CN111143424A - 特征场景数据挖掘方法、装置和终端 - Google Patents
特征场景数据挖掘方法、装置和终端 Download PDFInfo
- Publication number
- CN111143424A CN111143424A CN201811306686.1A CN201811306686A CN111143424A CN 111143424 A CN111143424 A CN 111143424A CN 201811306686 A CN201811306686 A CN 201811306686A CN 111143424 A CN111143424 A CN 111143424A
- Authority
- CN
- China
- Prior art keywords
- scene data
- characteristic
- behavior
- scene
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007418 data mining Methods 0.000 title claims abstract description 36
- 238000012795 verification Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 95
- 230000000694 effects Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种特征场景数据挖掘方法、装置和终端,所述方法包括:获取行为特征查询语句,行为特征查询语句中包括请求查询的行为特征信息;在标注场景数据库中查询与行为特征信息对应的标注场景数据;根据查询到的标注场景数据对应的时间标签,从原始场景数据库中提取查询到的场景数据,生成特征场景数据。能够在海量场景数据中快速提取用户所需要的特征场景数据,以满足搜索目标,提升算法验证效率。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种特征场景数据挖掘方法、装置和终端。
背景技术
自动驾驶汽车,又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车的开发测试的过程中,需要在原始场景或构建的海量仿真场景中对自动驾驶算法进行验证。尤其对特定的自动驾驶算法进行针对性验证。
目前,对特定特征的自动驾驶算法进行验证的方法有多种。可以在原始场景中进行验证,或者在仿真场景中进行验证。然而,由于原始场景时间跨度较大,所以在原始场景的基础上进行特定自动驾驶算法的验证效率低下,且浪费计算资源。在没有对仿真场景进行标注的情况下,在海量仿真场景中寻找具有特定特征的仿真场景的难度大,寻找效率低。
发明内容
本发明实施例提供一种特征场景数据挖掘方法、装置和终端,以至少解决现有技术中的以上技术问题。
第一方面,本发明实施例提供了一种特征场景数据挖掘方法,包括:
获取行为特征查询语句,所述行为特征查询语句中包括请求查询的行为特征信息;
在标注场景数据库中查询与所述行为特征信息对应的标注场景数据;
根据查询到的标注场景数据对应的时间标签,从原始场景数据库中提取查询到的场景数据,生成特征场景数据。
在一种实施方式中,所述方法还包括:还包括:
对所述原始场景数据进行行为特征标注,生成所述标注场景数据库。
在一种实施方式中,生成特征场景数据之后,还包括:
利用具有特定特征的自动驾驶算法将所述特征场景数据进行处理,输出运行结果,所述特定特征与所述行为特征信息对应;
根据所述特征场景数据和所述运行结果分析验证所述自动驾驶算法的运行效果。
在一种实施方式中,根据所述特征场景数据和所述运行结果分析验证所述自动驾驶算法的运行效果,包括:
提取所述运行结果中的动态行为特征,并对已提取的动态行为特征进行标注;
根据所述特征场景数据对应的行为特征标注提取动态行为特征;
分析所述运行结果中已标注的动态行为特征与所述特征场景数据中已提取的动态行为特征的变化,对所述自动驾驶算法的运行效果打分;
根据所得分数得到对应的运行效果评价。
在一种实施方式中,生成特征场景数据之后,还包括:
对所述特征场景数据进行相似度分析,并根据相似度分析结果计算与所述行为特征信息对应的特征占比。
第一方面,本发明实施例提供了一种特征场景数据挖掘装置,包括:
查询语句获取模块,用于获取行为特征查询语句,所述行为特征查询语句中包括请求查询的行为特征信息;
特征场景查询模块,用于在场景数据库中查询与所述行为特征信息对应的场景数据;
特征场景提取模块,用于根据查询到的场景数据对应的时间标签,从所述场景数据库中提取查询到的场景数据,生成特征场景数据。
在一种实施方式中,所述装置还包括:
场景数据库建立模块,用于所述原始场景数据进行行为特征标注,生成所述标注场景数据库。
在一种实施方式中,所述装置还包括:
算法处理模块,用于利用具有特定特征的自动驾驶算法将所述特征场景数据进行处理,输出运行结果,所述特定特征与所述行为特征信息对应;
算法验证模块,用于根据所述特征场景数据和所述运行结果分析验证所述自动驾驶算法的运行效果。
在一种实施方式中,所述算法验证模块包括:
运行结果特征提取单元,用于提取所述运行结果中的动态行为特征;
场景数据特征提取单元,用于根据所述特征场景数据对应的行为特征标注提取动态行为特征;
算法运行效果打分单元,用于分析所述运行结果中已提取的动态行为特征与所述特征场景数据中已提取的动态行为特征的变化,对所述自动驾驶算法的运行效果打分;
算法运行效果评价单元,用于根据所得分数得到对应的运行效果评价。
在一种实施方式中,所述装置还包括:
特征场景分析模块,用于对所述特征场景数据进行相似度分析,并根据相似度分析结果计算与所述行为特征信息对应的特征占比。
第三方面,本发明实施例提供了一种特征场景数据挖掘终端,所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,特征场景数据挖掘终端的结构中包括处理器和存储器,所述存储器用于存储支持特征场景数据挖掘终端执行上述第一方面中特征场景数据挖掘方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。所述特征场景数据挖掘终端还可以包括通信接口,用于特征场景数据挖掘终端与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种计算机可读存储介质,用于存储特征场景数据挖掘装置所用的计算机软件指令,其包括用于执行上述第一方面中特征场景数据挖掘方法为特征场景数据挖掘装置所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果:能够在海量场景数据中快速提取用户所需要的特征场景数据,以满足搜索目标,提升算法验证效率。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1为本发明实施例提供的一种特征场景数据挖掘方法流程图;
图2为本发明实施例提供的另一种特征场景数据挖掘方法流程图;
图3为本发明实施例提供的另一种特征场景数据挖掘方法流程图;
图4为本发明实施例提供的另一种特征场景数据挖掘方法流程图;
图5为本发明实施例提供的一种特征场景数据挖掘装置框图;
图6为本发明实施例提供的另一种特征场景数据挖掘装置框图;
图7为本发明实施例提供的另一种特征场景数据挖掘装置框图;
图8为本发明实施例提供的另一种特征场景数据挖掘装置框图;
图9为本发明实施例提供的一种特征场景数据挖掘终端示意图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
实施例一
在一种具体的实施方式中,如图1所示,提供了一种特征场景数据挖掘方法,包括:
步骤S10:获取行为特征查询语句,行为特征查询语句中包括请求查询的行为特征信息。
步骤S20:在标注场景数据库中查询与所述行为特征信息对应的标注场景数据。
步骤S30:根据查询到的标注场景数据对应的时间标签,从原始场景数据库中提取查询到的场景数据,生成特征场景数据。
对具有特定行为特征的算法的需求进行验证之后,需要一定行为特征的场景数据。因此,用户可以根据自身需求选用适当的行为特征查询语句,或者对算法评估之后得到行为特征查询语句。按照行为特征查询语句中的行为特征信息,在标注场景数据库中查询与行为特征信息对应的标注场景数据。查询到的标注场景数据可能在分布在不同的时间段内,因此,标注场景数据可能包括很多标注场景片段。由于标注场景数据对应有时间标签,根据时间标签确定特征行为的开始时间和结束时间,将这段时间内的标注场景数据从原始场景数据中提取出来,得到特征场景数据。这样,不仅提高了特征场景数据的获取速度,满足了用户的搜索目标,提升了算法验证效率,还可以将生成的特征场景数据在放回标注场景数据库中,丰富数据库。
在一种实施方式中,所述方法还包括:
对原始场景数据进行行为特征标注,生成标注场景数据库。
此步骤可以在步骤S10和S20之间,也可以在步骤S10之前,均在本实施例的保护范围内。原始场景数据包括能够回放的真实场景数据、虚拟场景数据以及回放的真实场景数据和虚拟场景数据的结合。原始场景数据是由许多帧真实场景按照时间维度排列构成,每帧真实场景都对应有时间标签。对原始场景数据进行行为特征标注,得到标注场景数据,进而构成标注场景数据库,不仅有利于与行为特征信息对应,而且缩小了查询范围,保证了查询数据库的最小范围。根据标注场景数据库中的行为特征标注和特征查询语句中的行为特征信息对应关系进行查询,可以提高查询速度和精确度。
在一种实施方式中,如图2所示,步骤S30之后,还包括:
步骤S40:利用具有特定特征的自动驾驶算法将特征场景数据进行处理,输出运行结果,特定特征与行为特征信息对应。
步骤S50:根据特征场景数据和运行结果分析验证自动驾驶算法的运行效果。
对具有特定特征的自动驾驶算法进行验证,可包括对多传感器融合算法和控制算法等算法的验证。由于动态特征对应的自动驾驶算法变更的前后,运行结果会有变化,所以特定特征通常包括特定的动态特征,例如变道、拐弯等。优选的,可以将动态特征的特征场景数据输入至感知模块或控制模块中,输出运行结果。此外,可以将算法运行效果良好的特征场景数据补充至标注场景数据库中,作为下一次算法的输入数据,形成闭环自动循环过程。
在一种实施方式中,如图3所示,步骤S50包括:
步骤S501:提取运行结果中的动态行为特征,并对已提取的动态行为特征进行标注。
步骤S502:根据特征场景数据对应的行为特征标注提取动态行为特征。
步骤S503:分析运行结果中已标注的动态行为特征与特征场景数据中已提取的动态行为特征的变化,对自动驾驶算法的运行效果打分。
步骤S504:根据所得分数得到对应的运行效果评价。
通过感知模块输出的运行结果包括了障碍物行为数据,在障碍物行为数据中提取并标注障碍物的动态行为特征。通过控制模块输出的运行结果包括了主车行为数据,在主车行为数据中提取并标注主车的动态行为特征。从输入感知模块或控制模块的特征场景数据中提取动态行为特征。将输入前的数据和算法运行后得到的数据进行比较,通过分析数据变化来对算法的运行效果进行评价。
在一种实施方式中,如图4所示,步骤S30之后,还包括:
步骤S60:对特征场景数据进行相似度分析,并根据相似度分析结果计算与行为特征信息对应的特征占比。
特征相似度分析可以得到相同或相似行为任务的动态行为特征。例如,变道动作任务,在某路口拐弯的动作任务等。例如,如果行为特征信息是变道行为,则在特征场景数据中提取出变道动作任务的特征场景数据,将变道动作任务的特征场景数据与整体的特征场景数据做比较,得到变道特征占比。
实施例二
在一种具体实施方式中,如图5所示,提供一种特征场景数据挖掘装置,包括:
查询语句获取模块10,用于获取行为特征查询语句,所述行为特征查询语句中包括请求查询的行为特征信息;
特征场景查询模块20,用于在标注场景数据库中查询与所述行为特征信息对应的标注场景数据;
特征场景提取模块30,用于根据查询到的标注场景数据对应的时间标签,从原始场景数据库中提取查询到的场景数据,生成特征场景数据。
在一种实施方式中,如图6所示,所述装置还包括:
场景数据库建立模块40,用于对原始场景数据进行行为特征标注,生成标注场景数据库。
在一种实施方式中,如图7所示,所述装置还包括:
算法处理模块50,用于利用具有特定特征的自动驾驶算法将所述特征场景数据进行处理,输出运行结果,所述特定特征与所述行为特征信息对应。
算法验证模块60,用于根据所述特征场景数据和所述运行结果分析验证所述自动驾驶算法的运行效果。
在一种实施方式中,算法验证模块60包括:
运行结果特征提取单元,用于提取所述运行结果中的动态行为特征;
场景数据特征提取单元,用于根据所述特征场景数据对应的行为特征标注提取动态行为特征;
算法运行效果打分单元,用于分析所述运行结果中已提取的动态行为特征与所述特征场景数据中已提取的动态行为特征的变化,对所述自动驾驶算法的运行效果打分;
算法运行效果评价单元,用于根据所得分数得到对应的运行效果评价。
在一种实施方式中,如图8所示,所述装置还包括:
特征场景分析模块70,用于对特征场景数据进行相似度分析,并根据相似度分析结果计算与行为特征信息对应的特征占比。
实施例三
本发明实施例提供了一种特征场景数据挖掘终端,如图9所示,包括:
存储器400和处理器500,存储器400内存储有可在处理器500上运行的计算机程序。处理器500执行所述计算机程序时实现上述实施例中的特征场景数据挖掘方法。存储器400和处理器500的数量可以为一个或多个。
通信接口600,用于存储器400和处理器500与外部进行通信。
存储器400可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器400、处理器500以及通信接口600独立实现,则存储器400、处理器500以及通信接口600可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent)总线或扩展工业标准体系结构(EISA,Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器400、处理器500以及通信接口600集成在一块芯片上,则存储器400、处理器500及通信接口600可以通过内部接口完成相互间的通信。
实施例四
一种计算机可读存储介质,其存储有计算机程序,所述程序被处理器执行时实现如实施例一包括的任一所述的特征场景数据挖掘方法。
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。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”的含义是两个或两个以上,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特定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。例如,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存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但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,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种特征场景数据挖掘方法,其特征在于,包括:
获取行为特征查询语句,所述行为特征查询语句中包括请求查询的行为特征信息;
在标注场景数据库中查询与所述行为特征信息对应的标注场景数据;
根据查询到的标注场景数据对应的时间标签,从原始场景数据库中提取查询到的场景数据,生成特征场景数据。
2.根据权利要求1所述的方法,其特征在于,还包括:
对所述原始场景数据进行行为特征标注,生成所述标注场景数据库。
3.根据权利要求1所述的方法,其特征在于,生成特征场景数据之后,还包括:
利用具有特定特征的自动驾驶算法将所述特征场景数据进行处理,输出运行结果,所述特定特征与所述行为特征信息对应;
根据所述特征场景数据和所述运行结果分析验证所述自动驾驶算法的运行效果。
4.根据权利要求3所述的方法,其特征在于,根据所述特征场景数据和所述运行结果分析验证所述自动驾驶算法的运行效果,包括:
提取所述运行结果中的动态行为特征,并对已提取的动态行为特征进行标注;
根据所述特征场景数据对应的行为特征标注提取动态行为特征;
分析所述运行结果中已标注的动态行为特征与所述特征场景数据中已提取的动态行为特征的变化,对所述自动驾驶算法的运行效果打分;
根据所得分数得到对应的运行效果评价。
5.根据权利要求1所述的方法,其特征在于,生成特征场景数据之后,还包括:
对所述特征场景数据进行相似度分析,并根据相似度分析结果计算与所述行为特征信息对应的特征占比。
6.一种特征场景数据挖掘装置,其特征在于,包括:
查询语句获取模块,用于获取行为特征查询语句,所述行为特征查询语句中包括请求查询的行为特征信息;
特征场景查询模块,用于在标注场景数据库中查询与所述行为特征信息对应的标注场景数据;
特征场景提取模块,用于根据查询到的标注场景数据对应的时间标签,从原始场景数据库中提取查询到的场景数据,生成特征场景数据。
7.根据权利要求6所述的装置,其特征在于,还包括:
场景数据库建立模块,用于所述原始场景数据进行行为特征标注,生成标注场景数据库。
8.根据权利要求6所述的装置,其特征在于,还包括:
算法处理模块,用于利用具有特定特征的自动驾驶算法将所述特征场景数据进行处理,输出运行结果,所述特定特征与所述行为特征信息对应;
算法验证模块,用于根据所述特征场景数据和所述运行结果分析验证所述自动驾驶算法的运行效果。
9.根据权利要求8所述的装置,其特征在于,所述算法验证模块包括:
运行结果特征提取单元,用于提取所述运行结果中的动态行为特征;
场景数据特征提取单元,用于根据所述特征场景数据对应的行为特征标注提取动态行为特征;
算法运行效果打分单元,用于分析所述运行结果中已提取的动态行为特征与所述特征场景数据中已提取的动态行为特征的变化,对所述自动驾驶算法的运行效果打分;
算法运行效果评价单元,用于根据所得分数得到对应的运行效果评价。
10.根据权利要求6所述的装置,其特征在于,还包括:
特征场景分析模块,用于对所述特征场景数据进行相似度分析,并根据相似度分析结果计算与所述行为特征信息对应的特征占比。
11.一种特征场景数据挖掘终端,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306686.1A CN111143424B (zh) | 2018-11-05 | 2018-11-05 | 特征场景数据挖掘方法、装置和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306686.1A CN111143424B (zh) | 2018-11-05 | 2018-11-05 | 特征场景数据挖掘方法、装置和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111143424A true CN111143424A (zh) | 2020-05-12 |
CN111143424B CN111143424B (zh) | 2024-05-28 |
Family
ID=70515213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811306686.1A Active CN111143424B (zh) | 2018-11-05 | 2018-11-05 | 特征场景数据挖掘方法、装置和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143424B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408207A (zh) * | 2021-06-24 | 2021-09-17 | 上海硕恩网络科技股份有限公司 | 基于社会网络分析技术的数据挖掘的一种方法 |
CN114579088A (zh) * | 2021-12-31 | 2022-06-03 | 杭州宏景智驾科技有限公司 | 基于数据挖掘和测试闭环的无人驾驶算法开发方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140093131A1 (en) * | 2012-10-01 | 2014-04-03 | Xerox Corporation | Visibility improvement in bad weather using enchanced reality |
WO2017200849A1 (en) * | 2016-05-19 | 2017-11-23 | Scenera, Inc. | Scene marking |
CN107463693A (zh) * | 2017-08-11 | 2017-12-12 | 深圳乐信软件技术有限公司 | 一种数据处理方法、装置、终端及计算机可读存储介质 |
CN107577672A (zh) * | 2017-09-19 | 2018-01-12 | 网智天元科技集团股份有限公司 | 基于舆情设定剧本的方法和装置 |
CN107690672A (zh) * | 2017-07-25 | 2018-02-13 | 深圳前海达闼云端智能科技有限公司 | 训练数据生成方法、生成装置及其图像语义分割方法 |
CN107705259A (zh) * | 2017-09-24 | 2018-02-16 | 合肥麟图信息科技有限公司 | 一种在移动终端预览、拍摄模式下的数据增强方法及装置 |
CN107730038A (zh) * | 2017-10-09 | 2018-02-23 | 小草数语(北京)科技有限公司 | 用户偏好性别的预测方法、装置及其设备 |
CN108319377A (zh) * | 2018-02-07 | 2018-07-24 | 北京百度网讯科技有限公司 | 场景化文字输入的方法及系统、终端以及计算机可读存储介质 |
CN108694211A (zh) * | 2017-04-11 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 应用分发方法及装置 |
-
2018
- 2018-11-05 CN CN201811306686.1A patent/CN111143424B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140093131A1 (en) * | 2012-10-01 | 2014-04-03 | Xerox Corporation | Visibility improvement in bad weather using enchanced reality |
WO2017200849A1 (en) * | 2016-05-19 | 2017-11-23 | Scenera, Inc. | Scene marking |
CN108694211A (zh) * | 2017-04-11 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 应用分发方法及装置 |
CN107690672A (zh) * | 2017-07-25 | 2018-02-13 | 深圳前海达闼云端智能科技有限公司 | 训练数据生成方法、生成装置及其图像语义分割方法 |
CN107463693A (zh) * | 2017-08-11 | 2017-12-12 | 深圳乐信软件技术有限公司 | 一种数据处理方法、装置、终端及计算机可读存储介质 |
CN107577672A (zh) * | 2017-09-19 | 2018-01-12 | 网智天元科技集团股份有限公司 | 基于舆情设定剧本的方法和装置 |
CN107705259A (zh) * | 2017-09-24 | 2018-02-16 | 合肥麟图信息科技有限公司 | 一种在移动终端预览、拍摄模式下的数据增强方法及装置 |
CN107730038A (zh) * | 2017-10-09 | 2018-02-23 | 小草数语(北京)科技有限公司 | 用户偏好性别的预测方法、装置及其设备 |
CN108319377A (zh) * | 2018-02-07 | 2018-07-24 | 北京百度网讯科技有限公司 | 场景化文字输入的方法及系统、终端以及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
陶智敏: ""基于视频的道路交通事件自动检测技术"", 《道路交通与安全》, 31 December 2007 (2007-12-31), pages 38 - 41 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408207A (zh) * | 2021-06-24 | 2021-09-17 | 上海硕恩网络科技股份有限公司 | 基于社会网络分析技术的数据挖掘的一种方法 |
CN114579088A (zh) * | 2021-12-31 | 2022-06-03 | 杭州宏景智驾科技有限公司 | 基于数据挖掘和测试闭环的无人驾驶算法开发方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111143424B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073519B (zh) | 测试用例生成方法和装置 | |
CN112232293A (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
CN109255181B (zh) | 一种基于多模型的障碍物分布仿真方法、装置以及终端 | |
CN111199087A (zh) | 场景识别方法和装置 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN110287936B (zh) | 图像检测方法、装置、设备及存储介质 | |
CN112667778A (zh) | 结合rpa和ai的信息录入方法、装置、设备及存储介质 | |
CN110705573A (zh) | 一种目标检测模型的自动建模方法及装置 | |
CN109885929B (zh) | 自动驾驶决策规划数据复现方法及装置 | |
CN115830399B (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
US20220114477A1 (en) | Event driven configurable artificial intelligence workflow | |
CN112561859A (zh) | 基于单目视觉的锚护用钢带钻孔与锚网识别方法及装置 | |
CN111143424B (zh) | 特征场景数据挖掘方法、装置和终端 | |
US10404565B2 (en) | Simulation latency indication | |
CN111368163A (zh) | 一种爬虫数据的识别方法、系统及设备 | |
CN115062200A (zh) | 基于人工智能的用户行为挖掘方法及系统 | |
Nieto et al. | Optimising computer vision based ADAS: vehicle detection case study | |
CN112686125A (zh) | 车辆类型的确定方法及装置、存储介质、电子装置 | |
CN109933856B (zh) | 自动驾驶决策规划数据复现方法及装置 | |
CN111143423A (zh) | 动态场景标注数据挖掘方法、装置以及终端 | |
CN116311586A (zh) | 一种自动驾驶车辆的数据标记方法及标记装置 | |
CN112825145B (zh) | 人体朝向检测方法、装置、电子设备和计算机存储介质 | |
CN111126336B (zh) | 样本采集方法、装置及设备 | |
CN111753142B (zh) | 基于标签的检索方法及装置 |
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 |