CN109740632B - 基于多传感器多被测对象的相似度模型训练方法和装置 - Google Patents
基于多传感器多被测对象的相似度模型训练方法和装置 Download PDFInfo
- Publication number
- CN109740632B CN109740632B CN201811497794.1A CN201811497794A CN109740632B CN 109740632 B CN109740632 B CN 109740632B CN 201811497794 A CN201811497794 A CN 201811497794A CN 109740632 B CN109740632 B CN 109740632B
- Authority
- CN
- China
- Prior art keywords
- similarity
- detection
- detection results
- detection result
- result
- 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
- 238000012549 training Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 359
- 238000002372 labelling Methods 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000003491 array Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种基于多传感器多被测对象的相似度模型训练方法和装置，其中，方法包括：获取各传感器的检测结果，以及获取各被测对象的标注结果，对各检测结果，计算相应检测结果与各标注结果之间的第一相似度，根据第一相似度，确定不同检测结果之间的第二相似度，根据不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本，采用正样本和负样本，对相似度模型进行训练，通过计算各传感器的检测结果之间的相似度，确定相似结果组合的正样本，以及不相似结果组合的负样本，基于正负样本对模型进行训练，提高了训练得到的相似度模型的准确度。
Description
技术领域
本发明涉及传感器检测技术领域，尤其涉及一种基于多传感器多被测对象的相似度模型训练方法和装置。
背景技术
多传感器信息融合(Multi-sensor Information Fusion，MSIF)，就是利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性。
相关技术中，基于多传感器融合的感知流程中，传感器的检测结果中融合特征的提取和融合都是依赖经验的启发式算法的设计，但是，这种设计依赖人的经验，缺乏数据的支撑，而且当融合特征组合变化的时候，融合策略的调制也比较复杂，且效率较低。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种基于多传感器多被测对象的相似度模型训练方法，通过计算各传感器的检测结果之间的相似度，确定相似结果组合的正样本，以及不相似结果组合的负样本，基于正负样本对模型进行训练，使得训练得到的模型的使用不受场景的限制，同时，提高了训练得到的相似度模型的准确度，解决了相关技术中，对多个传感器的检测结果进行相似度确定时，没有数据的支撑，是基于人为经验设计，无法适应检测结果特征多变的场景，效率较低，准确度较差的问题。
本发明的第二个目的在于提出一种障碍物检测方法。
本发明的第三个目的在于提出一种基于多传感器多被测对象的相似度模型训练装置。
本发明的第四个目的在于提出一种障碍物检测装置。
本发明的第五个目的在于提出一种计算机设备。
本发明的第六个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种基于多传感器多被测对象的相似度模型训练方法，其中，相似度模型用于确定多传感器的检测结果间相似度，包括：
获取各传感器的检测结果，以及获取各被测对象的标注结果；
对各检测结果，计算相应检测结果与各标注结果之间的第一相似度；
根据所述第一相似度，确定不同检测结果之间的第二相似度；
根据所述不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本；
采用所述正样本和所述负样本，对所述相似度模型进行训练。
为达上述目的，本发明第二方面实施例提出了一种障碍物检测方法，包括：
采用经过如第一方面所述的方法进行训练的相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似；
确定相似的检测结果对应同一障碍物；
根据对应同一障碍物的检测结果，进行障碍物检测。
为达上述目的，本发明第三方面实施例提出了一种基于多传感器多被测对象的相似度模型训练装置，所述相似度模型用于确定多传感器的检测结果间相似度，所述装置包括：
获取模块，用于获取各传感器的检测结果，以及获取各被测对象的标注结果；
计算模块，用于对各检测结果，计算相应检测结果与各标注结果之间的第一相似度；
确定模块，用于根据所述第一相似度，确定不同检测结果之间的第二相似度；
生成模块，用于根据所述不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本；
训练模块，用于采用所述正样本和所述负样本，对所述相似度模型进行训练。
为了实现上述目的，本发明第四方面实施例提出了一种障碍物检测装置，所述装置包括：
确定模块，用于获取如第三方面所述的相似度模型训练装置训练得到的相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似；确定相似的检测结果对应同一障碍物；
检测模块，用于根据对应同一障碍物的检测结果，进行障碍物检测。
为了实现上述目的，本发明第五方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面所述的基于多传感器多被测对象的相似度模型训练方法，或者，实现如第二方面所述的障碍物检测方法。
为了实现上述目的，本发明第六方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如第一方面所述的基于多传感器多被测对象的相似度模型训练方法，或者，实现如第二方面所述的障碍物检测方法。
本发明实施例所提供的技术方案可以包含如下的有益效果：
获取各传感器的检测结果，以及获取各被测对象的标注结果，对各检测结果，计算相应检测结果与各标注结果之间的第一相似度，根据第一相似度，确定不同检测结果之间的第二相似度，根据不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本，采用正样本和负样本，对相似度模型进行训练，通过计算各传感器的检测结果之间的相似度，确定相似结果组合的正样本，以及不相似结果组合的负样本，基于正负样本对模型进行训练，使得训练得到的模型的使用不受场景的限制，同时，提高了训练得到的相似度模型的准确度。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种基于多传感器多被测对象的相似度模型训练方法的流程示意图；
图2为本发明实施例提供的另一种基于多传感器多被测对象的相似度模型训练方法的流程示意图；
图3为本发明实施例提供的又一种基于多传感器多被测对象的相似度模型训练方法的流程示意图；
图4为本发明实施例所提供的一种障碍物检测方法的流程示意图；
图5为本发明实施例提供的一种基于多传感器多被测对象的相似度模型训练装置的结构示意图；
图6为本发明实施例所提供的一种障碍物检测装置的结构示意图；以及
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于多传感器多被测对象的相似度模型训练方法和装置。
图1为本发明实施例所提供的一种基于多传感器多被测对象的相似度模型训练方法的流程示意图，其中，相似度模型用于确定多传感器的检测结果间相似度。
如图1所示，该方法包括以下步骤：
步骤101，获取各传感器的检测结果，以及获取各被测对象的标注结果。
其中，各传感器是指设备中安装的多种传感器，例如，图像传感器、激光雷达，毫米波雷达等等。
具体地，分别从各传感器获取对同一场景内的多个被测对象进行检测得到的检测结果，其中，检测结果可以是被测对象的位置，也可以是被测对象的外形尺寸等，具体检测结果的内容是与传感器相对应的，例如图像传感器可以检测到被测对象的位置和颜色，雷达可以检测到被测对象的外形尺寸。本步骤中，还需要获取人工方式对各被测对象的位置、外形尺寸的标注结果。
需要说明的是，由于各传感器在检测时，由于误差的存在，尽管各传感器在同一时刻进行检测，但检测到的被测对象的个数可能是不同的，从而检测结果的个数也相应是不同的。此外，还有可能各传感器测量时刻是不同的，也会导致检测结果的不同。
步骤102，对各检测结果，计算相应检测结果与各标注结果之间的第一相似度。
作为一种可能的实现方式，对各检测结果，计算相应检测结果与每一个标注结果之间的交并比，将相应检测结果与每一个标注结果之间的交并比作为向量元素，生成相应检测结果的向量形式的第一相似度。
作为另一种可能的实现方式，对各检测结果，比较相应检测结果与每一个标注结果之间是否相似，若相似，将真值作为检测结果与标注结果之间的第一相似度，若不相似，将假值作为检测结果与标注结果之间的第一相似度。
其中，第一相似度的生成方法，下述实施例中会详细介绍。
步骤103，根据第一相似度，确定不同检测结果之间的第二相似度。
作为一种可能的实现方式，根据每一检测结果的向量形式的第一相似度，对不同检测结果之间进行第一相似度的向量内积计算，得到不同检测结果之间的第二相似度。
作为另一种可能的实现方式，根据不同检测结果与同一标注结果之间的第一相似度取值，确定不同检测结果之间的第二相似度。
其中，第二相似度的生成方法，下述实施例中会详细介绍。
步骤104，根据不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本。
具体地，根据不同检测结果之间的第二相似度，将相似的检测结果进行组合作为正样本，根据正样本检测结果，搜索与正样本中的检测结果邻近的不相似检测结果组合作为负样本。
步骤105，采用正样本和负样本，对相似度模型进行训练。
具体地，通过对各检测结果之间做相似度比较，确定正样本和负样本，并采用正样本和负样本，对相似度模型进行训练，以使得相似度模型根据正样本学习到了各检测结果中具有较大相似度的检测结果之间的对应关系，以及使得相似度模型根据负样本，学习到了各检测结果中不具有相似度的检测结果之间的对应关系，使得模型可以用于对多个传感器的检测结果进行相似度识别，提高了模型的准确度，因正样本和负样本的选择不受使用场景的限制，因此，训练得到的模型也不受使用场景的限制，对多个传感器的检测结果间相似度识别的效率和准确度也较高。
本实施例的基于多传感器多被测对象的相似度模型训练方法中，获取各传感器的检测结果，以及获取各被测对象的标注结果，对各检测结果，计算相应检测结果与各标注结果之间的第一相似度，根据第一相似度，确定不同检测结果之间的第二相似度，根据不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本，采用正样本和负样本，对相似度模型进行训练，基于获取的各传感器的检测结果和各被测对象的标注结果，确定各检测结果之间的相似度，基于相似度，生成相似结果组合的正样本，以及不相似结果组合的负样本，基于正负样本对模型进行训练，使得训练得到的模型的使用不受场景的限制，同时，提高了训练得到的相似度模型的准确度。
基于上一实施例，本实施例提供了另一种基于多传感器多被测对象的相似度模型训练方法，图2为本发明实施例提供的另一种基于多传感器多被测对象的相似度模型训练方法的流程示意图，进一步说明了确定不同检测结果之间的第二相似度的方法，即通过计算各检测结果与每一个标注结果之间的交并比，生成向量形式的第一相似度，进而确定不同检测结果之间的第二相似度的方法。
如图2所示，该方法可以包括以下步骤：
步骤201，获取各传感器的检测结果，以及获取各被测对象的标注结果。
在一种场景中，例如，有若干个传感器进行对应帧F(一帧对应一个时刻)的数据检测，每个传感器获取到的检测结果数量可以相同也可以不同，每个传感器在对应帧的检测结果的序号标记为nk，则检测结果可以记录为F_n_nk，表示对应帧F的第n个传感器的nk个检测结果。给定帧F中有若干个标注结果，标注结果的序号标记为N，则标注结果FN表示对应帧F的第N个标注结果。
步骤202，对各检测结果，将相应检测结果与每一个标注结果之间计算得到的交并比作为向量元素，生成相应检测结果的向量形式的第一相似度。
具体地，针对每一个传感器的检测结果，将相应检测结果与每一个标注结果之间计算得到的交并比作为向量元素，其中，交并比是指检测结果与标注结果之间的交集，除以检测结果与标注结果之间的并集，得到的比值，即交并比，交并比指示了检测结果与标注结果之间的重合的程度，也就是相似的程度。
例如，编号为1的传感器具有2个检测结果，分别为F_1_1和F_1_2，标注结果有4个，分别为F1，F2，F3和F4，针对检测结果F_1_1，分别与标注结果F1，F2，F3和F4计算交并比，将交并比分别记为F_1_1-1，F_1_1-2，F_1_1-3和F_1_1-4，从而生成检测结果F_1_1的向量形式的第一相似度同理，可以得到检测结果F_1_2的向量形式的第一相似度。
需要说明的是，计算得到的检测结果与标注结果之间的交并比，是在(0,1]之间的值。
同理，可以得到各传感器的检测结果的向量形式的第一相似度，原理相同，不再一一赘述。
步骤203，根据每一检测结果的向量形式的第一相似度，进行向量内积计算，得到不同检测结果之间的第二相似度。
具体地，根据每一检测结果的向量形式的第一相似度，进行不同检测结果之间的向量内积计算，根据向量内积计算的结果，得到不同检测结果之间的第二相似度，例如，检测结果F_1_1对应的向量与检测结果F_1_2对应的向量进行内积计算，也就是说，对这两个向量对应位一一相乘之后，再进行求和，根据不同的两个检测结果之间的向量的内积计算得到的值，若内积计算得到的值越大，则说明两个检测结果之间相似度越大，反之，则相似度越小。
步骤204，对计算得到的向量内积，根据内积大小排序进行分位数处理。
具体地，对不同检测结果之间计算得到的向量内积，先根据内积大小排序，进而进行分位数处理，也就是说将不同检测结果之间的第二相似度进行分位数处理，这是因为，计算得到的向量内积分布可能是不均匀的，通过进行排序后进行分位数处理，可以获取较好的区分度，同时，也具有较好的概率含义，因内积值所处的分位代表了不同检测结果之间的相似程度，有利于后续进行正负样本的选择，提高了样本选择的效率。
步骤205，根据不同检测结果之间的第二相似度，将相似的检测结果进行组合作为正样本。
作为一种可能的实现方式，根据不同检测结果之间的第二相似度，将相似的检测结果进行组合作为正样本，也就是说，可以设定相似度阈值，将不同检测结果之间的第二相似度，与相似度阈值比较，将第二相似度大于相似度阈值的检测结果的组合作为正样本，例如，检测结果A和B之间的第二相似度大于相似度阈值，则说明A的检测结果和B的检测结果之间相似，而检测结果A和C之间的第二相似度大于相似度阈值，则说明A的检测结果和C的检测结果之间相似，从而，将检测结果A和B的组合，检测结果A和C的组合作为正样本。
步骤206，根据正样本检测结果，搜索与正样本中的检测结果邻近的不相似检测结果组合作为负样本。
具体地，根据正样本的检测结果，搜索与正样本中的检测结果相邻，但是不相似的检测结果，将搜索到的检测结果与正样本中的检测结果组合作为负样本。
在一种可能的场景中，例如，障碍物识别场景中，各传感器检测到的结果为当前要识别的场景的图像帧，将各个传感器的检测结果中对应的对象，根据位置信息映射到2D或者3D图像中，则每个检测结果对应不同位置的坐标点，根据确定的正样本，搜索与正样本对应检测结果对应坐标点之间的距离在阈值范围内的，且与正样本不相似的检测结果，如，2D图中包含10个坐标点，分别为D1，D2···D10，其中，每个坐标点对应一个检测结果，通过上述步骤201-205，确定了D1和D2对应的检测结果相似，也就是说D1和D2对应的检测结果的组合被确定为正样本，对于D1和D2对应的检测结果的组合，搜索与检测结果D1和D2距离在阈值范围内，且不相似的检测结果，确定为D4和D7，则将搜索到的检测结果D4和D7与正样本D1和D2进行组合，作为负样本，如，D1与D4组合，D2与D4的组合，作为负样本。通过这种负样本的选择方法，可以将正样本周围可能带来歧义性的检测结果，作为负样本，例如，在障碍物检测场景中，图像传感器检测到场景中的车辆是障碍物，然后，雷达传感器检测到障碍物车辆和车辆旁边站着的人，人并不是障碍物，但是人距离障碍物的车辆距离较近，很容易被误识别为也为障碍物，因此，将距离车辆较近的人作为负样本，用于对模型进行训练，则可以提高相似度模型的训练效果，从而可以提高相似度模型后续识别的准确度。
需要说明的是，本发明实施例中，对于正样本和负样本的数量比，可以选择正样本和负样本数量相当，但并不进行限定。
需要理解的是，本发明实施例中，通过相似度计算确定用于对模型进行训练的样本，是因为传感器只能探测到被测对象的位置、形状等信息，但是无法知道不同传感器测量得到的结果中，哪些测量结果对应的是同一个被测对象，另外，相同传感器在不同时刻获取得到的检测结果，也无法确定是否对应同一个被测对象，因此，通过对检测结果之间进行相似度计算，可以确定不同检测结果之间的相似程度，将相似程度较高的检测结果，选取作为正样本，并从相似程度较低的检测结果中，查找与确定的正样本相邻但是不相近的样本，与正样本组合作为负样本，对模型进行训练，可以使得模型使用不受应用场景的限制，同时，模型的准确度也较高。
步骤207，采用正样本和负样本，对相似度模型进行训练。
具体地，可以参照上一实施例中步骤105，原理相同，此处不再赘述。
本实施例的基于多传感器多被测对象的相似度模型训练方法中，基于获取的各传感器的检测结果和各被测对象的标注结果，计算各检测结果与每一个标注结果之间的交并比，将交并比作为向量元素，得到相应检测结果的向量形式的第一相似度，根据每一检测结果的第一相似度，进行向量内积计算，得到不同检测结果之间的第二相似度，根据第二相似度可以将相似度较高的检测结果作为组合构成正样本，并将与正样本中的检测结果相邻但是不相似的检测结果，与正样本进行组合，作为负样本，基于正负样本对模型进行训练，使得训练得到的模型的使用不受场景的限制，同时，提高了训练得到的相似度模型的准确度。
基于上述实施例，本发明实施例还提供了一种基于多传感器多被测对象的相似度模型训练方法的可能的实现方式，图3为本发明实施例提供的又一种基于多传感器多被测对象的相似度模型训练方法的流程示意图，进一步说明了另一种确定不同检测结果之间的第二相似度的方法，即通过比较相应检测结果与每一个标注结果之间是否相似，将真值或者是假值作为第一相似度，进而确定不同检测结果之间的第二相似度的方法。
如图3所示，该方法可以包含如下的步骤：
步骤301，获取各传感器的检测结果，以及获取各被测对象的标注结果。
具体地，可以参照图1对应的实施例中的步骤101和图2对应的实施例中的步骤201。
步骤302，对各检测结果，比较相应检测结果与每一个标注结果之间是否相似，若相似，将真值作为检测结果与标注结果之间的第一相似度，若不相似，将假值作为检测结果与标注结果之间的第一相似度。
具体地，针对每一个传感器的检测结果，计算相应检测结果与每一个标注结果之间的交并比，将每一个交并比与预设交并比阈值比较，若交并比大于预设交并比阈值，则确定该检测结果与该标注结果之间是相似的，将真值作为该检测结果与该标注结果之间的第一相似度；若交并比小于预设交并比阈值，则确定该检测结果与该标注结果之间是不相似的，将假值作为该检测结果与该标注结果之间的第一相似度，例如，真值为1，假值为0，通过将真值或者假值作为第一相似度的取值，可以降低相似度识别过程中的运算量，也降低了后续训练得到的模型的复杂度，模型识别的效率更高，但是识别的准确度相比图2对应实施例中的模型，有所降低。
从而，可以确定不同检测结果与同一标注结果之间的第一相似度取值，也可以确定同一检测结果与不同标注结果之间的的第一相似度取值。
步骤303，根据不同检测结果与同一标注结果之间的第一相似度取值，确定不同检测结果之间的第二相似度。
具体地，确定不同检测结果与同一标注结果之间的第一相似度取值，确定不同检测结果之间的第二相似度，例如，若检测结果A、B、C和D与同一标注结果X之间的第一相似度取值，分别为1，0，0，1，则说明，检测结果A和D相对于同一标注结果X来说都是相似的，从而确定了检测结果A和D之间的第二相似度也为1，也就是说检测结果A和D之间是相似的，而，检测结果A和B之间的第二相似度取值则为O，即为不相似的，同理，可以确定所有的不同的检测结果之间的第二相似度。
步骤304，根据不同检测结果之间的第二相似度，将相似的检测结果进行组合作为正样本。
步骤305，根据正样本检测结果，搜索与正样本中的检测结果邻近的不相似检测结果组合作为负样本。
步骤306，采用正样本和负样本，对相似度模型进行训练。
具体地，步骤304-步骤306，可以参照图2对应实施例中的步骤205-207，原理相同，此处不再赘述。
本实施例的基于多传感器多被测对象的相似度模型训练方法中，基于获取的各传感器的检测结果和各被测对象的标注结果，比较各检测结果与每一个标注结果之间是否相似，若相似，将真值作为检测结果与标注结果之间的第一相似度，若不相似，将假值作为检测结果与标注结果之间的第一相似度，进而得到不同检测结果之间的第二相似度，相似度计算的运算量较小，效率较高，根据第二相似度可以将相似度较高的检测结果作为组合构成正样本，并将与正样本中的检测结果相邻但是不相似的检测结果，与正样本进行组合，作为负样本，基于正负样本对模型进行训练，模型训练的效率较高，模型的准确度较好。
为了实现上述实施例，本发明实施例还提供了一种障碍物检测方法，图4为本发明实施例所提供的一种障碍物检测方法的流程示意图，如图4所示，该方法包含如下的步骤：
步骤401，采用相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似。
具体地，采用图1-图3对应实施例所述的相似度模型训练方法进行训练得到的相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似。
需要说明的是，相似度模型对于输入的检测结果，提取的特征可以是人为确定的，例如，在障碍物检测场景中，模型提取的特征可以为被测障碍物的位置、或者尺寸等，但是各特征所占权重，或者说各特征的组合关系等，就是经过图1-图3对应实施例中的相似度模型训练方法确定的，也就是说通过相似度模型对输入的各传感器的检测结果确认检测结果中障碍物的位置或者是尺寸等是否具有相似性，从而判断是否对应同一障碍物。
步骤402，确定相似的检测结果对应同一障碍物。
具体地，将相似度模型输出的相似的检测结果，确定为是对应同一障碍物。
步骤403，根据对应同一障碍物的检测结果，进行障碍物检测。
具体地，根据确定的对应同一障碍物的检测结果，根据检测结果具有的共有的特征，可以用于更新障碍物的描述信息，例如，大小、尺寸、形状等，即可以更加详细的对障碍物进行标识，从而可以应用于实际场景中，例如，车辆的智能无人驾驶场景中，其中，对障碍物的识别就是车辆可以实现无人驾驶的关键环节。
本发明实施例的障碍物检测方法中，根据训练完成的相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似，并确定相似的检测结果对应同一障碍物，根据对应同一障碍物的检测结果，进行障碍物检测，提高了障碍物检测的准确性。
为了实现上述实施例，本发明还提出一种基于多传感器多被测对象的相似度模型训练装置，其中，相似度模型用于确定多传感器的检测结果间相似度。
图5为本发明实施例提供的一种基于多传感器多被测对象的相似度模型训练装置的结构示意图。
如图5所示，该装置包括：获取模块51、计算模块52、确定模块53、生成模块54和训练模块55。
获取模块51，用于获取各传感器的检测结果，以及获取各被测对象的标注结果。
计算模块52，用于对各检测结果，计算相应检测结果与各标注结果之间的第一相似度。
确定模块53，用于根据第一相似度，确定不同检测结果之间的第二相似度。
生成模块54，用于根据不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本。
训练模块55，用于采用正样本和负样本，对相似度模型进行训练。
进一步地，在本发明实施例的一种可能的实现方式中，上述计算模块52，具体用于：
对各检测结果，计算相应检测结果与每一个标注结果之间的交并比；将相应检测结果与每一个标注结果之间的交并比作为向量元素，生成相应检测结果的向量形式的第一相似度。
在本发明实施例的另一种可能的实现方式中，上述计算模块52，具体用于：
对各检测结果，比较相应检测结果与每一个标注结果之间是否相似；若相似，将真值作为检测结果与标注结果之间的第一相似度；若不相似，将假值作为检测结果与标注结果之间的第一相似度。
作为一种可能的实现方式，上述确定模块53，具体用于：
根据每一检测结果的向量形式的第一相似度，进行向量内积计算，得到不同检测结果之间的第二相似度。
作为一种可能的实现方式，上述确定模块53，具体还用于：
对计算得到的向量内积，根据内积大小排序进行分位数处理。
作为另一种可能的实现方式，上述确定模块53，具体还可以用于：
根据不同检测结果与同一标注结果之间的第一相似度取值，确定不同检测结果之间的第二相似度。
作为一种可能的实现方式，上述生成模块54，还包括：第一确定单元和第二确定单元。
第一确定单元，用于根据所述不同检测结果之间的第二相似度，将相似的检测结果进行组合作为正样本。
第二确定单元，用于根据所述正样本检测结果，搜索与所述正样本中的检测结果邻近的不相似检测结果组合作为负样本。
作为一种可能的实现方式，第二确定单元，具体用于：
根据所述正样本检测结果，搜索与所述正样本中的检测结果不相似的检测结果；将搜索到的检测结果与所述正样本中的检测结果组合作为负样本。
需要说明的是，前述对相似度模型训练方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本实施例的基于多传感器多被测对象的相似度模型训练装置中，基于获取的各传感器的检测结果和各被测对象的标注结果，计算各检测结果与每一个标注结果之间的交并比，将交并比作为向量元素，得到相应检测结果的向量形式的第一相似度，根据每一检测结果的第一相似度，进行向量内积计算，得到不同检测结果之间的第二相似度，根据第二相似度可以将相似度较高的检测结果作为组合构成正样本，并将与正样本中的检测结果相邻但是不相似的检测结果，与正样本进行组合，作为负样本，基于正负样本对模型进行训练，使得训练得到的模型的使用不受场景的限制，同时，提高了训练得到的相似度模型的准确度。
为了实现上述实施例，本发明实施例还提供了一种障碍物检测装置，图6为本发明实施例所提供的一种障碍物检测装置的结构示意图，如图6所示，该装置包括：确定模块61和检测模块62。
确定模块61，用于根据训练得到的相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似；确定相似的检测结果对应同一障碍物。
需要说明的是，其中，训练得到的相似度模型是通过如图5对应实施例的相似度模型训练装置获取的。
检测模块62，用于根据对应同一障碍物的检测结果，进行障碍物检测。
需要说明的是，前述对障碍物检测方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本发明实施例的障碍物检测装置中，根据训练完成的相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似，并确定相似的检测结果对应同一障碍物，根据对应同一障碍物的检测结果，进行障碍物检测，提高了障碍物检测的准确性。
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述图1-图3对应实施例所述的基于多传感器多被测对象的相似度模型训练方法，或者，实现如前述图4对应实施例所述的障碍物检测方法。
为了实现上述实施例，本发明实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如前述图1-图3对应实施例所述的基于多传感器多被测对象的相似度模型训练方法，或者，实现如前述图4对应实施例所述的障碍物检测方法。
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种基于多传感器多被测对象的相似度模型训练方法，所述相似度模型用于确定多传感器的检测结果间相似度，其特征在于，所述方法包括以下步骤：
获取各传感器的检测结果，以及获取各被测对象的标注结果；
对各检测结果，计算相应检测结果与各标注结果之间的第一相似度；
根据所述第一相似度，确定不同检测结果之间的第二相似度；
根据所述不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本，其中，根据所述不同检测结果之间的第二相似度，将相似的检测结果进行组合作为正样本，根据所述正样本检测结果，搜索与所述正样本中的检测结果邻近的不相似检测结果组合作为负样本；
采用所述正样本和所述负样本，对所述相似度模型进行训练。
2.根据权利要求1所述的相似度模型训练方法，其特征在于，所述对各检测结果，计算相应检测结果与各标注结果之间的第一相似度，包括：
对各检测结果，计算相应检测结果与每一个标注结果之间的交并比；
将相应检测结果与每一个标注结果之间的交并比作为向量元素，生成相应检测结果的向量形式的第一相似度。
3.根据权利要求2所述的相似度模型训练方法，其特征在于，所述根据所述第一相似度，确定不同检测结果之间的第二相似度，包括：
根据每一检测结果的向量形式的第一相似度，进行向量内积计算，得到不同检测结果之间的第二相似度。
4.根据权利要求3所述的相似度模型训练方法，其特征在于，所述进行向量内积计算之后，还包括：
对计算得到的向量内积，根据内积大小排序进行分位数处理。
5.根据权利要求1所述的相似度模型训练方法，其特征在于，所述对各检测结果，计算相应检测结果与各标注结果之间的第一相似度，包括：
对各检测结果，比较相应检测结果与每一个标注结果之间是否相似；
若相似，将真值作为检测结果与标注结果之间的第一相似度；
若不相似，将假值作为检测结果与标注结果之间的第一相似度。
6.根据权利要求5所述的相似度模型训练方法，其特征在于，所述根据所述第一相似度，确定不同检测结果之间的第二相似度，包括：
根据不同检测结果与同一标注结果之间的第一相似度取值，确定不同检测结果之间的第二相似度。
7.根据权利要求1所述的相似度模型训练方法，其特征在于，所述根据所述正样本检测结果，搜索与所述正样本中的检测结果邻近的不相似检测结果组合作为负样本，包括：
根据所述正样本检测结果，搜索与所述正样本中的检测结果不相似的检测结果；
将搜索到的检测结果与所述正样本中的检测结果组合作为负样本。
8.一种障碍物检测方法，其特征在于，所述方法包括以下步骤：
采用经过如权利要求1-7任一项所述的方法进行训练的相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似；
确定相似的检测结果对应同一障碍物；
根据对应同一障碍物的检测结果，进行障碍物检测。
9.一种基于多传感器多被测对象的相似度模型训练装置，所述相似度模型用于确定多传感器的检测结果间相似度，其特征在于，所述装置包括：
获取模块，用于获取各传感器的检测结果，以及获取各被测对象的标注结果；
计算模块，用于对各检测结果，计算相应检测结果与各标注结果之间的第一相似度；
确定模块，用于根据所述第一相似度，确定不同检测结果之间的第二相似度；
生成模块，用于根据所述不同检测结果之间的第二相似度，生成相似检测结果组合的正样本和不相似检测结果组合的负样本，其中，根据所述不同检测结果之间的第二相似度，将相似的检测结果进行组合作为正样本，根据所述正样本检测结果，搜索与所述正样本中的检测结果邻近的不相似检测结果组合作为负样本；
训练模块，用于采用所述正样本和所述负样本，对所述相似度模型进行训练。
10.一种障碍物检测装置，其特征在于，所述装置包括：
确定模块，用于获取如权利要求9所述的相似度模型训练装置训练得到的相似度模型，对各传感器检测得到的检测结果进行相似度计算，以确定各传感器检测得到的检测结果是否相似；确定相似的检测结果对应同一障碍物；
检测模块，用于根据对应同一障碍物的检测结果，进行障碍物检测。
11.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-7中任一所述的基于多传感器多被测对象的相似度模型训练方法，或者，实现如权利要求8所述的障碍物检测方法。
12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的基于多传感器多被测对象的相似度模型训练方法，或者，实现如权利要求8所述的障碍物检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811497794.1A CN109740632B (zh) | 2018-12-07 | 2018-12-07 | 基于多传感器多被测对象的相似度模型训练方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811497794.1A CN109740632B (zh) | 2018-12-07 | 2018-12-07 | 基于多传感器多被测对象的相似度模型训练方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109740632A CN109740632A (zh) | 2019-05-10 |
| CN109740632B true CN109740632B (zh) | 2023-11-10 |
Family
ID=66358590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811497794.1A Active CN109740632B (zh) | 2018-12-07 | 2018-12-07 | 基于多传感器多被测对象的相似度模型训练方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109740632B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488812B (zh) * | 2020-04-01 | 2022-02-22 | 腾讯科技（深圳）有限公司 | 障碍物位置识别方法、装置、计算机设备和存储介质 |
| CN113298141B (zh) * | 2021-05-24 | 2023-09-15 | 北京环境特性研究所 | 基于多源信息融合的探测方法、装置及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103095996A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于时空显著性检测的多传感器视频融合方法 |
| CN103150738A (zh) * | 2013-02-02 | 2013-06-12 | 南京理工大学 | 分布式多传感器运动目标的检测方法 |
| CN103955622A (zh) * | 2014-05-15 | 2014-07-30 | 合肥工业大学 | 一种机载多传感器目标识别系统与方法 |
| CN105045819A (zh) * | 2015-06-26 | 2015-11-11 | 深圳市腾讯计算机系统有限公司 | 一种训练数据的模型训练方法及装置 |
| CN105046067A (zh) * | 2015-07-03 | 2015-11-11 | 西北工业大学 | 基于证据相似度的多传感器信息融合方法 |
| CN105574505A (zh) * | 2015-12-16 | 2016-05-11 | 深圳大学 | 一种多摄像机间人体目标再识别的方法及系统 |
| CN107545241A (zh) * | 2017-07-19 | 2018-01-05 | 百度在线网络技术（北京）有限公司 | 神经网络模型训练及活体检测方法、装置及存储介质 |
| CN107808004A (zh) * | 2017-11-15 | 2018-03-16 | 北京百度网讯科技有限公司 | 模型训练方法和系统、服务器、存储介质 |
| CN108460396A (zh) * | 2017-09-20 | 2018-08-28 | 腾讯科技（深圳）有限公司 | 负采样方法和装置 |
| CN108829683A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
| CN108876804A (zh) * | 2017-10-12 | 2018-11-23 | 北京旷视科技有限公司 | 抠像模型训练和图像抠像方法、装置和系统及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080243439A1 (en) * | 2007-03-28 | 2008-10-02 | Runkle Paul R | Sensor exploration and management through adaptive sensing framework |
-
2018
- 2018-12-07 CN CN201811497794.1A patent/CN109740632B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103095996A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于时空显著性检测的多传感器视频融合方法 |
| CN103150738A (zh) * | 2013-02-02 | 2013-06-12 | 南京理工大学 | 分布式多传感器运动目标的检测方法 |
| CN103955622A (zh) * | 2014-05-15 | 2014-07-30 | 合肥工业大学 | 一种机载多传感器目标识别系统与方法 |
| CN105045819A (zh) * | 2015-06-26 | 2015-11-11 | 深圳市腾讯计算机系统有限公司 | 一种训练数据的模型训练方法及装置 |
| CN105046067A (zh) * | 2015-07-03 | 2015-11-11 | 西北工业大学 | 基于证据相似度的多传感器信息融合方法 |
| CN105574505A (zh) * | 2015-12-16 | 2016-05-11 | 深圳大学 | 一种多摄像机间人体目标再识别的方法及系统 |
| CN107545241A (zh) * | 2017-07-19 | 2018-01-05 | 百度在线网络技术（北京）有限公司 | 神经网络模型训练及活体检测方法、装置及存储介质 |
| CN108460396A (zh) * | 2017-09-20 | 2018-08-28 | 腾讯科技（深圳）有限公司 | 负采样方法和装置 |
| CN108876804A (zh) * | 2017-10-12 | 2018-11-23 | 北京旷视科技有限公司 | 抠像模型训练和图像抠像方法、装置和系统及存储介质 |
| CN107808004A (zh) * | 2017-11-15 | 2018-03-16 | 北京百度网讯科技有限公司 | 模型训练方法和系统、服务器、存储介质 |
| CN108829683A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 混合标注学习神经网络模型及其训练方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109740632A (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740469B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
| CN109948542B (zh) | 手势识别方法、装置、电子设备和存储介质 | |
| CN109059902A (zh) | 相对位姿确定方法、装置、设备和介质 | |
| CN109948684B (zh) | 激光雷达点云数据标注质量的质检方法、装置及设备 | |
| US10255673B2 (en) | Apparatus and method for detecting object in image, and apparatus and method for computer-aided diagnosis | |
| CN110647886A (zh) | 兴趣点标注方法、装置、计算机设备和存储介质 | |
| CN110084230B (zh) | 基于图像的车身方向检测方法和装置 | |
| CN111008576B (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
| CN109740632B (zh) | 基于多传感器多被测对象的相似度模型训练方法和装置 | |
| CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
| CN116109812A (zh) | 一种基于非极大值抑制阈值优化的目标检测方法 | |
| CN112614184A (zh) | 基于2d检测的物体6d姿态估计方法、装置及计算机设备 | |
| CN109948515B (zh) | 物体的类别识别方法和装置 | |
| Achar et al. | Large scale visual localization in urban environments | |
| CN112907583B (zh) | 目标对象姿态选择方法、图像评分方法及模型训练方法 | |
| CN111914841B (zh) | 一种ct图像处理方法和装置 | |
| CN115147474B (zh) | 点云标注模型的生成方法、装置、电子设备及存储介质 | |
| CN115713750B (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
| CN116740145A (zh) | 一种多目标跟踪方法、装置、车辆及存储介质 | |
| CN114846513A (zh) | 动作分析系统和动作分析程序 | |
| CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
| CN109583511B (zh) | 速度融合方法和装置 | |
| CN113505860B (zh) | 盲区检测训练集的筛选方法、装置、服务器及存储介质 | |
| US20220171061A1 (en) | Apparatus and method for recognizing high-elevation structure using lidar sensor | |
| Gao et al. | A new method for repeated localization and matching of tunnel lining defects |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211014 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |