[发明专利]一种障碍物识别方法和装置、电子设备及存储介质

说明书

本申请公开了障碍物识别方法和装置、电子设备及存储介质，涉及计算机技术领域，该方法包括：获取障碍物图片；将障碍物图片输入至预训练的元学习模型，输出对应的分类标识；在分类标识为空时，基于障碍物图片，获取与障碍物图片对应的任务，利用任务对预训练的元学习模型进行训练，得到中间元学习模型以识别障碍物图片对应的中间分类标识；确定训练训练任务的标识，在中间分类标识与训练任务的标识不一致时，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，根据损失函数值调整中间元学习模型的模型参数，得到目标元学习模型，以进行目标障碍物图片的识别。从而使得车端目标元学习模型可以准确识别更多类别的障碍物。

技术领域

本申请涉及计算机技术领域，尤其涉及一种障碍物识别方法和装置、电子设备及存储介质。

背景技术

深度学习模型是自动驾驶场景中实现对环境感知的重要工具。一般，采集大量的训练数据是使用深度学习模型的前提条件。由于自动驾驶场景中的障碍物类别非常多，且一些类别的障碍物由于出现频率低，很难进行大量的数据采集，从而导致该类别的障碍物训练数据稀少，以使得训练得到的应用于自动驾驶车端的模型对障碍物的识别不够准确。

在实现本申请过程中，发明人发现现有技术中至少存在如下问题：

由于自动驾驶车端的计算能力有限，通常不能使用计算量太大的模型，并且由于某些类别的障碍物训练数据稀少，使得训练得到的应用于自动驾驶车端的模型对障碍物的识别不够准确。

发明内容

有鉴于此，本申请实施例提供一种障碍物识别方法和装置、电子设备及存储介质，能够解决现有的由于自动驾驶车端的计算能力有限，通常不能使用极端量太大的模型，并且由于某些类别的障碍物训练数据稀少，使得训练得到的应用于自动驾驶车端的模型对障碍物的识别不够准确的问题。

为实现上述目的，根据本申请实施例的一个方面，提供了一种障碍物识别方法，包括：

获取障碍物图片；

将障碍物图片输入至预训练的元学习模型中，输出障碍物图片对应的分类标识；

在分类标识为空的情况下，调用模型训练引擎，基于障碍物图片，从预设的任务集中获取与障碍物图片对应的任务，进而利用任务对预训练的元学习模型进行训练，执行第一阶段模型参数更新，得到中间元学习模型以识别障碍物图片对应的中间分类标识；

确定训练任务的标识，在中间分类标识与训练任务的标识不一致的情况下，根据中间分类标识和训练任务的标识确定中间元学习模型对应的损失函数值，进而根据损失函数值调整中间元学习模型的模型参数，执行第二阶段模型参数更新，得到目标元学习模型，以通过目标元学习模型进行目标障碍物图片的识别。

进一步地，在获取障碍物图片之前，方法还包括：

获取初始元学习模型，以部署至终端，进而调用模型训练引擎，基于知识蒸馏方法对初始元学习模型进行训练，以得到预训练的元学习模型。

进一步地，方法还包括：

确定训练任务类型；

根据训练任务类型确定抽取的样本分类个数、每个样本分类对应的支撑集的样本个数和查询集的样本个数；

根据样本分类个数、支撑集的样本个数和查询集的样本个数，从元样本集中确定出每个样本分类对应的训练任务的支撑集和查询集。

进一步地，基于知识蒸馏方法对初始元学习模型进行训练，以得到预训练的元学习模型，包括：

调用模型训练引擎，基于知识蒸馏方法分别提取各训练任务对应的支撑集中各样本的第一特征和第二特征，以基于各第一特征和第二特征，计算各训练任务对应的损失函数值，并分别基于各任务对应的损失函数值调整知识蒸馏方法对应的模型的模型参数，进而分别将调整的模型参数更新至初始元学习模型，以得到更新的初始元学习模型；