CN109147093B - 一种图片样本采集设备及方法 - Google Patents
一种图片样本采集设备及方法 Download PDFInfo
- Publication number
- CN109147093B CN109147093B CN201811024052.7A CN201811024052A CN109147093B CN 109147093 B CN109147093 B CN 109147093B CN 201811024052 A CN201811024052 A CN 201811024052A CN 109147093 B CN109147093 B CN 109147093B
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- picture
- module
- real
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图片样本采集设备,包括输入输出模块、环境因素自动获取模块、实时样本生成模块、矫正样本生成模块、样本分类器、数据存储模块和数据转发模块,所述环境因素自动获取模块用于自动获取样本的环境因素;所述实时样本生成模块用于实时采集画面样本并存储;所述样本分类器用于对采集的样本进行自动识别分类并检测出错误分类样本;所述矫正样本生成模块用于对被所述样本分类器识别的错误分类样本进行矫正,并将矫正结果保存为矫正样本;所述数据存储模块用于将采集的样本进行存储;所述数据转发模块用于将采集的样本通过网络进行转发。采用该技术方案解决了现有样本采集中样本数量大、占用存储空间大及样本不够多样化等问题。
Description
技术领域
本发明涉人工智能领域,特别涉及一种图片样本采集设备及方法。
背景技术
人工智能(AI:Artificial Intelligence)时代,得益于深度学习技术、车联网(V2X)技术的发展,基于摄像头的环境感知将应用于智能驾驶、高精度地图、人脸识别等各种应用场景,但是受成像条件和学习样本限制。成像条件指路面状况,天气状况等客观因素;而学习样本是指在深度学习过程中,用于训练的图片样本。
基于深度学习技术,摄像头对环境感知的效果很大程度依赖于训练样本是否丰富多样。以行人检测为例,训练样本的采集需要包含各种环境场景因素及各种目标类型:
1)环境场景因素包括:
季节:春/夏/秋/冬;
时间:白天/夜晚/傍晚/黎明;
天气:晴/多云/雨/雾/冰雪;
场地类别:城市道路/高速公路/乡村/停车场/隧道;
光照强度:1级/2级/3级/4级…;
2)目标类型包括:
行人类型:成人/小孩/老人
衣着类型:汉族/壮族/满族/回族等等;
衣着颜色:深颜色/浅颜色;
行人体型:完整的人/骑车的人/上半身行人/撑伞的行人等等;
行人姿态:禁止/行走/跑步等等;
可见,如何快速获取到丰富的训练样本,是深度学习需要解决的问题。现阶段,训练样本的获取步骤包括采集视频、视频转换成图片、图片切割出样本;每个过程都需要用专门的工具花费大量的人力、物力和时间,一方面,采集的数据冗余度高,可用性低,另一方面,样本不够多样化,不满足竞争激烈下的快速技术突破需求。
现有技术存在的问题如下:
1)采集视频时录制的视频数据量大,每秒差不多产生70M左右的视频数据,很耗数据存储资源;视频转换成图片后,图片同样占据很大的存储资源;而且这么大的数据存储需求,由于缺少比较高效的存储控制策略,数据存储的工作很费时间。
2)新样本与旧样本冗余度高,造成样本可用性低。
3)样本难以做统计与分析,难以评估样本覆盖率,难以对样本采集工作做出专业的评估与计划。
4)样本需求量大且场景众多,但采集工作却未普及到各场景当事人,采集的数据不够多样化。
发明内容
本发明实施例的目的在于提供一种图片样本采集设备及方法,解决了现有样本采集中样本数量大、占用存储空间大及样本不够多样化等问题。
本发明实施例提供的一种图片样本采集设备,包括输入输出模块、环境因素自动获取模块、实时样本生成模块、矫正样本生成模块、样本分类器、数据存储模块和数据转发模块,所述输入输出模块用于实现设备的输入输出功能;所述环境因素自动获取模块用于自动获取样本的环境因素;所述实时样本生成模块用于实时采集画面样本并存储;所述样本分类器用于对采集的样本进行自动识别分类并检测出错误分类样本;所述矫正样本生成模块用于对被所述样本分类器识别的错误分类样本进行矫正,并将矫正结果保存为矫正样本;所述数据存储模块用于将采集的样本进行存储;所述数据转发模块用于将采集的样本通过网络进行转发。
可选地,所述数据存储模块删除实时图片样本中检测没有错误分类的样本,保存检测错误分类的实时样本和对应的矫正样本。
可选地,所述图片样本采集设备与云端服务器通讯连接,同步所述云端服务器中的样本分类器。
可选地,所述云端服务器包括分类器管理模块、样本管理模块和样本统计与分析模块,所述分类器管理模块用于实现对样本分类器的版本管理及推送各种样本分类器给所述图片样本采集设备;所述样本管理模块用于实现对样本分类存储;所述样本统计与分析模块用于实现对样本进行统计分析。
可选地,所述实时样本生成模块还用于将摄像机实时采集的视频图像实时转换为图片,并将图片保存为实时样本。
可选地,所述样本分类器对采集的所述图片样本进行分类编码标记,将各层编码值写入文件名,文件中存储当前采集数据的时间和地点。
另外,本发明还提供了一种图片样本采集方法,包括:
Step1:进入监控模式,实时采集和显示视频图像;
Step2:判断是否进入实时样本采集模式,是则实时采集视频图像的画面样本并存储;
Step3:否则进入矫正样本采集模式,检测出错误目标,并将矫正结果保存为矫正样本;
Step4:判断是否退出样本采集模式,如果否则转入step2,如果是则进一步判断是否进入优化存储数据,是则优化存储数据,否则跳转至下一步,其中,所述优化存储数据是遍历实时采集的样本,判断实时采集的样本是否被矫正过,是则更改文件名及样本存储文档,否则删除;
Step5:判断是否转发数据,是则转发,否则暂不转发数据;
Step6:判断是否进入视频监控模式,是则进入step1,否则退出。
可选地,采集实时样本包括采集实时样本参数配置、环境因素自动获取、视频数据采集、按照样本参数配置中的样本参数将视频数据实时转成图片数据并保存。
可选地,所述样本参数配置包括:视频转成图片的格式、图片数量、生成图片的时间间隔、图片像素。
可选地,采集矫正样本包括:下载最新样本分类器;选择采集实时样本过程中保存的图片;利用最新的样本分类器对选中样本进行识别;针对样本识别的结果,对识别错误分类的样本进行矫正,标注出正确的形状及类别并保存检测的错误分类的实时样本和对应的矫正样本。
由上可见,应用本实施例技术方案,由于有选择的采集和保存样本,同时,样本采集时自动获取环境因素对样本做分层分类标记供云端服务器对样本进行分类存储、统计与分析,实现了便捷的样本采集,解决了现有样本采集中样本数量大、样本可用性低、占用存储空间大、数据存储工作繁琐、样本不够多样化和样本难以统计与分析等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种图片样本采集设备结构示意图;
图2为本发明提供的一种图片样本采集方法流程图;
图3为本发明提供的一种优化存储数据流程图;
图4为本发明提供的一种采集实时样本流程图;
图5为本发明提供的一种采集矫正样本流程图;
图6为本发明提供的一种类别矫正示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本实施例提供一种图片样本采集设备,如图1所示,包括输入输出模块、环境因素自动获取模块、实时样本生成模块、矫正样本生成模块、样本分类器、数据存储模块和数据转发模块。
其中,所述输入输出模块用于实现设备的输入输出功能,例如,输入设备工作模式;输出采集的视频图像至显示屏进行显示。所述环境因素自动获取模块用于自动获取样本的环境因素:季节(春/夏/秋/冬)、时间(白天/夜晚/傍晚/黎明)、天气(晴/多云/雨/雾/冰雪)、场地类别(城市道路/高速公路/乡村/停车场/隧道)、光照强度:1级/2级/3级/4级等。所述实时样本生成模块通过前端摄像机采集前端视频图像信号,并将其通过传输线缆将视频图像信号传输至视频显示器,视频显示器实时显示采集的视频图像,将实时采集的视频图像实时转换为图片,并将图片保存为实时样本并存储;所述样本分类器用于对采集的样本进行自动识别分类并检测出错误分类样本,例如:行人、车辆、交通标识等类别,将采集的所述图片样本依据类别及环境因素采用二维码进行多层分类编码标记,最后将各层编码值写入文件名,同时,文档文件存储当前采集数据的时间,采集的地点位置信息,供云端服务器对样本进行分类存储,统计与分析。所述矫正样本生成模块用于对被所述样本分类器识别的错误分类的样本进行矫正,并将矫正结果保存为矫正样本;所述数据存储模块用于将采集的样本进行存储;所述数据存储模块优化存储数据,删除实时图片样本中检测没有错误的样本,只保存检测到的错误分类的实时样本和对应的矫正样本。所述数据转发模块用于将采集的样本通过网络进行转发。
可以但不限于,所述图片样本采集设备与云端服务器通讯连接,同步所述云端服务器中的最新样本分类器。所述云端服务器包括分类器管理模块、样本管理模块和样本统计与分析模块,所述分类器管理模块用于实现对样本分类器的版本管理及推送各种样本分类器给所述图片样本采集设备;所述样本管理模块用于实现对样本分类存储;所述样本统计与分析模块用于实现对样本进行统计分析,例如:可统计“春季/白天/晴天/城市道路/光照强度为1级/行人”样本数量及路径。
采集的图片样本中,被样本分类器自动识别的错误图片样本才会被矫正,这样的样本才有价值;样本分类器自动识别的正确图片样本,说明样本库中已经有相关的样本,之前已经用来训练过,样本分类器已经能够识别了,就不需要再采集冗余的样本。
可见,本申请提供的一种图片样本采集设备,便于样本的统计与分析;能够减少样本数量,减少存储空间;简化样本生成流程,普通用户也可以用该设备提供图片样本,解决样本不够多样化的问题。
实施例2:
本发明还提供了一种图片样本采集方法,如图2所示,包括:
Step1:开机,进入监控模式,通过前端摄像机采集前端视频图像信号,并将其通过传输线缆将视频图像信号传输至视频显示器,视频显示器实时显示采集的视频图像;
Step2:判断是否进入实时样本采集模式,是则进入实时样本采集模式实时采集视频图像的画面样本并存储;
Step3:否则进入矫正样本采集模式,检测出错误目标,并将矫正结果保存为矫正样本;
Step4:判断是否退出样本采集模式,如果否则转入step2,如果是则进一步判断是否进入优化存储数据,是则优化存储数据,否则跳转至下一步,其中,所述优化存储数据是遍历实时采集的样本,判断实时采集的样本是否被矫正过,是则更改文件名及样本存储文档,否则删除,如图3所示;
Step5:判断是否转发数据,是则转发,否则暂不转发数据;
Step6:判断是否进入视频监控模式,是则进入step1,否则退出设备,关闭电源。
可以但不限于,如图4所示,采集实时样本包括:
1、采集实时样本参数配置;
需要配置如下参数:
1)视频转成图片的格式,例如:bmp/jpeg/png
2)图片数量,例如:10000
3)生成图片的时间间隔,例如:每秒采集1张
4)图片像素,例如:1280*720
2、环境因素自动获取;
获取的环境因素有:季节(春/夏/秋/冬)、时间(白天/夜晚/傍晚/黎明)、天气(晴/多云/雨/雾/冰雪)、场地类别(城市道路/高速公路/乡村/停车场/隧道)、光照强度:1级/2级/3级/4级…;
3、视频数据采集;采集前端视频图像信号;
4、视频数据实时转成图片数据,按照1中配置的样本参数进行数据的实时转换;
5、保存数据,样本依据类别及环境因素采用二维码对样本进行多层分类编码标记,最后将各层编码值写入文件名中,同时,文档文件存储当前采集数据的时间,采集的地点位置信息,供后续样本分类存储,统计与分析。
可以但不限于,如图5所示,采集矫正样本包括:
1、云端服务器下载最新样本分类器;
2、选择采集实时样本过程中保存的图片;
3、利用最新的样本分类器对选中样本进行识别;
4、针对上步样本识别的结果中,识别错误的样本进行矫正,标注出正确的形状及类别。如图6所示,左图为识别错误的类别:路标;右图为更正后的类别:行人。
5、保存数据,保存检测有错误的实时样本和对应的矫正样本,样本依据类别及环境因素采用二维码进行多层分类编码标记,最后将各层编码值写入文件名中,同时,文档文件存储当前采集数据的时间,采集的地点位置信息,供后续样本分类存储,统计与分析。
采集的图片样本中,被样本分类器自动识别的错误图片样本才会被矫正,这样的样本才有价值;样本分类器自动识别的正确图片样本,说明样本库中已经有相关的样本,之前已经用来训练过,样本分类器已经能够识别了,就不需要再采集冗余的样本。
可见,本申请提供的一种图片样本采集方法,便于样本的统计与分析;能够减少样本数量,减少存储空间;简化样本生成流程,解决样本不够多样化的问题。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (9)
1.一种图片样本采集设备,其特征在于,包括输入输出模块、环境因素自动获取模块、实时样本生成模块、矫正样本生成模块、样本分类器、数据存储模块和数据转发模块,所述输入输出模块用于实现设备的输入输出功能;所述环境因素自动获取模块用于自动获取样本的环境因素;所述实时样本生成模块用于实时采集画面样本并存储;所述样本分类器用于对采集的样本进行自动识别分类并检测出错误分类样本;所述矫正样本生成模块用于对被所述样本分类器识别的错误分类样本进行矫正,并将矫正结果保存为矫正样本;所述数据存储模块用于将采集的样本进行存储,所述数据存储模块删除实时图片样本中检测没有错误分类的样本,保存检测的错误分类的实时样本和对应的矫正样本;所述数据转发模块用于将采集的样本通过网络进行转发。
2.如权利要求1所述的一种图片样本采集设备,其特征在于,所述图片样本采集设备与云端服务器通讯连接,同步所述云端服务器中的样本分类器。
3.如权利要求2所述的一种图片样本采集设备,其特征在于,所述云端服务器包括分类器管理模块、样本管理模块和样本统计与分析模块,所述分类器管理模块用于实现对样本分类器的版本管理及推送各种样本分类器给所述图片样本采集设备;所述样本管理模块用于实现对样本分类存储;所述样本统计与分析模块用于实现对样本进行统计分析。
4.如权利要求3所述的一种图片样本采集设备,其特征在于,所述实时样本生成模块还用于将摄像机实时采集的视频图像实时转换为图片,并将图片保存为实时样本。
5.如权利要求4所述的一种图片样本采集设备,其特征在于,所述样本分类器对采集的所述图片样本进行分类编码标记,将各层编码值写入文件名,文件中存储当前采集数据的时间和地点。
6.一种图片样本采集方法,其特征在于,包括:
Step1:进入监控模式,实时采集和显示视频图像;
Step2:判断是否进入实时样本采集模式,是则实时采集视频图像的画面样本并存储;
Step3:否则进入矫正样本采集模式,检测出错误目标,并将矫正结果保存为矫正样本;
Step4:判断是否退出样本采集模式,如果否则转入step2,如果是则进一步判断是否进入优化存储数据,是则优化存储数据,否则跳转至下一步,其中,所述优化存储数据是遍历实时采集的样本,判断实时采集的样本是否被矫正过,是则更改文件名及样本存储文档,否则删除;
Step5:判断是否转发数据,是则转发,否则暂不转发数据;
Step6:判断是否进入视频监控模式,是则进入step1,否则退出。
7.如权利要求6所述的一种图片样本采集方法,其特征在于,采集实时样本包括采集实时样本参数配置、环境因素自动获取、视频数据采集、按照样本参数配置中的样本参数将视频数据实时转成图片数据并保存。
8.如权利要求7所述的一种图片样本采集方法,其特征在于,所述样本参数配置包括:视频转成图片的格式、图片数量、生成图片的时间间隔、图片像素。
9.如权利要求6或7所述的一种图片样本采集方法,其特征在于,采集矫正样本包括:下载最新样本分类器;选择采集实时样本过程中保存的图片;利用最新的样本分类器对选中样本进行识别;针对样本识别的结果,对识别的错误分类样本进行矫正,标注出正确的形状及类别并保存检测的错误类别的实时样本和对应的矫正样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024052.7A CN109147093B (zh) | 2018-09-04 | 2018-09-04 | 一种图片样本采集设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024052.7A CN109147093B (zh) | 2018-09-04 | 2018-09-04 | 一种图片样本采集设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109147093A CN109147093A (zh) | 2019-01-04 |
CN109147093B true CN109147093B (zh) | 2021-01-12 |
Family
ID=64826552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811024052.7A Active CN109147093B (zh) | 2018-09-04 | 2018-09-04 | 一种图片样本采集设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109147093B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990496A (zh) * | 2019-12-18 | 2020-04-10 | 广州澳盾智能科技有限公司 | 一种针对多样化生物数据即时处理方法 |
CN111310826B (zh) * | 2020-02-13 | 2024-02-02 | 南京旷云科技有限公司 | 样本集的标注异常检测方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955718A (zh) * | 2014-05-15 | 2014-07-30 | 厦门美图之家科技有限公司 | 一种图像主体对象的识别方法 |
CN106971205A (zh) * | 2017-04-06 | 2017-07-21 | 哈尔滨理工大学 | 一种基于k近邻互信息估计的嵌入式动态特征选择方法 |
CN107153844A (zh) * | 2017-05-12 | 2017-09-12 | 上海斐讯数据通信技术有限公司 | 对花卉识别系统进行改进的辅助系统和进行改进的方法 |
CN107506362A (zh) * | 2016-11-23 | 2017-12-22 | 上海大学 | 基于用户群优化的图像分类仿脑存储方法 |
CN107566907A (zh) * | 2017-09-20 | 2018-01-09 | 广东欧珀移动通信有限公司 | 视频剪辑方法、装置、存储介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180239969A1 (en) * | 2017-02-23 | 2018-08-23 | Ford Global Technologies, Llc | Free Space Detection Using Monocular Camera and Deep Learning |
-
2018
- 2018-09-04 CN CN201811024052.7A patent/CN109147093B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955718A (zh) * | 2014-05-15 | 2014-07-30 | 厦门美图之家科技有限公司 | 一种图像主体对象的识别方法 |
CN107506362A (zh) * | 2016-11-23 | 2017-12-22 | 上海大学 | 基于用户群优化的图像分类仿脑存储方法 |
CN106971205A (zh) * | 2017-04-06 | 2017-07-21 | 哈尔滨理工大学 | 一种基于k近邻互信息估计的嵌入式动态特征选择方法 |
CN107153844A (zh) * | 2017-05-12 | 2017-09-12 | 上海斐讯数据通信技术有限公司 | 对花卉识别系统进行改进的辅助系统和进行改进的方法 |
CN107566907A (zh) * | 2017-09-20 | 2018-01-09 | 广东欧珀移动通信有限公司 | 视频剪辑方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN109147093A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morishita et al. | SakuraSensor: Quasi-realtime cherry-lined roads detection through participatory video sensing by cars | |
CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
DE102012218390A1 (de) | Optimierung der Erkennung von Objekten in Bildern | |
CN109147093B (zh) | 一种图片样本采集设备及方法 | |
CN115187742B (zh) | 自动驾驶仿真测试场景生成方法、系统及相关装置 | |
CN112200172A (zh) | 一种可行驶区域的检测方法及装置 | |
WO2020007589A1 (en) | Training a deep convolutional neural network for individual routes | |
US11521375B2 (en) | Method and system for improved object marking in sensor data | |
Smith et al. | Classification of sidewalks in street view images | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
CN111144467A (zh) | 一种场景因素获取的实现方法及系统 | |
CN113771573A (zh) | 一种基于识别路面信息的车辆悬架控制方法及装置 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
CN114998570B (zh) | 一种对象检测框的确定方法、装置、存储介质及电子装置 | |
CN115909241A (zh) | 一种车道线检测方法、系统、电子设备和存储介质 | |
CN113421067A (zh) | 一种共享自行车品牌识别与数量管理方法及系统 | |
CN112597874A (zh) | 信号灯的识别方法、装置及计算机可读存储介质 | |
JP2012203722A (ja) | 地物選定システム、地物選定プログラム及び地物選定方法 | |
CN110446106A (zh) | 一种前置摄像头文件的识别方法、电子设备及存储介质 | |
CN112308904A (zh) | 一种基于视觉的建图方法、装置及车载终端 | |
Dufek et al. | Analysis of the approach of the municipalities to the Smart City conception and selected examples of its applications | |
Zachar et al. | Cenagis-Als Benchmark-New Proposal for Dense ALS Benchmark Based on the Review of Datasets and Benchmarks for 3d Point Cloud Segmentation | |
CN117685954B (zh) | 一种用于矿区的多模态语义地图构建系统和方法 | |
CN114913419B (zh) | 一种智慧停车目标检测方法及系统 | |
CN109446361A (zh) | 一种图片样本标记装置及方法 |
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 |