[发明专利]基于数字孪生的交通场景解析方法以及装置

权利要求书

1.一种基于数字孪生的交通场景解析方法，其特征在于，包括：

获取虚拟源域数据与真实目标域数据，所述虚拟源域数据包括仿真交通场景图像数据与对应的标注标签，所述真实目标域数据包括真实交通场景图像数据；

根据所述虚拟源域数据对语义分割模型进行模型训练，获得初始语义分割模型，并输出虚拟源域数据分割结果；

将所述真实目标域数据输入至所述初始语义分割模型，输出真实目标域数据分割结果；

将所述虚拟源域数据分割结果与所述真实目标域数据分割结果，分别输入至域判别器模型中进行判别训练，若输出所述虚拟源域数据分割结果，则根据所述域判别器模型的训练参数对所述初始语义分割模型的训练参数进行调整，获得训练完成的语义分割模型；

获取待测目标图像，将所述待测目标图像输入至所述训练完成的语义分割模型中，输出所述待测目标图像的语义分割结果。

2.根据权利要求1所述的基于数字孪生的交通场景解析方法，其特征在于，所述获取待测目标图像，将所述待测目标图像输入至所述训练完成的语义分割模型中，输出所述待测目标图像的语义分割结果之后，所述基于数字孪生的交通场景解析方法还包括：

对所述待测目标图像的语义分割结果进行数字孪生，获得虚拟可视化交通场景；

根据所述虚拟可视化交通场景，对交通实况进行管理。

3.根据权利要求1所述的基于数字孪生的交通场景解析方法，其特征在于，所述根据虚拟源域数据对语义分割模型进行模型训练，获得初始语义分割模型，并输出虚拟源域数据分割结果，包括：

构建所述语义分割模型的损失函数，所述语义分割模型的损失函数为：

其中，c表示所述语义分割模型的语义分割类别数目，P_s表示所述虚拟源域数据分割结果，y_c表示所述仿真交通场景图像数据对应的标注标签类别；

根据所述语义分割模型的损失函数，对所述语义分割模型进行模型训练，获得所述初始语义分割模型。

4.根据权利要求3所述的基于数字孪生的交通场景解析方法，其特征在于，所述将所述虚拟源域数据分割结果与所述真实目标域数据分割结果，分别输入至域判别器模型中进行判别训练，若输出所述虚拟源域数据分割结果，则根据所述域判别器模型的训练参数对所述初始语义分割模型的训练参数进行调整，获得训练完成的语义分割模型，包括：

构建所述域判别器模型的损失函数；

将所述虚拟源域数据分割结果与所述真实目标域数据分割结果，分别输入至域判别器模型中，并根据所述语义分割模型的损失函数与所述域判别器模型的损失函数，对所述初始语义分割模型与所述域判别器模型进行训练，获得训练完成的语义分割模型；

其中，所述域判别器模型的损失函数为

D表示所述域判别器模型，P_t表示所述真实目标域数据分割结果，c表示所述语义分割模型的语义分割类别数目，所述域判别器模型的损失函数的目标函数为最大化域判别器模型将所述真实目标域数据分割结果判别为所述虚拟源域数据分割结果。

5.根据权利要求1所述的基于数字孪生的交通场景解析方法，其特征在于，所述获取虚拟源域数据与真实目标域数据，所述虚拟源域数据包括仿真交通场景图像数据与对应的标注标签，所述真实目标域数据包括真实交通场景图像数据中，所述虚拟源域数据包括仿真车辆驶入泊位的驶入数据、仿真车辆停靠泊位的停靠数据以及仿真车辆驶出泊位的驶出数据。

6.根据权利要求1所述的基于数字孪生的交通场景解析方法，其特征在于，所述虚拟源域数据分割结果为所述仿真交通场景图像中每个像素的每个类别的预测概率，所述真实目标域数据分割结果为所述真实交通场景图像中每个像素的每个类别的预测概率。