CN112801200A - 一种数据包筛选方法、装置、设备和存储介质 - Google Patents
一种数据包筛选方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112801200A CN112801200A CN202110169060.6A CN202110169060A CN112801200A CN 112801200 A CN112801200 A CN 112801200A CN 202110169060 A CN202110169060 A CN 202110169060A CN 112801200 A CN112801200 A CN 112801200A
- Authority
- CN
- China
- Prior art keywords
- identification
- information
- frame
- screened
- recognition
- 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 53
- 238000012216 screening Methods 0.000 title claims abstract description 53
- 230000003993 interaction Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 description 37
- 238000002372 labelling Methods 0.000 description 35
- 230000008569 process Effects 0.000 description 10
- 238000012163 sequencing technique Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- 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)
- 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)
- Multimedia (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种数据包筛选方法、装置、设备和存储介质,方法包括:获取多个待筛选数据包;待筛选数据包包括多帧点云数据;采用多个预设的识别模型对每帧点云数据进行对象识别,得到每帧点云数据的对象识别结果;计算对象识别结果对应的识别信息量;根据全部识别信息量,确定待筛选数据包的总信息量;基于多个待筛选数据包的总信息量,从多个待筛选数据包中筛选得到目标数据包,从而能够更为准确快速地选择标注价值较高的数据包进行标注,快速提升模型性能,降低标注成本。
Description
技术领域
本发明涉及数据包筛选技术领域,尤其涉及一种数据包筛选方法、装置、设备和存储介质。
背景技术
随着智能技术的快速发展,云计算、大数据、人工智能一些新名词进入大众的视野,人工智能作为人类进入信息时代后的又一技术革命,逐渐受到越来越广泛的重视。而无人驾驶作为人工智能技术在汽车行业、交通领域的延伸与应用,近几年受到了工业界、学术界甚至国家层面的密切关注。
无人驾驶通常是通过感知道路环境,自动规划行车路线并控制车辆到达预定目标,但在实际运行的过程中,由于性能限制可能导致无法对复杂场景进行准确分析,存在安全隐患。
在传统的无人驾驶中,对该复杂场景的处理通常是对获取到的数据标注后进行分析,进而规划行车路线。但上述标注过程中,由于所获取到的数据数量通常是海量的,且数据与数据之间所蕴涵的标注价值并不相同,逐个进行标注无法快速准确地确定标注价值较高的数据,造成资源浪费,增加标注成本。
发明内容
本发明提供了一种数据包筛选方法、装置、设备和存储介质,解决了现有技术中无法从获取到的海量数据准确快速地选择标注价值较高的数据包进行标注,导致标注成本较高的技术问题。
本发明第一方面提供的一种数据包筛选方法,包括:
获取多个待筛选数据包;所述待筛选数据包包括多帧点云数据;
采用多个预设的识别模型对每帧所述点云数据进行对象识别,得到每帧所述点云数据的对象识别结果;
计算所述对象识别结果对应的识别信息量;
根据全部所述识别信息量,确定所述待筛选数据包的总信息量;
基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包。
可选地,所述对象识别结果包括第一识别结果和多个第二识别结果;所述计算所述对象识别结果对应的识别信息量的步骤,包括:
遍历所述第一识别结果内的全部第一识别框,获取每个所述第一识别框对应的第一识别信息;
根据所述第一识别信息,结合多个所述第二识别结果计算所述第一识别框的互信息值;
根据全部所述第一识别框的互信息值,确定所述对象识别结果对应的识别信息量。
可选地,所述第一识别信息包括第一类别和第一置信度,所述第二识别结果包括多个第二识别框;所述根据所述第一识别信息,结合多个所述第二识别结果计算所述第一识别框的互信息值的步骤,包括:
从每个所述第二识别结果中查找与所述第一类别相同的第二识别框;其中,所述第二识别框具有第二识别信息,所述第二识别信息包括第二置信度;
若查找到与所述第一类别相同的第二识别框,则计算所述第一识别框与每个所述第二识别框之间的交互比;
若所述交互比大于预定阈值,则根据所述第一置信度和所述第二置信度,确定所述第一识别框的互信息值。
可选地,还包括:
若未查找到与所述第一类别相同的第二识别框,或者,所述交互比小于或等于所述预设阈值,则将所述第一识别框的互信息值设置为固定值。
可选地,所述若所述交互比大于预定阈值,则根据所述第一置信度和所述第二置信度,确定所述第一识别框的互信息值的步骤,包括:
若所述交互比大于预定阈值,则分别计算所述第一置信度和所述第二置信度的自信息量;
计算全部所述自信息量的自信息量平均值;
计算所述第一置信度和所述第二置信度的置信度平均值;
计算所述置信度平均值的置信度自信息量;
根据所述置信度自信息量和所述自信息量平均值之差,确定所述第一识别框的互信息值。
可选地,所述根据全部所述第一识别框的互信息值,确定所述对象识别结果对应的识别信息量的步骤,包括:
获取全部所述第一识别框的互信息值对应的第一次序;
根据所述第一次序选择第一预定数量的所述互信息值作为目标信息量;
计算所述目标信息量的平均值作为所述对象识别结果对应的识别信息量。
可选地,所述根据全部所述识别信息量,确定所述待筛选数据包的总信息量的步骤,包括:
计算全部所述识别信息量的识别平均值;
将所述识别平均值确定为所述待筛选数据包的总信息量。
可选地,所述基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包的步骤,包括:
根据每个所述待筛选数据包的总信息量,确定每个待筛选数据包对应的第二次序;
按照所述第二次序选择第二预定数量的所述待筛选数据包作为目标数据包。
本发明第二方面还提供了一种数据包筛选装置,包括:
数据包获取模块,用于获取多个待筛选数据包;所述待筛选数据包包括多帧点云数据;
对象识别模块,用于采用多个预设的识别模型对每帧所述点云数据进行对象识别,得到每帧所述点云数据的对象识别结果;
识别信息量计算模块,用于计算所述对象识别结果对应的识别信息量;
总信息量计算模块,用于根据全部所述识别信息量,确定所述待筛选数据包的总信息量;
筛选模块,用于基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包。
本发明第三方面还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如本发明第一方面中任一项所述的数据包筛选方法的步骤。
本发明第四方面还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器执行时实现如本发明第一方面中任一项所述的数据包筛选方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取多个待筛选数据包,采用多个预设的识别模型对待筛选数据包中的每帧点云数据进行对象数据,以得到各个识别模型对每帧点云数据的对象识别结果;计算每帧点云数据的对象识别结果对应的识别信息量,根据全部识别信息量确定待筛选数据包的总信息量,最后基于总信息量对多个待筛选数据包进行排序,以从多个待筛选数据包中选择得到目标数据包。从而解决现有技术中无法从获取到的海量数据准确快速地选择标注价值较高的数据包进行标注,难以快速地提高模型性能的技术问题,能够更为准确快速地选择标注价值较高的数据包进行标注,快速提升模型性能,降低标注成本。
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它的附图。
图1为本发明实施例一提供的一种数据包筛选方法的步骤流程图;
图2为本发明实施例二提供的一种数据包筛选方法的步骤流程图;
图3为本发明实施例三提供的一种数据包筛选方法的步骤流程图;
图4为本发明实施例四提供的一种数据包筛选装置的结构框图;
图5为本发明实施例提供的一种电子设备的结构框图。
具体实施方式
本发明实施例提供了一种数据包筛选方法、装置、设备和存储介质,用于解决现有技术中无法从获取到的海量数据准确快速地选择标注价值较高的数据包进行标注,导致标注成本较高的技术问题。
无人驾驶系统是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统,通过人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术,实现对车辆的自动驾驶控制,是典型的高新技术综合体。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种数据包筛选方法的步骤流程图。
本发明提供的一种数据包筛选方法,包括:
步骤101,获取多个待筛选数据包;所述待筛选数据包包括多帧点云数据;
在自动驾驶场景中,自动驾驶车辆在每天的运营过程中都会产生大量的真实路测数据,通常该真实路测数据都会以数据包的形式存储在云端,在对数据包标注的过程中,一个数据包也就是一个标注单元,也就是需要决定是否进行标注的基本单位。
在本发明实施例中,为便于获取每辆自动驾驶车辆的数据包,可以通过从云端获取到多个待筛选数据包,每个待筛选数据包内包括多帧点云数据,以为后续待筛选数据包的信息量计算提供数据基础。
步骤102,采用多个预设的识别模型对每帧所述点云数据进行对象识别,得到每帧所述点云数据的对象识别结果;
识别模型指的是对图片或点云数据进行对象分类并进行标记的模型,例如RCNN系列、Mask-RCNN、R-FCN、YOLO、SSD、FPN等模型。
在本发明实施例中,在得到多个待筛选数据包后,为实现对待筛选数据包的标注价值的评判,可以采用多个预设的识别模型对每个待筛选数据包中的每帧点云数据进行对象识别,以确定各个识别模型在针对每帧点云数据的识别所生成的对象识别结果。
步骤103,计算所述对象识别结果对应的识别信息量;
值得一提的是,待筛选数据包的标注价值的体现在于待筛选数据包的信息量多少。在具体实现中,待筛选数据包是由多帧点云数据所组成的,因此在计算待筛选数据包的总信息量之前,需要结合每帧点云数据的信息量进行总信息量的确定。而每帧点云数据的信息量则是由多个识别模型在点云数据中所识别到的对象识别结果所决定。
在得到每帧点云数据的对象识别结果后,也就是得到了各个识别模型对同一帧点云数据的对象识别结果。而由于不同的识别模型的类型相同但模型参数不同,所识别得到的对象识别结果也就会出现不同,此时可以通过综合各个识别模型所识别得到的对象识别结果,计算该帧点云数据对应的识别信息量。
其中,各个识别模型的模型参数可以在建立模型后进行随机选择,每个对象识别结果可以包括多个识别框。
步骤104,根据全部所述识别信息量,确定所述待筛选数据包的总信息量;
在本发明实施例中,在计算得到每帧点云数据的对象识别结果所对应的识别信息量之后,为得到待筛选数据包的总信息量,可以根据全部识别信息量的平均值,以确定待筛选数据包的总信息量。
步骤105,基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包。
在确定了每个待筛选数据包的总信息量之后,可以根据总信息量对多个待筛选数据包进行排序,再从排序后的多个待筛选数据包中选择指定数量的数据包,以得到目标数据包。
值得一提的是,还可以直接对排序后的多个待筛选数据包按总信息量从高到低进行逐一标注,以降低标注成本,且推进模型效果的快速提升。
在本发明实施例中,通过获取多个待筛选数据包,采用多个预设的识别模型对待筛选数据包中的每帧点云数据进行对象数据,以得到各个识别模型对每帧点云数据的对象识别结果;计算每帧点云数据的对象识别结果对应的识别信息量,根据全部识别信息量确定待筛选数据包的总信息量,最后基于总信息量对多个待筛选数据包进行排序,以从多个待筛选数据包中选择得到目标数据包。从而解决现有技术中无法从获取到的海量数据准确快速地选择标注价值较高的数据包进行标注,难以快速地提高模型性能的技术问题,能够更为准确快速地选择标注价值较高的数据包进行标注,快速提升模型性能,降低标注成本。
请参阅图2,图2为本发明实施例二提供的一种数据包筛选方法的步骤流程图,本实施例对上述步骤103的技术特征“计算所述对象识别结果对应的识别信息量”进行详细描述。
本发明提供的一种数据包筛选方法,包括:
步骤201,获取多个待筛选数据包;所述待筛选数据包包括多帧点云数据;
在具体实现中,智能驾驶系统可以是由多个识别模型以及对应的避障系统等组成,例如障碍物识别模型、细小物体识别模型、行人识别模型等。
而搭载智能驾驶系统的车辆在每天的运营过程中都会采集到大量的真实路测数据,例如转弯、规避行人车辆等障碍物等,可以采用云端对车辆所采集到的路测数据以rosbag为单位存储,在对模型进行优化的过程中,从云端获取一段时间内的rosbag作为待筛选数据包,每个待筛选数据包可以包括多帧点云数据。
值得一提的是,ROS(Robot Operating System,机器人操作系统)是用于编写机器人软件的灵活框架,提供一系列程序库和工具以帮助软件开发者创建机器人应用软件,拥有硬件抽象、设备驱动、库函数、可视化、消息传递和软件包管理等诸多功能,使得模块之间通信十分容易。rosbag就是车辆在运营的过程中,此系统在一段时间的记录,可以方便地存储下来车辆当时的环境信息和各模块输出。
可选地,在存储rosbag的同时,还可以相应记录采集的车辆、日期和地点等信息,以方便后续数据获取的检索。
步骤202,采用多个预设的识别模型对每帧所述点云数据进行对象识别,得到每帧所述点云数据的对象识别结果;
在本发明的一个示例中,可以将待筛选数据包分别输入到多个预设的识别模型,每个待筛选数据包都包括有多帧点云数据。可以通过多个识别模型针对待筛选数据包的每帧点云数据进行识别,以得到每帧点云数据对应的对象识别结果。
例如,可以通过提取点云数据的特征信息,再根据点云数据的特征信息与识别模型所设置的类别进行匹配,确定特征信息对应的类别,以识别框的形式对该特征信息的位置进行定位。
在本发明实施例中,所述对象识别结果包括第一识别结果和多个第二识别结果;上述步骤103可以替换为以下步骤203-205:
步骤203,遍历所述第一识别结果内的全部第一识别框,获取每个所述第一识别框对应的第一识别信息;
对象识别结果可以包括第一识别结果和多个第二识别结果,由于多个识别模型对同一帧点云数据都会输出对应的对象识别结果,为确定识别模型之前的差异性,可以将任一识别模型所输出的对象识别结果作为第一识别结果,剩余识别模型所输出的对象识别结果作为第二识别结果。
在本发明实施例中,可以遍历第一识别结果内的全部第一识别框,以获取每个第一识别框相关的第一识别信息,以便后续对每个第一识别框的互信息值进行计算。
其中,第一识别信息可以包括识别框的类别和置信度等信息,置信度越高表示模型有更高的把握认为这个框是该类别,类别通常包括车辆、行人、静止障碍物等。
步骤204,根据所述第一识别信息,结合多个所述第二识别结果计算所述第一识别框的互信息值;
互信息值指的是一个识别框所包含的信息量。
在具体实现中,在得到选定模型的第一识别结果和剩余模型的第二识别结果后,可以第一识别结果内的第一识别框作为标准,结合多个第二识别结果内的第二识别框,计算第一识别框的互信息值。
可选地,所述第一识别信息包括第一类别和第一置信度,所述第二识别结果包括多个第二识别框,步骤204可以包括以下子步骤S11-S13:
S11、从每个所述第二识别结果中查找与所述第一类别相同的第二识别框;
在本发明实施例中,各个识别模型所识别的都是同一帧点云数据,可以对每个识别模型输出的第二识别结果进行检索,从中查找与第一类别相同的第二识别框,以便于进一步对各个识别模型的识别能力评估。
其中,所述第二识别框具有第二识别信息,所述第二识别信息包括第二置信度。
可选地,第二识别信息还可以包括第二类别,在上述从每个所述第二识别结果中查找与所述第一类别相同的第二识别框的步骤中,可以通过匹配第一识别框的第一类别和第二识别框的第二类别实现相同类型识别框的查找。
S12、若查找到与所述第一类别相同的第二识别框,则计算所述第一识别框与每个所述第二识别框之间的交互比;
交互比(IOU,Intersection over Union)用于评价对象检测算法,通过计算预测边框和实际边框交集与并集之比,交互比的值在0~1之间,且越接近1表示目标的定位越准确。
在本发明的一个示例中,若是从任一个第二识别结果中找到与第一类别相同的第二识别框,说明该识别模型也可以识别到该物体,此时可以进一步计算第一识别框和第二识别框之间的交互比,以确定第一识别框和第二识别框所识别到的是否为同一物体。
在具体实现中,可以通过以下方式计算第一识别框和第二识别框之间的交互比:
其中,BoxModel#1表示第一识别框,BoxModel#n表示第二识别框,E表示识别模型的数量,通过第一识别框和任一第二识别框交叠的面积除以两者并集的面积,以得到第一识别框和第二识别框之间的交互比。
S13、若所述交互比大于预定阈值,则根据所述第一置信度和所述第二置信度,确定所述第一识别框的互信息值。
当计算得到第一识别框和第二识别框的交互比后,若是交互比大于预定阈值,则说明第一识别框和第二识别框所代表的都是同一物体。此时可以根据识别结果的置信度不同,差异性不同的原因,根据第一置信度和第二置信度进行进一步的互信息值计算,从而确定第一识别框的互信息值。
在实际操作中,若是交互比大于等于预定阈值0.5时,可以认为预测边框是正确的,也可以设置一个更高的阈值,本发明实施例对此不作限制。
在本发明的一个示例中,步骤S13可以包括以下子步骤S131-S135:
S131、若所述交互比大于预定阈值,则分别计算所述第一置信度和所述第二置信度的自信息量;
S132、计算全部所述自信息量的自信息量平均值;
S133、计算所述第一置信度和所述第二置信度的置信度平均值;
S134、计算所述置信度平均值的置信度自信息量;
S135、根据所述置信度自信息量和所述自信息量平均值之差,确定所述第一识别框的互信息值。
在本发明实施例中,互信息值指的是第一识别框与其他第二识别框之间的关系强弱程度,若第一识别框和第二识别框的交互比大于预定阈值,说明两者所代表的都是同一物体,但不同模型之间的识别类型相同并不能代表置信度相同。此时可以分别计算第一置信度和第二置信度的自信息量。
在具体实现中,可以通过以下公式进行自信息量H(pn)的计算:
H(pn)=-(pnlogpn+(1-pn)log(1-pn)) n=1,2…E
其中,pn表示识别框的置信度,若是第一识别框则为第一置信度,若是第二识别框则为第二置信度;E表示识别模型的数量。
在得到每个识别模型对应的自信息量后,计算全部自信息量的自信息量平均值。
最后根据置信度自信息量和自信息量平均值之差,确定第一识别框的互信息值。
在具体实现中,第一识别框的互信息值MI(pc)可以通过以下公式计算:
针对每个识别物体,不同模型对其识别所生成的识别框的置信度差异越大,所获取到互信息值越高,说明该识别框的信息量越大越值得标注。例如6个模型对该框的置信度为[0.988447309,0.985552192,0.992906094,0.993685603,0.98109448,0.976083577]则计算得到的信息量为0.00210;如果差异性较大,如[0.5083,0.871474922,0.637933493,0.954984486,0.920647144,0.661376297]则信息量较大为0.11552。
进一步地,步骤204还可以包括以下子步骤S14:
S14、若未查找到与所述第一类别相同的第二识别框,或者,所述交互比小于或等于所述预设阈值,则将所述第一识别框的互信息值设置为固定值。
在本发明的另一个示例中,若是在第二识别结果中未查找到与第一类别相同的第二识别框,或者说第一识别框和第二识别框之间的交互比小于或等于预设阈值,说明识别模型对该物体存在漏检情况,模型对该情况的学习程度有待提高,该第一识别框的信息量最大,此时可以将该第一识别框的互信息值设置为固定值。
其中,为方便计算,可以对第一识别框的互信息值进行归一化处理,第一识别框的信息量最大的情况下,固定值可以为1。
可选地,若是第一识别框与任一个第二识别框的位置相同且类别不同,则也可以将第一识别框的互信息值设置为固定值。
步骤205,根据全部所述第一识别框的互信息值,确定所述对象识别结果对应的识别信息量。
在本实施例中,在计算得到全部第一识别框的互信息值后,也就是得到了该帧点云数据中的每个识别框对应的互信息值,此时可以基于全部第一识别框的互信息值,确定对象识别结果对应的识别信息量。
在本发明的另一个示例中,步骤205可以包括以下子步骤S21-S23:
S21、获取全部所述第一识别框的互信息值对应的第一次序;
S22、根据所述第一次序选择第一预定数量的所述互信息值作为目标信息量;
S23、计算所述目标信息量的平均值作为所述对象识别结果对应的识别信息量。
在本发明实施例中,为关注信息量更高的个别物体,且防止信息量由于特殊情况波动过大或被稀释,可以按照互信息值从高到低进行排序,以获取到全部互信息值对应的第一次序,按照该第一次序从排序后的多个互信息值中选择第一预定数量的互信息值作为目标信息值,计算目标信息值的平均值作为对象识别结果对应的识别信息量。
其中,第一预定数量可以设置为20%、30%或40%等,本发明实施例对此不作限制。
步骤206,根据全部所述识别信息量,确定所述待筛选数据包的总信息量;
在本发明实施例中,在计算得到每帧点云数据的对象识别结果所对应的识别信息量之后,也就得到了每帧点云数据所对应的信息量,为得到待筛选数据包的总信息量,可以根据全部识别信息量的平均值,以确定待筛选数据包的总信息量。
步骤207,基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包。
在确定了每个待筛选数据包的总信息量之后,可以根据总信息量对多个待筛选数据包进行排序,以得到待筛选数据包的标注价值排序,再从排序后的多个待筛选数据包中选择指定数量的数据包,以得到目标数据包。
在本发明实施例中,通过获取多个待筛选数据包,采用多个预设的识别模型对待筛选数据包中的每帧点云数据进行对象数据,以得到各个识别模型对每帧点云数据的对象识别结果;从识别模型的对象识别结果中任意选择一个对象识别结果作为第一识别结果,其余作为第二识别结果,通过遍历第一识别结果内的全部第一识别框,获取每个第一识别框对应的第一识别信息;从第二识别结果中确定与第一识别框相同且交互比大于预设阈值的第二识别框,依据第一识别信息和第二识别框对应的第二识别信息计算第一识别框的互信息值;结合全部第一识别框的互信息值的排序第一次序,提取第一预定数量的目标信息值进行对象识别结果对应的识别信息量计算;最后基于全部帧点云数据对应的识别信息量确定该待筛选数据包的总信息量;最后基于总信息量对多个待筛选数据包进行排序,以从多个待筛选数据包中选择得到目标数据包。从而实现对每帧点云数据的针对性互信息选取,进而能够更为准确快速地选择标注价值较高的数据包进行标注,快速提升模型性能,降低标注成本。
请参阅图3,图3为本发明实施例三提供的一种数据包筛选方法的步骤流程图。
本发明提供的一种数据包筛选方法,包括:
步骤301,获取训练数据包;
在深度学习训练过程中,训练数据包的不同,网络结构不同,随机种子不同都会带来模型表现方面的差异。但如果多个模型之间所用训练数据包或网络结构不统一,则难以判断不同模型之间对于相同数据的不同判断结果是由什么导致的,也就不能直接指向模型本身的优劣。
在对多个预设的初始识别模型的训练过程中,所获取到的训练数据包是相同的,多个预设的初始识别模型具有相同的网络结构,只利用初始识别模型中的随机种子不同引入的差异性对训练数据包进行信息量的计算。
其中,随机种子指的是深度学习网络模型中初始的权值参数,在具体实现中可以将各个初始识别模型的模型参数初始化成随机数的形式引入随机因子。
步骤302,采用所述训练数据包训练多个预设的初始识别模型,得到所述预设的识别模型。
在本发明实施例中,可以在初始识别模型的模型参数为随机因子的基础上,对模型参数使用梯度下降法,最终得到的局部最优解获得当前认为的最优模型。
在本发明的一个示例中,所述初始识别模型具有相同网络结构且模型参数不同,步骤302可以包括以下子步骤S31-S34:
S31、将所述训练数据包分别输入到多个所述初始识别模型,得到多个初始识别结果;其中,所述训练数据包具有真实识别结果;
S32、比对每个所述初始识别结果和所述真实识别结果,确定所述初始识别结果的识别准确率;
S33、若所述识别准确率低于预设准确阈值,则调整所述初始识别模型的所述模型参数;
S34、跳转执行所述将所述训练数据包分别输入到多个所述初始识别模型,得到多个初始识别结果的步骤,直至所述识别准确率大于或等于所述预设准确阈值,得到所述预设的识别模型。
真实识别结果指的是根据训练数据包中的真实标注情况所得到的识别框。
在本发明实施例中,训练数据包包括多个训练数据包,每个训练数据包均具有真实识别结果,初始识别模型具有相同网络结构且模型参数不同;当将训练数据包分别输入到多个初始识别模型,分别得到对应的初始识别结果后,可以通过比对每个初始识别结果和真实识别结果,确定判定相同的初始识别结果数量,结合初始识别结果总数量确定初始识别结果的识别准确率;若是识别准确率低于预设准确阈值的情况,则调整对应的初始识别模型的模型参数;再重新将训练数据包分别输入到多个初始识别模型进行训练,直至识别准确率大于或等于所述预设准确阈值,说明初始识别模型此时以及符合性能预期,将该初始识别模型确定为预设的识别模型。
其中,预设准确预阈值可以设置为90%、95%或是由技术人员自行设定,本发明实施例对此不作限制。
值得一提的是,调整模型参数的过程可以采用梯度下降法进行参数调整。
梯度下降法(gradient descent)是一个最优化算法,常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型,通过沿梯度下降的方向求解模型参数的极小值。
可选地,步骤302还可以包括以下子步骤S35:
S35、若所述初始识别结果与所述真实识别结果相同,则将所述初始识别模型确定为所述预设的识别模型。
在本发明实施例中,若是比对结果为初始识别结果与真实识别结果相同,则说明该初始识别模型已经训练完成,可以将该初始识别模型确定为预设的识别模型。
可选地,为进一步提高识别模型的准确度,若初始识别结果与真实识别结果相同的情况下,还可以继续输入下一个训练数据包,比对该训练数据包的真实识别结果与识别模型输出的初始识别结果是否相同,若是再次判定为相同,可以将初始识别模型确定为预设的识别模型
步骤303,获取多个待筛选数据包;所述待筛选数据包包括多帧点云数据;
在具体实现中,可以在云端设置实时监听接口,当云端接收到自动驾驶车辆上传的数据包后,获取该数据包作为待筛选数据包,快速筛选该待筛选数据包的标注价值。
可选地,还可以在云端设置轮询接口,当云端在一段时间内接收到自动驾驶车辆上传的多个数据包后,获取该时段内的多个数据包作为待筛选数据包进行后续标注价值的筛选。
步骤304,采用多个预设的识别模型对每帧所述点云数据进行对象识别,得到每帧所述点云数据的对象识别结果;
在本发明实施例中,在得到多个待筛选数据包后,为实现对待筛选数据包的标注价值的评判,可以采用多个预设的识别模型对每个待筛选数据包中的每帧点云数据进行对象识别,以确定各个识别模型在针对每帧点云数据的识别所生成的对象识别结果。
步骤305,计算所述对象识别结果对应的识别信息量;
在得到每帧点云数据的对象识别结果后,也就是得到了各个识别模型对同一帧点云数据的对象识别结果。而由于不同的识别模型的类型相同但识别参数不同,所识别得到的对象识别结果也就会出现不同,此时可以通过综合各个识别模型所识别得到的对象识别结果,计算该帧点云数据对应的识别信息量。
步骤306,根据全部所述识别信息量,确定所述待筛选数据包的总信息量;
可选地,步骤306可以包括以下子步骤S41-S42:
S41、计算全部所述识别信息量的识别平均值;
S42、将所述识别平均值确定为所述待筛选数据包的总信息量。
在本发明实施例中,在得到待筛选数据包中每帧点云数据的识别信息量之后,为确定待筛选数据包的总信息量,可以通过计算全部识别信息量的平均值作为识别平均值,将其作为待筛选数据包的总信息量,以确保更关注信息量更高的个别物体,也不会由于某一个特殊情况而使信息量波动过大。
步骤307,基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包。
进一步地,步骤307可以包括以下子步骤S51-S52:
S51、根据每个所述待筛选数据包的总信息量,确定每个待筛选数据包对应的第二次序;
S52、按照所述第二次序选择第二预定数量的所述待筛选数据包作为目标数据包。
在本发明实施例中,在计算得到每个待筛选数据包的总信息量后,按照总信息量从高到低的顺序对待筛选数据包进行排序,得到每个待筛选数据包对应的第二次序,以确定全部待筛选数据包的标注价值高低;再按照第二次序选择第二预定数量的待筛选数据包作为目标数据包,从而确定标注价值较高的待筛选数据包。
其中,第二预定数量可以设置为20%-40%,可以与第一预定数量相同或不同,或者由技术人员自行进行设置。
可选地,在得到目标数据包后,还可以将目标数据包添加到训练数据包中,以实现对训练数据包的扩展。
进一步地,在生成多个预设的识别模型后,还可以设置定时,在使用识别模型一段时间后,再次采用训练数据包对识别模型进行进一步优化。
在本发明实施例中,可以预先获取训练数据包,采用训练数据包对预设的初始识别模型进行训练,以得到预设的识别模型,再通过获取多个待筛选数据包,采用多个预设的识别模型对待筛选数据包中的每帧点云数据进行对象数据,以得到各个识别模型对每帧点云数据的对象识别结果;计算每帧点云数据的对象识别结果对应的识别信息量,根据全部识别信息量确定待筛选数据包的总信息量,最后基于总信息量对多个待筛选数据包进行排序,以从多个待筛选数据包中选择得到目标数据包。从而解决现有技术中无法从获取到的海量数据准确快速地选择标注价值较高的数据包进行标注,难以快速地提高模型性能的技术问题,能够更为准确快速地选择标注价值较高的数据包进行标注,快速提升模型性能,降低标注成本。
请参照图4,图4为本发明实施例四提供的一种数据包筛选装置的结构框图。
本发明提供的一种数据包筛选装置,包括:
数据包获取模块401,用于获取多个待筛选数据包;所述待筛选数据包包括多帧点云数据;
对象识别模块402,用于采用多个预设的识别模型对每帧所述点云数据进行对象识别,得到每帧所述点云数据的对象识别结果;
识别信息量计算模块403,用于计算所述对象识别结果对应的识别信息量;
总信息量计算模块404,用于根据全部所述识别信息量,确定所述待筛选数据包的总信息量;
筛选模块405,用于基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包。
可选地,所述对象识别结果包括第一识别结果和多个第二识别结果;所述识别信息量计算模块403包括:
第一识别信息获取子模块,用于遍历所述第一识别结果内的全部第一识别框,获取每个所述第一识别框对应的第一识别信息;
互信息值计算子模块,用于根据所述第一识别信息,结合多个所述第二识别结果计算所述第一识别框的互信息值;
识别信息值计算子模块,用于根据全部所述第一识别框的互信息值,确定所述对象识别结果对应的识别信息量。
可选地,所述第一识别信息包括第一类别和第一置信度,所述第二识别结果包括多个第二识别框;所述互信息值计算子模块包括:
识别框查找单元,用于从每个所述第二识别结果中查找与所述第一类别相同的第二识别框;其中,所述第二识别框具有第二识别信息,所述第二识别信息包括第二置信度;
交互比计算单元,用于若查找到与所述第一类别相同的第二识别框,则计算所述第一识别框与每个所述第二识别框之间的交互比;
第一互信息值确定单元,用于若所述交互比大于预定阈值,则根据所述第一置信度和所述第二置信度,确定所述第一识别框的互信息值。
可选地,所述互信息值计算子模块还包括:
第二互信息值确定单元,用于若未查找到与所述第一类别相同的第二识别框,或者,所述交互比小于或等于所述预设阈值,则将所述第一识别框的互信息值设置为固定值。
可选地,所述第一互信息值确定单元包括:
自信息量计算子单元,用于若所述交互比大于预定阈值,则分别计算所述第一置信度和所述第二置信度的自信息量;
自信息量平均值计算子单元,用于计算全部所述自信息量的自信息量平均值;
置信度平均值计算子单元,用于计算所述第一置信度和所述第二置信度的置信度平均值;
置信度自信息量计算子单元,用于计算所述置信度平均值的置信度自信息量;
互信息值确定子单元,用于根据所述置信度自信息量和所述自信息量平均值之差,确定所述第一识别框的互信息值。
可选地,所述识别信息值计算子模块包括:互信息值排序单元,用于获取全部所述第一识别框的互信息值对应的第一次序;
目标信息量确定单元,用于根据所述第一次序选择第一预定数量的所述互信息值作为目标信息量;
识别信息量确定单元,用于计算所述目标信息量的平均值作为所述对象识别结果对应的识别信息量。
可选地,所述总信息量计算模块404包括:
识别平均值计算子模块,用于计算全部所述识别信息量的识别平均值;
总信息量确定子模块,用于将所述识别平均值确定为所述待筛选数据包的总信息量。
可选地,所述筛选模块405包括:
数据包排序子模块,用于根据每个所述待筛选数据包的总信息量,确定每个待筛选数据包对应的第二次序;
目标数据包确定子模块,用于按照所述第二次序选择第二预定数量的所述待筛选数据包作为目标数据包。
可选地,所述装置还包括:
训练数据包获取模块,用于获取训练数据包;
模型训练模块,用于采用所述训练数据包训练多个预设的初始识别模型,得到所述预设的识别模型。
可选地,所述初始识别模型具有相同网络结构且模型参数不同;所述模型训练模块包括:
初始识别子模块,用于将所述训练数据包分别输入到多个所述初始识别模型,得到多个初始识别结果;其中,所述训练数据包具有真实识别结果;
结果比对子模块,用于比对每个所述初始识别结果和所述真实识别结果;
参数调整子模块,用于若所述初始识别结果与所述真实识别结果不同,则调整所述初始识别模型的所述模型参数;
循环子模块,用于跳转执行所述将所述训练数据包分别输入到多个所述初始识别模型,得到多个初始识别结果的步骤,直至所述初始识别结果和所述真实识别结果相同,得到所述预设的识别模型;
可选地,所述训练模块还包括:
模型判定子模块,用于若所述初始识别结果与所述真实识别结果相同,则将所述初始识别模型确定为所述预设的识别模型。
请参阅图5,图5示出了本发明实施例的一种电子设备的结构框图。
本发明实施例的一种电子设备,,包括存储器502及处理器501,所述存储器502中储存有计算机程序,所述计算机程序被所述处理器501执行时,使得所述处理器501执行如本发明任一实施例所述的数据包筛选方法的步骤。
存储器502可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器502具有用于执行上述方法中的任何方法步骤的程序代码513的存储空间503。例如,用于程序代码的存储空间503可以包括分别用于实现上面的方法中的各种步骤的各个程序代码513。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时,导致该计算处理设备执行上面所描述的方法中的各个步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器执行时实现如本发明任一实施例所述的数据包筛选方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置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系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种数据包筛选方法,其特征在于,包括:
获取多个待筛选数据包;所述待筛选数据包包括多帧点云数据;
采用多个预设的识别模型对每帧所述点云数据进行对象识别,得到每帧所述点云数据的对象识别结果;
计算所述对象识别结果对应的识别信息量;
根据全部所述识别信息量,确定所述待筛选数据包的总信息量;
基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包。
2.根据权利要求1所述的数据包筛选方法,其特征在于,所述对象识别结果包括第一识别结果和多个第二识别结果;所述计算所述对象识别结果对应的识别信息量的步骤,包括:
遍历所述第一识别结果内的全部第一识别框,获取每个所述第一识别框对应的第一识别信息;
根据所述第一识别信息,结合多个所述第二识别结果计算所述第一识别框的互信息值;
根据全部所述第一识别框的互信息值,确定所述对象识别结果对应的识别信息量。
3.根据权利要求2所述的数据包筛选方法,其特征在于,所述第一识别信息包括第一类别和第一置信度,所述第二识别结果包括多个第二识别框;所述根据所述第一识别信息,结合多个所述第二识别结果计算所述第一识别框的互信息值的步骤,包括:
从每个所述第二识别结果中查找与所述第一类别相同的第二识别框;其中,所述第二识别框具有第二识别信息,所述第二识别信息包括第二置信度;
若查找到与所述第一类别相同的第二识别框,则计算所述第一识别框与每个所述第二识别框之间的交互比;
若所述交互比大于预定阈值,则根据所述第一置信度和所述第二置信度,确定所述第一识别框的互信息值。
4.根据权利要求3所述的数据包筛选方法,其特征在于,还包括:
若未查找到与所述第一类别相同的第二识别框,或者,所述交互比小于或等于所述预设阈值,则将所述第一识别框的互信息值设置为固定值。
5.根据权利要求3所述的数据包筛选方法,其特征在于,所述若所述交互比大于预定阈值,则根据所述第一置信度和所述第二置信度,确定所述第一识别框的互信息值的步骤,包括:
若所述交互比大于预定阈值,则分别计算所述第一置信度和所述第二置信度的自信息量;
计算全部所述自信息量的自信息量平均值;
计算所述第一置信度和所述第二置信度的置信度平均值;
计算所述置信度平均值的置信度自信息量;
根据所述置信度自信息量和所述自信息量平均值之差,确定所述第一识别框的互信息值。
6.根据权利要求2所述的数据包筛选方法,其特征在于,所述根据全部所述第一识别框的互信息值,确定所述对象识别结果对应的识别信息量的步骤,包括:
获取全部所述第一识别框的互信息值对应的第一次序;
根据所述第一次序选择第一预定数量的所述互信息值作为目标信息量;
计算所述目标信息量的平均值作为所述对象识别结果对应的识别信息量。
7.根据权利要求1所述的数据包筛选方法,其特征在于,所述根据全部所述识别信息量,确定所述待筛选数据包的总信息量的步骤,包括:
计算全部所述识别信息量的识别平均值;
将所述识别平均值确定为所述待筛选数据包的总信息量。
8.根据权利要求1所述的数据包筛选方法,其特征在于,所述基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包的步骤,包括:
根据每个所述待筛选数据包的总信息量,确定每个待筛选数据包对应的第二次序;
从排序后的多个所述待筛选数据包中选择第二预定数量的所述待筛选数据包作为目标数据包。
9.一种数据包筛选装置,其特征在于,包括:
数据包获取模块,用于获取多个待筛选数据包;所述待筛选数据包包括多帧点云数据;
对象识别模块,用于采用多个预设的识别模型对每帧所述点云数据进行对象识别,得到每帧所述点云数据的对象识别结果;
识别信息量计算模块,用于计算所述对象识别结果对应的识别信息量;
总信息量计算模块,用于根据全部所述识别信息量,确定所述待筛选数据包的总信息量;
筛选模块,用于基于多个所述待筛选数据包的总信息量,从多个所述待筛选数据包中筛选得到目标数据包。
10.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-8任一项所述的数据包筛选方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-8任一项所述的数据包筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169060.6A CN112801200B (zh) | 2021-02-07 | 2021-02-07 | 一种数据包筛选方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169060.6A CN112801200B (zh) | 2021-02-07 | 2021-02-07 | 一种数据包筛选方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801200A true CN112801200A (zh) | 2021-05-14 |
CN112801200B CN112801200B (zh) | 2024-02-20 |
Family
ID=75814719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110169060.6A Active CN112801200B (zh) | 2021-02-07 | 2021-02-07 | 一种数据包筛选方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801200B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821248A (zh) * | 2022-07-01 | 2022-07-29 | 深圳大学 | 面向点云理解的数据主动筛选标注方法和装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8553989B1 (en) * | 2010-04-27 | 2013-10-08 | Hrl Laboratories, Llc | Three-dimensional (3D) object recognition system using region of interest geometric features |
CN108154560A (zh) * | 2018-01-25 | 2018-06-12 | 北京小马慧行科技有限公司 | 激光点云标注方法、装置及可读存储介质 |
CN108196260A (zh) * | 2017-12-13 | 2018-06-22 | 北京汽车集团有限公司 | 无人驾驶车辆多传感器融合系统的测试方法和装置 |
CN108280886A (zh) * | 2018-01-25 | 2018-07-13 | 北京小马智行科技有限公司 | 激光点云标注方法、装置及可读存储介质 |
US20190156507A1 (en) * | 2016-10-10 | 2019-05-23 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for processing point cloud data and storage medium |
CN109948684A (zh) * | 2019-03-12 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 点云数据标注质量的质检方法、装置及其相关设备 |
CN109948683A (zh) * | 2019-03-12 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 点云数据的难易度划分方法、装置及其相关设备 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110647841A (zh) * | 2019-09-20 | 2020-01-03 | Oppo广东移动通信有限公司 | 图像识别结果过滤方法、装置、计算机设备及存储介质 |
CN111027401A (zh) * | 2019-11-15 | 2020-04-17 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111125283A (zh) * | 2019-12-23 | 2020-05-08 | 苏州智加科技有限公司 | 电子地图构建方法、装置、计算机设备和存储介质 |
CN111382767A (zh) * | 2018-12-29 | 2020-07-07 | 国网通用航空有限公司 | 电力线点识别方法、装置、设备、计算机设备和存储介质 |
CN111414804A (zh) * | 2020-02-27 | 2020-07-14 | 广州文远知行科技有限公司 | 识别框确定方法、装置、计算机设备、车辆和存储介质 |
CN111666137A (zh) * | 2020-04-26 | 2020-09-15 | 广州文远知行科技有限公司 | 数据标注方法、装置、计算机设备和存储介质 |
CN111931727A (zh) * | 2020-09-23 | 2020-11-13 | 深圳市商汤科技有限公司 | 点云数据标注方法、装置、电子设备和存储介质 |
DE102019117559A1 (de) * | 2019-06-28 | 2020-12-31 | Connaught Electronics Ltd. | Verfahren und System zum Fusionieren von zweidimensionalen semantischen Informationen aus Bildern mit einer dreidimensionalen Punktwolke |
EP3767521A1 (en) * | 2019-07-15 | 2021-01-20 | Promaton Holding B.V. | Object detection and instance segmentation of 3d point clouds based on deep learning |
-
2021
- 2021-02-07 CN CN202110169060.6A patent/CN112801200B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8553989B1 (en) * | 2010-04-27 | 2013-10-08 | Hrl Laboratories, Llc | Three-dimensional (3D) object recognition system using region of interest geometric features |
US20190156507A1 (en) * | 2016-10-10 | 2019-05-23 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for processing point cloud data and storage medium |
CN108196260A (zh) * | 2017-12-13 | 2018-06-22 | 北京汽车集团有限公司 | 无人驾驶车辆多传感器融合系统的测试方法和装置 |
CN108154560A (zh) * | 2018-01-25 | 2018-06-12 | 北京小马慧行科技有限公司 | 激光点云标注方法、装置及可读存储介质 |
CN108280886A (zh) * | 2018-01-25 | 2018-07-13 | 北京小马智行科技有限公司 | 激光点云标注方法、装置及可读存储介质 |
CN111382767A (zh) * | 2018-12-29 | 2020-07-07 | 国网通用航空有限公司 | 电力线点识别方法、装置、设备、计算机设备和存储介质 |
CN109948684A (zh) * | 2019-03-12 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 点云数据标注质量的质检方法、装置及其相关设备 |
CN109948683A (zh) * | 2019-03-12 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 点云数据的难易度划分方法、装置及其相关设备 |
DE102019117559A1 (de) * | 2019-06-28 | 2020-12-31 | Connaught Electronics Ltd. | Verfahren und System zum Fusionieren von zweidimensionalen semantischen Informationen aus Bildern mit einer dreidimensionalen Punktwolke |
EP3767521A1 (en) * | 2019-07-15 | 2021-01-20 | Promaton Holding B.V. | Object detection and instance segmentation of 3d point clouds based on deep learning |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110647841A (zh) * | 2019-09-20 | 2020-01-03 | Oppo广东移动通信有限公司 | 图像识别结果过滤方法、装置、计算机设备及存储介质 |
CN111027401A (zh) * | 2019-11-15 | 2020-04-17 | 电子科技大学 | 一种摄像头和激光雷达融合的端到端目标检测方法 |
CN111125283A (zh) * | 2019-12-23 | 2020-05-08 | 苏州智加科技有限公司 | 电子地图构建方法、装置、计算机设备和存储介质 |
CN111414804A (zh) * | 2020-02-27 | 2020-07-14 | 广州文远知行科技有限公司 | 识别框确定方法、装置、计算机设备、车辆和存储介质 |
CN111666137A (zh) * | 2020-04-26 | 2020-09-15 | 广州文远知行科技有限公司 | 数据标注方法、装置、计算机设备和存储介质 |
CN111931727A (zh) * | 2020-09-23 | 2020-11-13 | 深圳市商汤科技有限公司 | 点云数据标注方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
BELLO S A等: "Deep learning on 3D point clouds", 《REMOTE SENSING》, vol. 12, no. 11, pages 1 - 34 * |
PASZKE A等: "Enet: A deep neural network architecture for real-time semantic segmentation", 《ARXIV:1606.02147》, pages 1 - 10 * |
白玉等: "基于可见光图像和红外图像决策级融合的目标检测算法", 《空军工程大学学报(自然科学版)》, vol. 21, no. 6, pages 53 - 59 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821248A (zh) * | 2022-07-01 | 2022-07-29 | 深圳大学 | 面向点云理解的数据主动筛选标注方法和装置 |
CN114821248B (zh) * | 2022-07-01 | 2022-10-21 | 深圳大学 | 面向点云理解的数据主动筛选标注方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112801200B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110874583A (zh) | 一种客流统计的方法、装置、存储介质及电子设备 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN110717358B (zh) | 访客人数统计方法、装置、电子设备及存储介质 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN111709374A (zh) | 鸟情检测方法、装置、计算机设备及存储介质 | |
CN110869942B (zh) | 自馈深度学习方法和系统 | |
CN111814835A (zh) | 计算机视觉模型的训练方法、装置、电子设备和存储介质 | |
CN109063790B (zh) | 对象识别模型优化方法、装置和电子设备 | |
CN109857878B (zh) | 物品标注方法及装置、电子设备及存储介质 | |
CN113095563B (zh) | 一种人工智能模型预测结果的复审方法及装置 | |
WO2021114985A1 (zh) | 一种同行对象识别方法、装置、服务器及系统 | |
CN112801200B (zh) | 一种数据包筛选方法、装置、设备和存储介质 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
Ding et al. | Mit-avt clustered driving scene dataset: Evaluating perception systems in real-world naturalistic driving scenarios | |
CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
CN114205223A (zh) | 一种车辆智能驾驶功能异常事件的溯源定位方法和装置 | |
CN112613425B (zh) | 一种面向小样本水下图像的目标识别系统 | |
CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN110378241B (zh) | 作物生长状态监控方法、装置、计算机设备及存储介质 | |
CN111258874B (zh) | 一种基于web数据的用户操作轨迹分析方法及装置 | |
CN116935134A (zh) | 一种点云数据的标注方法、系统、终端及存储介质 | |
KR102603396B1 (ko) | 인공지능을 이용한 영상 감시 기반 개체 인식 및 행동패턴 분석 방법 및 시스템 | |
CA3012927A1 (en) | Counting objects in images based on approximate locations | |
CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别系统 |
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 |