[发明专利]模型训练方法、地图绘制方法、装置、计算机设备和介质

说明书

本公开提供了一种模型训练方法及装置，该方法包括：构建初始网络模型，包括：主干网络、区域建议网络、掩膜网络和基于注意力机制的识别网络。主干网络对输入图片进行特征提取，以得到特征图。区域建议网络用于生成候选目标框。掩膜网络基于特征图和候选目标框，得到掩膜预测结果。识别网络基于上述特征图、候选目标框和掩膜预测结果，得到分类预测结果和外包框预测结果。获取多个训练图片和多个训练图片各自的标签，任一训练图片的标签包括：该任一训练图片中的目标物体的类别、外包框和掩膜。利用多个训练图片和该多个训练图片各自的标签，对初始网络模型进行训练，以得到目标网络模型。本公开还提供了地图绘制方法及装置、计算机设备和介质。

技术领域

本发明实施例涉及计算机技术领域，更具体地，涉及一种模型训练方法及装置、地图绘制方法及装置、计算机设备和介质。

背景技术

在高精度地图的生产过程中，需要对道路中各种目标物体进行绘制。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：如果人为地从道路图片中对各种目标物体进行识别、提取并绘制，需要耗费大量人工成本且效率极低，亟需自动化替代方案。然而在现有的针对目标物体的自动化识别方案中，常常存在由于背景区域的影响，导致目标物体的外包框的定位偏离，进而导致目标物体的识别偏差等问题。

发明内容

有鉴于此，本发明实施例提供了一种模型训练方法及装置、地图绘制方法及装置、计算机设备和介质，以更准确地对道路图片中的目标物体进行识别和分割，从而实现包含各种目标物体的高精度地图绘制。

本发明实施例的一个方面提供了一种模型训练方法，包括：一方面，构建初始网络模型。该初始网络模型包括：主干网络、区域建议网络、掩膜网络和基于注意力机制的识别网络。其中，主干网络用于对输入图片进行特征提取，以得到特征图。区域建议网络用于生成候选目标框。掩膜网络用于基于特征图和候选目标框，得到掩膜预测结果。识别网络用于基于上述特征图、候选目标框和掩膜预测结果，得到分类预测结果和外包框预测结果。另一方面，获取多个训练图片和多个训练图片各自的标签。其中，所获取的多个训练图片中任一训练图片的标签包括：该任一训练图片中的目标物体的类别、外包框和掩膜。接着，利用多个训练图片和该多个训练图片各自的标签，对初始网络模型进行训练，以得到目标网络模型。

根据本发明的实施例，上述利用多个训练图片和该多个训练图片各自的标签，对初始网络模型进行训练包括：对于多个训练图片中的任一训练图片，将该任一训练图片输入至主干网络，以使主干网络输出针对该任一训练图片的第一特征图。并将该任一训练图片输入至区域建议网络，以使区域建议网络输出针对该任一训练图片的第一候选目标框。然后，将第一候选目标框作用于第一特征图，以得到第一感兴趣区域特征图。再将第一感兴趣区域特征图输入至掩膜网络，以使掩膜网络输出针对该任一训练图片的掩膜预测结果。接着，基于针对该任一训练图片的掩膜预测结果和该任一训练图片的标签，计算第一函数的损失值。从而可以基于第一函数的损失值，对主干网络、区域建议网络和掩膜网络中至少一个的参数进行调整，直至第一函数实现收敛。

根据本发明的实施例，上述针对任一训练图片的掩膜预测结果包括多个掩膜预测结果。上述基于该任一训练图片的掩膜预测结果和该任一训练图片的标签，计算第一函数的损失值包括：根据该任一训练图片的标签，确定该任一训练图片的类别和掩膜。然后，基于该任一训练图片的掩膜和第一函数，计算针对该任一训练图片的多个掩膜预测结果中与该任一训练图片的类别对应的掩膜预测结果的损失值。