自动驾驶感知自学习方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116758378A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11402848B2 (en) | Collision-avoidance system for autonomous-capable vehicles | |
CN109212543B (zh) | 用于自主车辆操作的校准验证方法 | |
CN107697070B (zh) | 驾驶行为预测方法和装置、无人车 | |
CN107491072B (zh) | 车辆避障方法和装置 | |
US11107228B1 (en) | Realistic image perspective transformation using neural networks | |
CN110497914B (zh) | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 | |
CN112184844A (zh) | 车辆图像生成 | |
KR20220036200A (ko) | 차량의 속도 예측 장치 및 그 방법 | |
DE102021128041A1 (de) | Verbesserung eines neuronalen fahrzeugnetzwerks | |
CN113298250A (zh) | 用于定位和对象检测的神经网络 | |
KR102521657B1 (ko) | 차량을 제어하는 방법 및 장치 | |
US20230215151A1 (en) | Information processing apparatus, information processing method, information processing system, and a program | |
CN116758378B (zh) | 生成模型的方法、数据处理方法、相关装置、车辆及介质 | |
CN113442948A (zh) | 基于云端推理服务的自动驾驶方法、装置和计算机设备 | |
CN110789515A (zh) | 机动车辆中用于硬件验证的***和方法 | |
US20210064046A1 (en) | Measuring confidence in deep neural networks | |
US10831209B2 (en) | Using a long-term recurrent convolutional network to plan a sequence of lateral controls in autonomous driving | |
CN116266230A (zh) | 使用同态加密保护机动车辆的神经网络参数的***和过程 | |
US11620475B2 (en) | Domain translation network for performing image translation | |
DE102022121602A1 (de) | Objektbewegungsbahnprognose | |
CN114973181A (zh) | 多目bev视角的环境感知方法、装置、设备及存储介质 | |
US10977783B1 (en) | Quantifying photorealism in simulated data with GANs | |
CN111824144B (zh) | 一种车辆的限速方法、装置、电子设备及存储介质 | |
CN114103966A (zh) | 一种辅助驾驶的控制方法、装置和*** | |
CN113092135A (zh) | 一种自动驾驶车辆的测试方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |