CN108875770A - 行人检测误报数据的标注方法、装置、系统和存储介质 - Google Patents
行人检测误报数据的标注方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN108875770A CN108875770A CN201810118918.4A CN201810118918A CN108875770A CN 108875770 A CN108875770 A CN 108875770A CN 201810118918 A CN201810118918 A CN 201810118918A CN 108875770 A CN108875770 A CN 108875770A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- data
- pedestrian detection
- wrong report
- sample
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种行人检测误报数据的标注方法、装置、系统和存储介质,所述方法包括:获取场景数据;对所述场景数据进行行人检测,得到行人预测框;以及基于所述行人预测框所标注的数据至少提取行人检测误报样本。根据本发明实施例的行人检测误报数据的标注方法、装置、系统和存储介质能够实现行人检测误报数据的自动标注,无需人力进行行人检测误报数据的标注,可以快速获得行人误报剔除模型的训练数据,提高行人误报剔除模型的训练效率,从而提高行人检测的可靠性。
Description
技术领域
本发明涉及行人检测技术领域,更具体地涉及一种行人检测误报数据的标注方法、装置、系统和存储介质。
背景技术
行人检测是视频结构化、人体姿态分析、人机交互中的重要入口型技术,任何与人相关的应用都会首先利用行人检测技术,确定人体所在的位置。然而,现有的行人检测模型仍有很大的缺陷,经常“误报”一些看上去像人的物体,因此在产品化过程中,常常需要一个小型快速的行人误报剔除模型来打磨算法性能。
然而,由于行人误报剔除模型需要拟合行人检测模型的分布情形,因此行人检测器更新一版,就需要重新标注数据和训练模型。模型训练可以通过扩展机器来加速,标注数据受限于人力成本,很难规模化增长,给产品更新换代造成了非常大的麻烦。
发明内容
本发明提出了一种关于行人检测误报数据的标注的方案,其旨在解决行人误报的标注问题。下面简要描述本发明提出的关于行人检测误报数据的标注的方案,更多细节将在后续结合附图在具体实施方式中加以描述。
根据本发明一方面,提供了一种行人检测误报数据的标注方法,所述方法包括:获取场景数据;对所述场景数据进行行人检测,得到行人预测框;以及基于所述行人预测框所标注的数据至少提取行人检测误报样本。
在一个实施例中,所述场景数据为不包含行人的数据,所述行人预测框所标注的数据均为行人检测误报样本。
在一个实施例中,所述不包含行人的数据是通过互联网获取的。
在一个实施例中,所述场景数据为包含行人的数据,所述方法还包括:基于所述行人预测框所标注的数据提取行人检测正确样本和行人检测误报样本。
在一个实施例中,所述行人检测正确样本和行人检测误报样本的提取是基于预先训练好的行人检测误报模型,所述行人检测误报模型确定所述行人预测框所标注的数据表示行人的概率,并基于所述概率与预定阈值的大小关系确定并提取所述行人检测正确样本和所述行人检测误报样本。
在一个实施例中,所述行人检测正确样本为所述行人预测框所标注的数据表示行人的概率大于第一阈值的样本,所述行人检测误报样本为所述行人预测框所标注的数据表示行人的概率小于第二阈值的样本,所述第二阈值小于所述第一阈值。
在一个实施例中,所述第一阈值为0.9,所述第二阈值为0.1。
在一个实施例中,所述方法还包括:当所述行人预测框所标注的数据表示行人的概率不大于所述第一阈值并且不小于所述第二阈值时,将该行人预测框所标注的数据作为舍弃样本并舍弃。
在一个实施例中,所述行人检测误报模型是基于101层深度残差网络或152层深度残差网络训练得到的。
根据本发明另一方面,提供了一种行人检测误报数据的标注装置,所述装置包括:数据获取模块,用于获取场景数据;行人检测模块,用于对所述数据获取模块获取的所述场景数据进行行人检测,得到行人预测框;以及样本提取模块,用于基于所述行人检测模块输出的所述行人预测框所标注的数据至少提取行人检测误报样本。
在一个实施例中,所述场景数据为不包含行人的数据,所述行人预测框所标注的数据均为行人检测误报样本。
在一个实施例中,所述不包含行人的数据是通过互联网获取的。
在一个实施例中,所述场景数据为包含行人的数据,所述样本提取模块还用于:基于所述行人预测框所标注的数据提取行人检测正确样本和行人检测误报样本。
在一个实施例中,所述样本提取模块基于预先训练好的行人检测误报模型提取所述行人检测正确样本和行人检测误报样本,所述样本提取模块基于所述行人检测误报模型确定所述行人预测框所标注的数据表示行人的概率,并基于所述概率与预定阈值的大小关系确定并提取所述行人检测正确样本和所述行人检测误报样本。
在一个实施例中,所述行人检测正确样本为所述行人预测框所标注的数据表示行人的概率大于第一阈值的样本,所述行人检测误报样本为所述行人预测框所标注的数据表示行人的概率小于第二阈值的样本,所述第二阈值小于所述第一阈值。
在一个实施例中,所述第一阈值为0.9,所述第二阈值为0.1。
在一个实施例中,所述样本提取模块还用于:当所述行人预测框所标注的数据表示行人的概率不大于所述第一阈值并且不小于所述第二阈值时,将该行人预测框所标注的数据作为舍弃样本并舍弃。
在一个实施例中,所述行人检测误报模型是基于101层深度残差网络或152层深度残差网络训练得到的。
根据本发明又一方面,提供了一种行人检测误报数据的标注系统,所述系统包括存储装置和处理器,所述存储装置上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行上述任一项所述的行人检测误报数据的标注方法。
根据本发明再一方面,提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序在运行时执行上述任一项所述的行人检测误报数据的标注方法。
根据本发明实施例的行人检测误报数据的标注方法、装置、系统和存储介质能够实现行人检测误报数据的自动标注,无需人力进行行人检测误报数据的标注,可以快速获得行人误报剔除模型的训练数据,提高行人误报剔除模型的训练效率,从而提高行人检测的可靠性。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出用于实现根据本发明实施例的行人检测误报数据的标注方法、装置、系统和存储介质的示例电子设备的示意性框图;
图2示出根据本发明实施例的行人检测误报数据的标注方法的示意性流程图;
图3示出根据本发明实施例的行人检测误报数据的标注装置的示意性框图;以及
图4示出根据本发明实施例的行人检测误报数据的标注系统的示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
首先,参照图1来描述用于实现本发明实施例的行人检测误报数据的标注方法、装置、系统和存储介质的示例电子设备100。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106以及输出装置108,这些组件通过总线系统110和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
示例性地,用于实现根据本发明实施例的行人检测误报数据的标注方法和装置的示例电子设备可以被实现诸如智能手机、平板电脑等等移动终端。
下面,将参考图2描述根据本发明实施例的行人检测误报数据的标注方法200。如图2所示,行人检测误报数据的标注方法200可以包括如下步骤:
在步骤S210,获取场景数据。
在步骤S220,对所述场景数据进行行人检测,得到行人预测框。
在步骤S230,基于所述行人预测框所标注的数据至少提取行人检测误报样本。
在本发明的实施例中,利用行人检测器对获取的场景数据进行行人检测,得到行人预测框,从而基于行人预测框所标注的数据获得行人检测误报样本,从而实现对行人检测误报数据的自动标注。
在一个实施例中,步骤S210中所获取的场景数据可以为不包含行人的数据,例如动物世界、海洋世界的图片和视频等。示例性地,可以通过互联网来获取不包含行人的数据。例如,可以通过网络爬虫来抓取不包含行人的数据。基于此,对不包含行人的该场景数据进行行人检测输出的行人预测框必然均是误报的结果。因此,可以将所有行人预测框标注的数据提取出来均作为行人检测误报样本,从而实现行人检测误报数据的自动标注。在该实施例中,从数据源着手,直接获取不包含行人的数据,使得直接得到行人检测误报样本,实现方便快捷的行人检测误报数据的自动标注。
在另一个实施例中,步骤S210中所获取的场景数据可以为包含行人的数据。基于此,对包含行人的该场景数据进行行人检测输出的行人预测框可能包括正确的行人检测结果,同时也包括误报的行人检测结果。因此,可以提取出误报的行人检测结果提取出来以得到行人检测误报样本。进一步地,还可以将正确的行人检测结果也提取出来作为行人检测正确样本。因为训练行人误报剔除模型时不仅需要行人检测误报样本,同时使用行人检测正确样本可以进一步训练出更精确的行人误报剔除模型。此外,与不包含行人的场景数据相比,包含行人的场景数据可能更接近真实的行人检测的应用场景,因此更利于训练出精确实用的行人误报剔除模型,从而提高行人检测的可靠性。
在一个实施例中,可以基于预先训练好的行人检测误报模型来确定行人预测框所标注的数据是行人检测正确样本还是行人检测误报样本。其中,该行人检测误报模型可以为基于101层深度残差网络(即ResNet-101)或152层深度残差网络(ResNet-152)训练得到的大模型。由于大模型的精度足够高,因此可以较为精确地标注数据。
在一个实施例中,该行人检测误报模型可以确定所述行人预测框所标注的数据表示行人的概率,并基于所述概率与预定阈值的大小关系确定并提取所述行人检测正确样本和所述行人检测误报样本。例如,为了得到更精确的标注数据,可以将行人检测正确样本定义为行人预测框所标注的数据表示行人的概率大于第一阈值的样本,将行人检测误报样本定义为行人预测框所标注的数据表示行人的概率小于第二阈值的样本,其中,所述第二阈值小于所述第一阈值。示例性地,第一阈值可以为0.9,第二阈值可以为0.1。进一步地,可以将行人预测框所标注的数据表示行人的概率不大于所述第一阈值并且不小于所述第二阈值的样本作为舍弃样本并舍弃。在该实施例中,可以得到更为精确的行人检测正确样本和行人检测误报样本。
在又一个实施例中,步骤S210中可以既获取不包含行人的数据,又获取包含行人的数据,此时可以将所获取的数据参照前述实施例分别执行相应的操作。
基于上面的描述,根据本发明实施例的行人检测误报数据的标注方法能够实现行人检测误报数据的自动标注,无需人力进行行人检测误报数据的标注,可以快速获得行人误报剔除模型的训练数据,提高行人误报剔除模型的训练效率,从而提高行人检测的可靠性。
以上示例性地描述了根据本发明实施例的行人检测误报数据的标注方法。示例性地,根据本发明实施例的行人检测误报数据的标注方法可以在具有存储器和处理器的设备、装置或者系统中实现。
此外,根据本发明实施例的行人检测误报数据的标注方法可以方便地部署到智能手机、平板电脑、个人计算机等移动设备上。替代地,根据本发明实施例的行人检测误报数据的标注方法还可以部署在服务器端(或云端)。替代地,根据本发明实施例的行人检测误报数据的标注方法还可以分布地部署在服务器端(或云端)和个人终端处。
下面结合图3描述本发明另一方面提供的行人检测误报数据的标注装置。图3示出了根据本发明实施例的行人检测误报数据的标注装置300的示意性框图。
如图3所示,根据本发明实施例的行人检测误报数据的标注装置300包括数据获取模块310、行人检测模块320和样本提取模块330。所述各个模块可分别执行上文中结合图2描述的行人检测误报数据的标注方法的各个步骤/功能。以下仅对行人检测误报数据的标注装置300的各模块的主要功能进行描述,而省略以上已经描述过的细节内容。
数据获取模块310用于获取场景数据。行人检测模块320用于对所述数据获取模块获取的所述场景数据进行行人检测,得到行人预测框。样本提取模块330用于基于所述行人检测模块输出的所述行人预测框所标注的数据至少提取行人检测误报样本。数据获取模块310、行人检测模块320和样本提取模块330均可以由图1所示的电子设备中的处理器102运行存储装置104中存储的程序指令来实现。
在本发明的实施例中,通过行人检测模块320对数据获取模块310获取的场景数据进行行人检测,得到行人预测框,从而由样本提取模块330基于行人预测框所标注的数据获得行人检测误报样本,从而实现对行人检测误报数据的自动标注。
在一个实施例中,数据获取模块310所获取的场景数据可以为不包含行人的数据,例如动物世界、海洋世界的图片和视频等。示例性地,数据获取模块310可以通过互联网来获取不包含行人的数据。例如,数据获取模块310可以通过网络爬虫来抓取不包含行人的数据。基于此,行人检测模块320对不包含行人的该场景数据进行行人检测输出的行人预测框必然均是误报的结果。因此,样本提取模块330可以将所有行人预测框标注的数据提取出来均作为行人检测误报样本,从而实现行人检测误报数据的自动标注。在该实施例中,从数据源着手,直接获取不包含行人的数据,使得直接得到行人检测误报样本,实现方便快捷的行人检测误报数据的自动标注。
在另一个实施例中,数据获取模块310所获取的场景数据可以为包含行人的数据。基于此,行人检测模块320对包含行人的该场景数据进行行人检测输出的行人预测框可能包括正确的行人检测结果,同时也包括误报的行人检测结果。因此,样本提取模块330可以提取出误报的行人检测结果提取出来以得到行人检测误报样本。进一步地,样本提取模块330还可以将正确的行人检测结果也提取出来作为行人检测正确样本。因为训练行人误报剔除模型时不仅需要行人检测误报样本,同时使用行人检测正确样本可以进一步训练出更精确的行人误报剔除模型。此外,与不包含行人的场景数据相比,包含行人的场景数据可能更接近真实的行人检测的应用场景,因此更利于训练出精确实用的行人检测误报模型,从而提高行人检测的可靠性。
在一个实施例中,样本提取模块330可以基于预先训练好的行人检测误报模型来确定行人预测框所标注的数据是行人检测正确样本还是行人检测误报样本。其中,该行人检测误报模型可以为基于101层深度残差网络(即ResNet-101)或152层深度残差网络(ResNet-152)训练得到的大模型。由于大模型的精度足够高,因此可以较为精确地标注数据。
在一个实施例中,样本提取模块330可以基于该行人检测误报模型可以确定所述行人预测框所标注的数据表示行人的概率,并基于所述概率与预定阈值的大小关系确定并提取所述行人检测正确样本和所述行人检测误报样本。例如,为了得到更精确的标注数据,可以将行人检测正确样本定义为行人预测框所标注的数据表示行人的概率大于第一阈值的样本,将行人检测误报样本定义为行人预测框所标注的数据表示行人的概率小于第二阈值的样本,其中,所述第二阈值小于所述第一阈值。示例性地,第一阈值可以为0.9,第二阈值可以为0.1。进一步地,样本提取模块330可以将行人预测框所标注的数据表示行人的概率不大于所述第一阈值并且不小于所述第二阈值的样本作为舍弃样本并舍弃。在该实施例中,可以得到更为精确的行人检测正确样本和行人检测误报样本。
在又一个实施例中,数据获取模块310可以既获取不包含行人的数据,又获取包含行人的数据,此时样本提取模块330可以将所获取的数据参照前述实施例分别执行相应的操作。
基于上面的描述,根据本发明实施例的行人检测误报数据的标注装置能够实现行人检测误报数据的自动标注,无需人力进行行人检测误报数据的标注,可以快速获得行人误报剔除模型的训练数据,提高行人误报剔除模型的训练效率,从而提高行人检测的可靠性。
图4示出了根据本发明实施例的行人检测误报数据的标注系统400的示意性框图。行人检测误报数据的标注系统400包括存储装置410以及处理器420。
其中,存储装置410存储用于实现根据本发明实施例的行人检测误报数据的标注方法中的相应步骤的程序代码。处理器420用于运行存储装置410中存储的程序代码,以执行根据本发明实施例的行人检测误报数据的标注方法的相应步骤,并且用于实现根据本发明实施例的行人检测误报数据的标注装置中的相应模块。此外,行人检测误报数据的标注系统400还可以包括图像采集装置(未在图4中示出),其可以用于采集场景数据。当然,图像采集装置不是必需的,可直接接收来自其他源的场景数据的输入。
在一个实施例中,在所述程序代码被处理器420运行时使得行人检测误报数据的标注系统400执行以下步骤:获取场景数据;对所述场景数据进行行人检测,得到行人预测框;以及基于所述行人预测框所标注的数据至少提取行人检测误报样本。
在一个实施例中,所述场景数据为不包含行人的数据,所述行人预测框所标注的数据均为行人检测误报样本。
在一个实施例中,所述不包含行人的数据是通过互联网获取的。
在一个实施例中,所述场景数据为包含行人的数据,在所述程序代码被处理器420运行时还使得行人检测误报数据的标注系统400执行以下步骤:基于所述行人预测框所标注的数据提取行人检测正确样本和行人检测误报样本。
在一个实施例中,在所述程序代码被处理器420运行时还使得行人检测误报数据的标注系统400执行的所述行人检测正确样本和行人检测误报样本的提取是基于预先训练好的行人检测误报模型,所述行人检测误报模型确定所述行人预测框所标注的数据表示行人的概率,并基于所述概率与预定阈值的大小关系确定并提取所述行人检测正确样本和所述行人检测误报样本。
在一个实施例中,所述行人检测正确样本为所述行人预测框所标注的数据表示行人的概率大于第一阈值的样本,所述行人检测误报样本为所述行人预测框所标注的数据表示行人的概率小于第二阈值的样本,所述第二阈值小于所述第一阈值。
在一个实施例中,所述第一阈值为0.9,所述第二阈值为0.1。
在一个实施例中,在所述程序代码被处理器420运行时还使得行人检测误报数据的标注系统400执行以下步骤:当所述行人预测框所标注的数据表示行人的概率不大于所述第一阈值并且不小于所述第二阈值时,将该行人预测框所标注的数据作为舍弃样本并舍弃。
在一个实施例中,所述行人检测误报模型是基于101层深度残差网络或152层深度残差网络训练得到的。
此外,根据本发明实施例,还提供了一种存储介质,在所述存储介质上存储了程序指令,在所述程序指令被计算机或处理器运行时用于执行本发明实施例的行人检测误报数据的标注方法的相应步骤,并且用于实现根据本发明实施例的行人检测误报数据的标注装置中的相应模块。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
在一个实施例中,所述计算机程序指令在被计算机运行时可以实现根据本发明实施例的行人检测误报数据的标注装置的各个功能模块,并且/或者可以执行根据本发明实施例的行人检测误报数据的标注方法。
在一个实施例中,所述计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤:获取场景数据;对所述场景数据进行行人检测,得到行人预测框;以及基于所述行人预测框所标注的数据至少提取行人检测误报样本。
在一个实施例中,所述场景数据为不包含行人的数据,所述行人预测框所标注的数据均为行人检测误报样本。
在一个实施例中,所述不包含行人的数据是通过互联网获取的。
在一个实施例中,所述场景数据为包含行人的数据,所述计算机程序指令在被计算机或处理器运行时还使计算机或处理器执行以下步骤:基于所述行人预测框所标注的数据提取行人检测正确样本和行人检测误报样本。
在一个实施例中,所述计算机程序指令在被计算机或处理器运行时还使计算机或处理器执行的所述行人检测正确样本和行人检测误报样本的提取是基于预先训练好的行人检测误报模型,所述行人检测误报模型确定所述行人预测框所标注的数据表示行人的概率,并基于所述概率与预定阈值的大小关系确定并提取所述行人检测正确样本和所述行人检测误报样本。
在一个实施例中,所述行人检测正确样本为所述行人预测框所标注的数据表示行人的概率大于第一阈值的样本,所述行人检测误报样本为所述行人预测框所标注的数据表示行人的概率小于第二阈值的样本,所述第二阈值小于所述第一阈值。
在一个实施例中,所述第一阈值为0.9,所述第二阈值为0.1。
在一个实施例中,所述计算机程序指令在被计算机或处理器运行时还使计算机或处理器执行以下步骤:当所述行人预测框所标注的数据表示行人的概率不大于所述第一阈值并且不小于所述第二阈值时,将该行人预测框所标注的数据作为舍弃样本并舍弃。
在一个实施例中,所述行人检测误报模型是基于101层深度残差网络或152层深度残差网络训练得到的。
根据本发明实施例的行人检测误报数据的标注装置中的各模块可以通过根据本发明实施例的行人检测误报数据的标注的电子设备的处理器运行在存储器中存储的计算机程序指令来实现,或者可以在根据本发明实施例的计算机程序产品的计算机可读存储介质中存储的计算机指令被计算机运行时实现。
根据本发明实施例的行人检测误报数据的标注方法、装置、系统和存储介质能够实现行人检测误报数据的自动标注,无需人力进行行人检测误报数据的标注,可以快速获得行人误报剔除模型的训练数据,提高行人误报剔除模型的训练效率,从而提高行人检测的可靠性。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种行人检测误报数据的标注方法,其特征在于,所述方法包括:
获取场景数据;
对所述场景数据进行行人检测,得到行人预测框;以及
基于所述行人预测框所标注的数据至少提取行人检测误报样本。
2.根据权利要求1所述的方法,其特征在于,所述场景数据为不包含行人的数据,所述行人预测框所标注的数据均为行人检测误报样本。
3.根据权利要求2所述的方法,其特征在于,所述不包含行人的数据是通过互联网获取的。
4.根据权利要求1所述的方法,其特征在于,所述场景数据为包含行人的数据,所述方法还包括:基于所述行人预测框所标注的数据提取行人检测正确样本和行人检测误报样本。
5.根据权利要求4所述的方法,其特征在于,所述行人检测正确样本和行人检测误报样本的提取是基于预先训练好的行人检测误报模型,所述行人检测误报模型确定所述行人预测框所标注的数据表示行人的概率,并基于所述概率与预定阈值的大小关系确定并提取所述行人检测正确样本和所述行人检测误报样本。
6.根据权利要求5所述的方法,其特征在于,所述行人检测正确样本为所述行人预测框所标注的数据表示行人的概率大于第一阈值的样本,所述行人检测误报样本为所述行人预测框所标注的数据表示行人的概率小于第二阈值的样本,所述第二阈值小于所述第一阈值。
7.根据权利要求6所述的方法,其特征在于,所述第一阈值为0.9,所述第二阈值为0.1。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
当所述行人预测框所标注的数据表示行人的概率不大于所述第一阈值并且不小于所述第二阈值时,将该行人预测框所标注的数据作为舍弃样本并舍弃。
9.根据权利要求5所述的方法,其特征在于,所述行人检测误报模型是基于101层深度残差网络或152层深度残差网络训练得到的。
10.一种行人检测误报数据的标注装置,其特征在于,所述装置包括:
数据获取模块,用于获取场景数据;
行人检测模块,用于对所述数据获取模块获取的所述场景数据进行行人检测,得到行人预测框;以及
样本提取模块,用于基于所述行人检测模块输出的所述行人预测框所标注的数据至少提取行人检测误报样本。
11.一种行人检测误报数据的标注系统,其特征在于,所述系统包括存储装置和处理器,所述存储装置上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1-9中的任一项所述的行人检测误报数据的标注方法。
12.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序在运行时执行如权利要求1-9中的任一项所述的行人检测误报数据的标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118918.4A CN108875770B (zh) | 2018-02-06 | 2018-02-06 | 行人检测误报数据的标注方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118918.4A CN108875770B (zh) | 2018-02-06 | 2018-02-06 | 行人检测误报数据的标注方法、装置、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875770A true CN108875770A (zh) | 2018-11-23 |
CN108875770B CN108875770B (zh) | 2021-11-19 |
Family
ID=64326005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810118918.4A Active CN108875770B (zh) | 2018-02-06 | 2018-02-06 | 行人检测误报数据的标注方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875770B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490058A (zh) * | 2019-07-09 | 2019-11-22 | 北京迈格威科技有限公司 | 行人检测模型的训练方法、装置、系统和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105518744A (zh) * | 2015-06-29 | 2016-04-20 | 北京旷视科技有限公司 | 行人再识别方法及设备 |
US20170046596A1 (en) * | 2015-08-12 | 2017-02-16 | International Business Machines Corporation | Self-optimized object detection using online detector selection |
CN106845387A (zh) * | 2017-01-18 | 2017-06-13 | 合肥师范学院 | 基于自学习的行人检测方法 |
-
2018
- 2018-02-06 CN CN201810118918.4A patent/CN108875770B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105518744A (zh) * | 2015-06-29 | 2016-04-20 | 北京旷视科技有限公司 | 行人再识别方法及设备 |
US20170046596A1 (en) * | 2015-08-12 | 2017-02-16 | International Business Machines Corporation | Self-optimized object detection using online detector selection |
CN106845387A (zh) * | 2017-01-18 | 2017-06-13 | 合肥师范学院 | 基于自学习的行人检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490058A (zh) * | 2019-07-09 | 2019-11-22 | 北京迈格威科技有限公司 | 行人检测模型的训练方法、装置、系统和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108875770B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680684B (zh) | 用于获取信息的方法及装置 | |
CN109543663B (zh) | 一种犬只身份识别方法、装置、系统及存储介质 | |
US20180260621A1 (en) | Picture recognition method and apparatus, computer device and computer- readable medium | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN108573268A (zh) | 图像识别方法和装置、图像处理方法和装置及存储介质 | |
CN109376267B (zh) | 用于生成模型的方法和装置 | |
CN109034069B (zh) | 用于生成信息的方法和装置 | |
CN113365147B (zh) | 基于音乐卡点的视频剪辑方法、装置、设备及存储介质 | |
CN108875523A (zh) | 人体关节点检测方法、装置、系统和存储介质 | |
CN108509921B (zh) | 用于生成信息的方法和装置 | |
CN110363084A (zh) | 一种上课状态检测方法、装置、存储介质及电子 | |
CN108875481A (zh) | 用于行人检测的方法、装置、系统及存储介质 | |
US11048917B2 (en) | Method, electronic device, and computer readable medium for image identification | |
US9329979B2 (en) | Derivation of generalized test cases | |
CN113723169A (zh) | 基于SlowFast的行为识别方法、系统及设备 | |
CN109165574B (zh) | 视频检测方法和装置 | |
CN112509690A (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
CN109299279B (zh) | 一种数据处理方法、设备、系统和介质 | |
CN111209409A (zh) | 数据匹配方法及装置、存储介质及电子终端 | |
CN108875483A (zh) | 图像检测方法、装置、系统和计算机可读介质 | |
CN114051630A (zh) | 多种杂草检测 | |
CN108875489A (zh) | 人脸检测方法、装置、系统、存储介质和抓拍机 | |
CN106980658A (zh) | 视频标注方法及装置 | |
CN110490058A (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
CN108875500A (zh) | 行人再识别方法、装置、系统及存储介质 |
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 |