BEV模型训练方法、装置、电子设备及可读存储介质与流程

本申请涉及计算机，具体而言，涉及一种bev模型训练方法、装置、电子设备及可读存储介质。

背景技术：

1、随着自动驾驶技术的发展，利用多种传感器的融合从而实现对周围环境的感知是各个厂家使用的方案，bev((bird's eye view，鸟瞰图)为多个传感器的融合提供了一种公共的特征表示，不管是基于不同的相机还是雷达，只要将特征投影在bev空间中就可以实现不同特征的对齐，然后将对齐的特征送入到后续的网络中实现分类和检测的功能。

2、目前在训练bev模型时，一般是基于最后的输出结果和真值(即标签)进行损失计算，进而基于计算出的损失利用梯度的反向传播来更新bev模型。上述训练方式无法使得bev模型生成质量较佳的bev特征，导致训练出的bev模型性能不佳。

技术实现思路

1、本申请实施例提供了一种bev模型训练方法、装置、电子设备及可读存储介质，其在bev模型训练过程中利用真值对生成的bev特征进行监督，从而使得bev模型可生成质量较佳的bev特征，提升训练出的bev模型性能。

2、本申请的实施例可以这样实现：

3、第一方面，本申请实施例提供一种bev模型训练方法，所述方法包括：

4、针对本批次的各样本，利用bev特征生成网络获得各样本对应的第一bev特征；

5、根据各样本对应的标签，从各样本对应的第一bev特征中抽取得到第二bev特征；

6、根据各样本对应的标签，生成各样本对应的标准bev特征，其中，所述第二bev特征与所述标准bev特征维度相同；

7、根据各样本对应的第二bev特征及标准bev特征，计算得到特征损失；

8、根据获得的损失对当前bev模型的参数进行调整，以得到目标bev模型，其中，获得的损失中包括所述特征损失，bev模型包括bev特征分析网络及所述bev特征生成网络。

9、第二方面，本申请实施例提供一种bev模型训练装置，所述装置包括：

10、特征获得模块，用于针对本批次的各样本，利用bev特征生成网络获得各样本对应的第一bev特征；

11、提取模块，根据各样本对应的标签，从各样本对应的第一bev特征中抽取得到第二bev特征；

12、标签处理模块，根据各样本对应的标签，生成各样本对应的标准bev特征，其中，所述第二bev特征与所述标准bev特征维度相同；

13、特征损失计算模块，根据各样本对应的第二bev特征及标准bev特征，计算得到特征损失；

14、调整模块，根据获得的损失对当前bev模型的参数进行调整，以得到目标bev模型，其中，获得的损失中包括所述特征损失，bev模型包括bev特征分析网络及所述bev特征生成网络。

15、第三方面，本申请实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式所述的bev模型训练方法。

16、第四方面，本申请实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式所述的bev模型训练方法。

17、本申请实施例提供的bev模型训练方法、装置、电子设备及可读存储介质，针对本批次的各训练样本，利用bev特征生成网络获得各样本对应的第一bev特征，并基于各样本对应的标签，从各样本对应的第一bev特征中抽取得到第二bev特征，还基于各样本对应的标签生成各样本对应的标准bev特征，该标准bev特征与第二bev特征维度相同；之后，根据各样本对应的第二bev特征及标准bev特征，计算得到特征损失，进而基于获得的包括特征损失的损失对当前bev模型的参数进行调整，以得到目标bev模型，其中，bev模型包括bev特征分析网络及bev特征生成网络。如此，通过在bev模型训练过程中利用真值对生成的bev特征进行监督，从而使得bev模型可生成质量较佳的bev特征，提升训练出的bev模型性能。

1.一种鸟瞰图bev模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，本批次的样本为多个，所述根据各样本对应的第二bev特征及标准bev特征，计算得到特征损失，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据目标相似度矩阵及所述第一相似度矩阵，计算得到所述特征损失，包括：

4.根据权利要求3所述的方法，其特征在于，所述第一特征损失、所述第二特征损失为通过交叉熵损失函数计算得到的损失。

5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述标签中包括检测框的标准坐标及标准类别，所述根据各样本对应的标签，生成各样本对应的标准bev特征，包括：

6.根据权利要求1-4中任意一项所述的方法，其特征在于，所述标签中包括检测框的标准坐标及标准类别，所述根据各样本对应的标签，从各样本对应的第一bev特征中抽取得到第二bev特征，包括：

7.根据权利要求1-4中任意一项所述的方法，其特征在于，在所述根据获得的损失对当前bev模型的参数进行调整，以得到目标bev模型之前，所述方法还包括：

8.一种bev模型训练装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现权利要求1-7中任意一项所述的bev模型训练方法。

10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的bev模型训练方法。