CN113205119A - 数据标注方法、装置、电子设备及可读存储介质 - Google Patents

数据标注方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113205119A
CN113205119A CN202110425364.4A CN202110425364A CN113205119A CN 113205119 A CN113205119 A CN 113205119A CN 202110425364 A CN202110425364 A CN 202110425364A CN 113205119 A CN113205119 A CN 113205119A
Authority
CN
China
Prior art keywords
obstacle
detection
result
round
data
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
Application number
CN202110425364.4A
Other languages
English (en)
Other versions
CN113205119B (zh
Inventor
张晔
王军
王昊
马彧
王亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110425364.4A priority Critical patent/CN113205119B/zh
Publication of CN113205119A publication Critical patent/CN113205119A/zh
Priority to JP2022066016A priority patent/JP7355295B2/ja
Priority to US17/659,516 priority patent/US20220335316A1/en
Priority to KR1020220048238A priority patent/KR20220144776A/ko
Priority to EP22168827.8A priority patent/EP4083875A1/en
Application granted granted Critical
Publication of CN113205119B publication Critical patent/CN113205119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G06N5/047—Pattern matching networks; Rete networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/945—User interactive design; Environments; Toolboxes
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开公开了数据标注方法、装置、电子设备及可读存储介质，涉及深度学习、计算机视觉和自动驾驶等人工智能领域，其中的方法可包括：获取检测模型，所述检测模型为利用人工标注的作为启动数据的传感器数据训练得到的；利用检测模型对待标注的传感器数据进行障碍物检测，启动数据及待标注的传感器数据为相同类型的传感器数据；根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息；根据所述障碍物轨迹信息对检测结果进行修正，将修正后的检测结果作为所需的标注结果。应用本公开所述方案，可节省人力和时间成本等。

Description

数据标注方法、装置、电子设备及可读存储介质
技术领域
本公开涉及人工智能技术领域，特别涉及深度学习、计算机视觉和自动驾驶等领域的数据标注方法、装置、电子设备及可读存储介质。
背景技术
在实际应用中，很多障碍物检测任务都是通过监督学习模型实现的，如基于激光雷达点云数据进行的障碍物检测等，为此，需要预先获取一定数量的点云标注数据，以进行模型的训练。
目前，主要依赖于人工标注方式来获取点云标注数据，而这种方式需要耗费较大的人力和时间成本等。
发明内容
本公开提供了数据标注方法、装置、电子设备及可读存储介质。
一种数据标注方法，包括：
获取检测模型，所述检测模型为利用人工标注的作为启动数据的传感器数据训练得到的；
利用所述检测模型对待标注的传感器数据进行障碍物检测，所述启动数据及所述待标注的传感器数据为相同类型的传感器数据；
根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息；
根据所述障碍物轨迹信息对所述检测结果进行修正，将修正后的检测结果作为所需的标注结果。
一种数据标注装置，包括：获取模块、检测模块、跟踪模块和修正模块；
所述获取模块，用于获取检测模型，所述检测模型为利用人工标注的作为启动数据的传感器数据训练得到的；
所述检测模块，用于利用所述检测模型对待标注的传感器数据进行障碍物检测，所述启动数据及所述待标注的传感器数据为相同类型的传感器数据；
所述跟踪模块，用于根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息；
所述修正模块，用于根据所述障碍物轨迹信息对所述检测结果进行修正，将修正后的检测结果作为所需的标注结果。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果：基于获取到的检测模型，后续可自动地完成待标注的传感器数据的标注，从而节省了人力和时间成本，并提升了标注效率等。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开所述数据标注方法实施例的流程图；
图2为本公开所述数据标注方法的整体实现过程示意图；
图3为本公开所述数据标注装置实施例300的组成结构示意图；
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本公开所述数据标注方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，获取检测模型，所述检测模型为利用人工标注的作为启动数据的传感器数据训练得到的。
在步骤102中，利用检测模型对待标注的传感器数据进行障碍物检测，启动数据及待标注的传感器数据为相同类型的传感器数据。
在步骤103中，根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息。
在步骤104中，根据得到的障碍物轨迹信息对检测结果进行修正，将修正后的检测结果作为所需的标注结果。
可以看出，上述方法实施例所述方案中，仅需获取少量的人工标注的传感器数据作为启动数据，后续即可自动地完成待标注的传感器数据的标注，从而节省了人力和时间成本，并提升了标注效率等。
优选地，上述传感器数据可为激光雷达传感器对应的点云数据，通过上述方式，可以快速地获取到大量高质量的点云标注数据。以下即以点云数据为例，对本公开所述方案进行进一步说明。
作为启动数据的点云数据的具体数量可根据实际需要而定，相比于待标注的点云数据，作为启动数据的点云数据的数量会很少。
比如，假设共存在50万条点云数据，均未标注，按时序顺序分别编号为点云数据1-点云数据500000，通常来说，这些点云数据在时间上是连续的，即为连续采集到的50万帧点云数据，那么可对其中的点云数据1-点云数据5000进行人工标注，作为启动数据，将其余的点云数据5001-点云数据500000作为待标注的点云数据。
对于任一点云数据来说，人工标注的标注结果中可包括该点云数据中的障碍物的位置、尺寸、朝向及类别(如人、车辆等)等。
之后，可利用启动数据训练得到检测模型。优选地，可利用启动数据分别训练得到M个检测模型，M为大于一的正整数，具体取值可根据实际需要而定，通常为3-5。比如，可利用启动数据分别训练得到4个检测模型，即完成基础模型组的训练。
由于本公开所述方案为离线处理，计算性能约束更小，因此可以使用表达力更强的模型，如可使用时序模型或其它模型等，并且，可从俯视图、前视图等不同维度，分别训练对应的检测模型。M个检测模型具体分别为什么模型不作限制。
进一步地，还可将M个检测模型进行模型集成，从而得到集成后的模型，集成后的模型性能通常会优于任一单一的检测模型，从而提升了后续的检测效果等。如何进行模型集成同样不作限制，如可采用现有的集成方式等。
基于集成后的模型，可进行离线检测，即可利用集成后的模型对待标注的点云数据进行离线检测，也就是说，输入为待标注的点云数据，输出为离线检测结果(障碍物检测结果)，离线检测结果中具体包括的内容可与人工标注的标注结果中相同。
之后，可进行离线跟踪，即可根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息。
优选地，针对待标注的点云数据，可根据检测结果，按时序顺序进行第一轮的障碍物跟踪匹配，并可按时序逆序进行第二轮的障碍物跟踪匹配，进而可结合两轮跟踪匹配结果确定出各障碍物轨迹信息。
即可进行两轮的障碍物跟踪匹配，其中，第一轮的障碍物跟踪匹配为按时序顺序进行的障碍物跟踪匹配，第二轮的障碍物跟踪匹配为按时序逆序进行的障碍物跟踪匹配。
进行障碍物跟踪匹配即指进行帧与帧之间的障碍物的匹配，包括新的障碍物的出现、旧的障碍物的消失以及前一帧与当前帧中的障碍物的标识(ID)的匹配等。如何进行障碍物跟踪匹配不作限制，比如，可采用现有的匈牙利匹配算法等。
如前所述，可结合两轮跟踪匹配结果确定出各障碍物轨迹信息。优选地，可将第一轮的跟踪匹配结果与第二轮的跟踪匹配结果进行比较，保留第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的相同部分，并可针对第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的不同部分，通过贪心求解确定出需要保留的部分，进而可根据保留的部分确定出各障碍物轨迹信息。
比如，点云数据2和点云数据3为在时序上相邻的两帧点云数据，从点云数据2中检测到了两个障碍物，分别为障碍物a和障碍物b，从点云数据3中检测到了三个障碍物，分别为障碍物c、障碍物d和障碍物e，在第一轮的障碍物跟踪匹配时，将障碍物a和障碍物c确定为了同一障碍物，将障碍物b和障碍物d确定为了同一障碍物，在第二轮的障碍物跟踪匹配时，将障碍物c和障碍物a确定为了同一障碍物，但将障碍物e和障碍物b确定为了同一障碍物，那么，障碍物a和障碍物c即为第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的相同部分，而障碍物b和障碍物d以及障碍物e和障碍物b等即为第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的不同部分。
对于相同部分，可直接保留，即锁定第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的相同部分，对于不同部分，可将各不同部分及对应的跟踪匹配得分一起存入跟踪缓存，在进行障碍物跟踪匹配过程中，即可获取到所述跟踪匹配得分。进一步地，针对缓存的各部分，可通过贪心求解确定出需要保留下的部分，即可采用贪心算法进行处理，具体实现为现有技术，如可将对应的跟踪匹配得分最高的部分锁定(保留)，并将与其有冲突的部分删除，之后重复该过程，直到缓存清空。
根据保留下的部分，可确定出各障碍物轨迹信息，即可根据保留下的跟踪匹配结果生成各障碍物轨迹信息，具体实现为现有技术。比如，某一障碍物同时出现在了连续的10帧点云数据中，那么可相应地生成关于该障碍物的一条障碍物轨迹信息。可以看出，保留下的部分包括：第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的相同部分，以及，针对第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的不同部分，通过贪心求解确定出的需要保留的部分。
上述处理方式中，利用离线处理的输入数据在时序上完备的优势，对障碍物的跟踪匹配结果进行时序上的全局优化，从而提升了处理结果的准确性等。
在获取到各障碍物轨迹信息之后，还可根据所述障碍物轨迹信息对检测结果进行修正，将修正后的检测结果作为所需的标注结果。
优选地，可分别利用预先训练得到的噪声识别模型对各障碍物轨迹信息进行噪声识别，将识别为非噪声的障碍物轨迹信息对应的检测结果作为所需的标注结果。
如何训练得到噪声识别模型不作限制。比如，可基于人工标注的启动数据，训练得到噪声识别模型。如可根据启动数据生成各障碍物轨迹信息，并可提取各障碍物轨迹信息的噪声特征，如检测置信度平均值、最小值、生命周期、平均点数、最小点数及分类识别的分布等，进而可基于所述噪声特征及是否为噪声的标注结果等训练得到噪声识别模型。
这样，针对进行离线检测和离线跟踪后得到的各障碍物轨迹信息，可分别利用噪声识别模型对其进行噪声识别，即输入为一条障碍物轨迹信息，输出为该障碍物轨迹信息是否为噪声的识别结果。
相应地，可将识别为非噪声的障碍物轨迹信息对应的检测结果作为所需的标注结果。假设共存在1万条障碍物轨迹信息，其中的500条障碍物轨迹信息被识别为噪声，那么可将剩余的9500条识别为非噪声的障碍物轨迹信息对应的检测结果作为所需的标注结果。
即可对检测结果进行噪声过滤，从而过滤掉为噪声的检测结果，进而进一步提升了获取到的检测结果的准确性等。
综合上述介绍，图2为本公开所述数据标注方法的整体实现过程示意图，具体实现请参照前述相关说明，不再赘述。
总之，采用本公开所述数据标注方法，可以快速高效地获取到大量高质量的传感器标注数据，如点云标注数据，从而扩充了相关模型训练的训练数据的规模和多样性等。
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图3为本公开所述数据标注装置实施例300的组成结构示意图。如图3所示，包括：获取模块301、检测模块302、跟踪模块303和修正模块304。
获取模块301，用于获取检测模型，所述检测模型为利用人工标注的作为启动数据的传感器数据训练得到的。
检测模块302，用于利用检测模型对待标注的传感器数据进行障碍物检测，启动数据及待标注的传感器数据为相同类型的传感器数据。
跟踪模块303，用于根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息。
修正模块304，用于根据障碍物轨迹信息对检测结果进行修正，将修正后的检测结果作为所需的标注结果。
同样以点云数据为例，作为启动数据的点云数据的具体数量可根据实际需要而定，相比于待标注的点云数据，作为启动数据的点云数据的数量会很少。
比如，假设共存在50万条点云数据，均未标注，按时序顺序分别编号为点云数据1-点云数据500000，通常来说，这些点云数据在时间上是连续的，即为连续采集到的50万帧点云数据，那么可对其中的点云数据1-点云数据5000进行人工标注，作为启动数据，将其余的点云数据5001-点云数据500000作为待标注的点云数据。
可由获取模块301利用启动数据训练得到检测模型。优选地，可利用启动数据分别训练得到M个检测模型，M为大于一的正整数。
相应地，检测模块302可将M个检测模型进行模型集成，从而得到集成后的模型，集成后的模型性能通常会优于任一单一的检测模型，进而可利用集成后的模型对待标注的点云数据进行障碍物检测。
之后，跟踪模块303可根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息。优选地，针对待标注的点云数据，可根据检测结果，按时序顺序进行第一轮的障碍物跟踪匹配，并可按时序逆序进行第二轮的障碍物跟踪匹配，进而可结合两轮跟踪匹配结果确定出各障碍物轨迹信息。
其中，可将第一轮的跟踪匹配结果与第二轮的跟踪匹配结果进行比较，保留第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的相同部分，并可针对第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的不同部分，通过贪心求解确定出需要保留的部分，进而可根据保留的部分确定出各障碍物轨迹信息。
进一步地，修正模块304可根据获取到的障碍物轨迹信息对检测结果进行修正，将修正后的检测结果作为所需的标注结果。优选地，可分别利用预先训练得到的噪声识别模型对各障碍物轨迹信息进行噪声识别，将识别为非噪声的障碍物轨迹信息对应的检测结果作为所需的标注结果。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本公开装置实施例所述方案，可节省人力和时间成本，并提升了标注效率等。
本公开所述方案可应用于人工智能领域，特别涉及深度学习、计算机视觉和自动驾驶等领域。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系，通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (13)

1.一种数据标注方法，包括：
获取检测模型，所述检测模型为利用人工标注的作为启动数据的传感器数据训练得到的；
利用所述检测模型对待标注的传感器数据进行障碍物检测，所述启动数据及所述待标注的传感器数据为相同类型的传感器数据；
根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息；
根据所述障碍物轨迹信息对所述检测结果进行修正，将修正后的检测结果作为所需的标注结果。
2.根据权利要求1所述的方法，其中，
所述检测模型的数量为M个，M为大于一的正整数；
所述利用所述检测模型对待标注的传感器数据进行障碍物检测包括：将M个检测模型进行模型集成，利用集成后的模型对所述待标注的传感器数据进行障碍物检测。
3.根据权利要求1所述的方法，其中，所述根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息包括：
针对所述待标注的传感器数据，根据所述检测结果，按时序顺序进行第一轮的障碍物跟踪匹配，并按时序逆序进行第二轮的障碍物跟踪匹配，结合两轮跟踪匹配结果确定出各障碍物轨迹信息。
4.根据权利要求3所述的方法，其中，所述结合两轮跟踪匹配结果确定出各障碍物轨迹信息包括：
将第一轮的跟踪匹配结果与第二轮的跟踪匹配结果进行比较，保留第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的相同部分；
针对第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的不同部分，通过贪心求解确定出需要保留的部分；
根据保留的部分确定出各障碍物轨迹信息。
5.根据权利要求1所述的方法，其中，所述根据所述障碍物轨迹信息对所述检测结果进行修正，将修正后的检测结果作为所需的标注结果包括：
分别利用预先训练得到的噪声识别模型对各障碍物轨迹信息进行噪声识别，将识别为非噪声的障碍物轨迹信息对应的检测结果作为所述标注结果。
6.一种数据标注装置，包括：获取模块、检测模块、跟踪模块和修正模块；
所述获取模块，用于获取检测模型，所述检测模型为利用人工标注的作为启动数据的传感器数据训练得到的；
所述检测模块，用于利用所述检测模型对待标注的传感器数据进行障碍物检测，所述启动数据及所述待标注的传感器数据为相同类型的传感器数据；
所述跟踪模块，用于根据检测结果进行障碍物跟踪匹配，得到各障碍物轨迹信息；
所述修正模块，用于根据所述障碍物轨迹信息对所述检测结果进行修正，将修正后的检测结果作为所需的标注结果。
7.根据权利要求6所述的装置，其中，
所述检测模型的数量为M个，M为大于一的正整数；
所述检测模块进一步用于，将M个检测模型进行模型集成，利用集成后的模型对所述待标注的传感器数据进行障碍物检测。
8.根据权利要求6所述的装置，其中，
所述跟踪模块针对所述待标注的传感器数据，根据所述检测结果，按时序顺序进行第一轮的障碍物跟踪匹配，并按时序逆序进行第二轮的障碍物跟踪匹配，结合两轮跟踪匹配结果确定出各障碍物轨迹信息。
9.根据权利要求8所述的装置，其中，
所述跟踪模块将第一轮的跟踪匹配结果与第二轮的跟踪匹配结果进行比较，保留第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的相同部分，针对第一轮的跟踪匹配结果与第二轮的跟踪匹配结果中的不同部分，通过贪心求解确定出需要保留的部分，根据保留的部分确定出各障碍物轨迹信息。
10.根据权利要求6所述的装置，其中，
所述修正模块分别利用预先训练得到的噪声识别模型对各障碍物轨迹信息进行噪声识别，将识别为非噪声的障碍物轨迹信息对应的检测结果作为所述标注结果。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
CN202110425364.4A 2021-04-20 2021-04-20 数据标注方法、装置、电子设备及可读存储介质 Active CN113205119B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110425364.4A CN113205119B (zh) 2021-04-20 2021-04-20 数据标注方法、装置、电子设备及可读存储介质
JP2022066016A JP7355295B2 (ja) 2021-04-20 2022-04-13 データラベリング方法、装置、電子機器、及び読み取り可能な記憶媒体
US17/659,516 US20220335316A1 (en) 2021-04-20 2022-04-18 Data annotation method and apparatus, electronic device and readable storage medium
KR1020220048238A KR20220144776A (ko) 2021-04-20 2022-04-19 데이터 라벨링 방법, 장치, 전자 기기 및 판독 가능 기록 매체
EP22168827.8A EP4083875A1 (en) 2021-04-20 2022-04-19 Data annotation method and apparatus, electronic device and readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110425364.4A CN113205119B (zh) 2021-04-20 2021-04-20 数据标注方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113205119A true CN113205119A (zh) 2021-08-03
CN113205119B CN113205119B (zh) 2023-10-31

Family

ID=77027359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110425364.4A Active CN113205119B (zh) 2021-04-20 2021-04-20 数据标注方法、装置、电子设备及可读存储介质

Country Status (5)

Country Link
US (1) US20220335316A1 (zh)
EP (1) EP4083875A1 (zh)
JP (1) JP7355295B2 (zh)
KR (1) KR20220144776A (zh)
CN (1) CN113205119B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807184A (zh) * 2021-08-17 2021-12-17 北京百度网讯科技有限公司 障碍物检测方法、装置、电子设备及自动驾驶车辆

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107533325A (zh) * 2016-03-16 2018-01-02 三菱电机株式会社 机械运动轨迹测定装置
US20180108146A1 (en) * 2016-10-13 2018-04-19 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for annotating point cloud data
CN109544598A (zh) * 2018-11-21 2019-03-29 电子科技大学 目标跟踪方法、装置及可读存储介质
US20190384303A1 (en) * 2018-06-19 2019-12-19 Nvidia Corporation Behavior-guided path planning in autonomous machine applications
CN110865421A (zh) * 2019-11-18 2020-03-06 北京百度网讯科技有限公司 业务模型训练方法、障碍物检测方法、装置和电子设备
CN110991489A (zh) * 2019-11-11 2020-04-10 苏州智加科技有限公司 一种驾驶数据的标注方法、装置及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6506360B2 (ja) * 2017-08-24 2019-04-24 三菱電機インフォメーションシステムズ株式会社 教師データを生成する方法、学習済みモデルを生成する方法、学習済みモデル、コンピュータおよびプログラム
JP2021012586A (ja) * 2019-07-08 2021-02-04 株式会社日立製作所 データ生成装置、データ生成システムおよびデータ生成方法
US11250296B2 (en) * 2019-07-24 2022-02-15 Nvidia Corporation Automatic generation of ground truth data for training or retraining machine learning models

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107533325A (zh) * 2016-03-16 2018-01-02 三菱电机株式会社 机械运动轨迹测定装置
US20180108146A1 (en) * 2016-10-13 2018-04-19 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for annotating point cloud data
US20190384303A1 (en) * 2018-06-19 2019-12-19 Nvidia Corporation Behavior-guided path planning in autonomous machine applications
CN109544598A (zh) * 2018-11-21 2019-03-29 电子科技大学 目标跟踪方法、装置及可读存储介质
CN110991489A (zh) * 2019-11-11 2020-04-10 苏州智加科技有限公司 一种驾驶数据的标注方法、装置及系统
CN110865421A (zh) * 2019-11-18 2020-03-06 北京百度网讯科技有限公司 业务模型训练方法、障碍物检测方法、装置和电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807184A (zh) * 2021-08-17 2021-12-17 北京百度网讯科技有限公司 障碍物检测方法、装置、电子设备及自动驾驶车辆

Also Published As

Publication number Publication date
JP7355295B2 (ja) 2023-10-03
US20220335316A1 (en) 2022-10-20
KR20220144776A (ko) 2022-10-27
EP4083875A1 (en) 2022-11-02
CN113205119B (zh) 2023-10-31
JP2022165925A (ja) 2022-11-01

Similar Documents

Publication Publication Date Title
CN112560874A (zh) 图像识别模型的训练方法、装置、设备和介质
CN113344089B (zh) 模型训练方法、装置及电子设备
CN113657483A (zh) 模型训练方法、目标检测方法、装置、设备以及存储介质
CN113780098A (zh) 文字识别方法、装置、电子设备以及存储介质
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
CN114202026A (zh) 多任务模型训练方法和装置、多任务处理方法和装置
CN114186681A (zh) 用于生成模型簇的方法、装置及计算机程序产品
US11610396B2 (en) Logo picture processing method, apparatus, device and medium
CN112560480B (zh) 任务社区发现方法、装置、设备和存储介质
CN113205119B (zh) 数据标注方法、装置、电子设备及可读存储介质
CN113920158A (zh) 跟踪模型的训练与交通对象跟踪方法、装置
CN113869317A (zh) 车牌识别方法、装置、电子设备和存储介质
CN113205120B (zh) 数据标注方法、装置、电子设备及可读存储介质
CN113204665A (zh) 图像检索方法、装置、电子设备及计算机可读存储介质
CN116127319B (zh) 多模态负样本构建、模型预训练方法、装置、设备及介质
CN115830268A (zh) 用于优化感知算法的数据的获取方法、装置和存储介质
CN113554062B (zh) 多分类模型的训练方法、设备和存储介质
CN114492370A (zh) 网页识别方法、装置、电子设备和介质
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN113901901A (zh) 图像处理模型的训练方法、装置、电子设备和介质
CN112632999A (zh) 命名实体识别模型获取及命名实体识别方法、装置及介质
CN113361575A (zh) 模型训练方法、装置和电子设备
CN113205101A (zh) 数据挖掘方法、装置、电子设备及计算机可读存储介质
CN113408592A (zh) 特征点匹配方法、装置、电子设备及计算机可读存储介质
CN113836418A (zh) 数据的推送方法、装置、电子设备和存储介质

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