CN113869249A - 一种车道线标注方法、装置、设备及可读存储介质 - Google Patents
一种车道线标注方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113869249A CN113869249A CN202111166657.1A CN202111166657A CN113869249A CN 113869249 A CN113869249 A CN 113869249A CN 202111166657 A CN202111166657 A CN 202111166657A CN 113869249 A CN113869249 A CN 113869249A
- Authority
- CN
- China
- Prior art keywords
- layer
- marking
- lane
- lane marking
- new
- 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 61
- 230000003993 interaction Effects 0.000 claims abstract description 162
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 77
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000002372 labelling Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 230000010365 information processing Effects 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 239000003550 marker Substances 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035484 reaction time Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车道线标注方法、装置、设备及可读存储介质，先将获取的待标注图像、车道线标注层以及交互层输入第二车道线标注模型得到新的车道线标注层，并基于用户发送的验证信息判断用户对新的车道线标注层是否有异议，若是则根据用户对新的车道线标注层中有异议的位置的标记生成新的交互层，并返回执行将待检测图像、车道线标注层和交互层，输入第二车道线标注模型的步骤，若否则输出车道线标注层。在本申请中，用户只需要针对有异议的位置进行标记，而不需要对有异议的位置进行修改，利用新的交互层，以及不断迭代优化的新的车道线标注层作为第二车道线标注模型的输入，可以得到用户无异议的车道线标注层，从而一定程度上提升标注的效率。
Description
技术领域
本申请涉及图像标注技术领域，尤其涉及一种车道线标注方法、装置、设备及可读存储介质。
背景技术
随着深度学习、大数据和云计算等技术的飞速发展，各类信息数据持续增长。在利用大量的信息数据对各类深度学习模型进行训练时，需要先对信息数据进行标注。比如在自动驾驶领域，利用数据对车道线检测模型进行训练时，需要先对数据中的车道线进行标注，从而使得车道线检测模型可以对车道线进行检测。其中，车道线检测对于自动驾驶车辆的车道保持、车道偏离预警和自动变道等方面都有很大的影响。目前深度学习模型的训练需要大量的标注数据，由于数据的标注需要投入大量的人力，并且纯人工的标注效率较低，所以为了提高标注效率和降低成本，可以采用半自动的车道线标注方法。
现在的半自动的车道线标注方法，一般是先利用一个训练后的深度学习模型输出的车道线标注层作为初始数据，再由标注员在初始数据的基础上修改有异议的结果，最终得到车道线标注层。其中，修改的方式包括删除整条误检车道线、对位置不精确的车道线作推拉修正、完整的画出一整条漏检车道线和将两条不连续的车道线连接成一条车道线等。但是，以上修改不仅操作类型复杂多变，使得标注员针对每一个初始数据都需要增加附加的思考量，增加了反应时间和切换操作时间；而且当深度学习模型输出的检测结果不太理想时，标注员需要进行大量的修改，使得效率提升有限，甚至不如标注员重新标注快。因此，如何提升标注的效率一直是人们关注的问题。
发明内容
有鉴于此，本申请提供了一种车道线标注方法、装置、设备及可读存储介质，以便于一定程度上提升标注的效率。
为了实现上述目的，现提出的方案如下：
一种车道线标注方法，包括：
获取待标注图像、第一车道线标注模型对待标注图像进行预测得到的车道线标注层，以及根据用户对所述车道线标注层中有异议的位置的标记生成的交互层；
将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型，得到新的车道线标注层；
其中，所述第二车道线标注模型以场景训练图像、第二车道线标注模型对所述场景训练图像进行预测得到的车道线标注训练层和用户对所述车道线标注训练层中有异议的位置标记后生成的交互训练层作为训练样本，以所述场景训练图像中标注的车道线为训练标签训练得到；
接收用户发送的验证信息，并基于验证信息判断用户对新的车道线标注层是否有异议；
若是，则根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，并返回执行将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型的步骤；
若否，则输出车道线标注层对应的标注结果。
可选的，所述根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，包括：
根据用户对新的车道线标注层中有异议的位置的标记，确定被标记的像素点；
基于每个被标记的像素点，确定待优化像素点；
将新的车道线标注层中的待优化像素点添加标记，得到新的交互层。
可选的，所述基于每个被标记的像素点，确定待优化像素点，包括：
针对每个被标记的像素点，将与被标记的像素点的距离在预设长度内的像素点以及被标记的像素点，确定为待优化像素点。
可选的，所述根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，包括：
记录当前标注周期中用户对新的车道线标注层中有异议的位置的标记次数；
当所述标记次数达到预设标记数量时，根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层。
可选的，所述根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，包括：
获取当前标注周期中用户对新的车道线标注层中有异议的位置的标记；
当接收到用户发送的生成交互层的指令时，根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层。
可选的，所述新的车道线标记层中有异议的位置包括：错标的位置和漏标的位置，所述根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，包括：
根据用户对新的车道线标注层中漏标的位置的标记，确定被标记的第一像素点集合，以及根据用户对新的车道线标注层中错标的位置的标记，确定被标记的第二像素点集合；
基于第一像素点集合，确定第一待优化像素点集合，以及基于第二像素点集合，确定第二待优化像素点集合；
基于所述第一待优化像素点集合及第二待优化像素点集合，生成新的交互层，所述新的交互层中第一待优化像素点集合中各像素点对应有正向标记，第二待优化像素点集合中各像素点对应有负向标记。
可选的，所述基于第一像素点集合，确定第一待优化像素点集合，以及基于第二像素点集合，确定第二待优化像素点集合，包括：
建立一个初始值为零的矩阵，所述矩阵中的每个元素均对应新的车道线标注层中的一个像素点；
针对第一像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布给预设范围内的元素赋值，以及，针对第二像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布给预设范围内的元素赋值并取负数；
针对每个被赋值的元素，将获得的赋值相加得到总赋值；
利用矩阵中总赋值大于零的元素对应的像素点，得到第一待优化像素点集合，以及利用矩阵中总赋值小于零的元素对应的像素点，得到第二待优化像素点集合。
可选的，所述基于所述第一待优化像素点集合及第二待优化像素点集合，生成新的交互层，包括：
将车道线标注层中第一待优化像素点集合中各像素点添加正向标记和对应的总赋值，得到正向交互层，以及，将车道线标注层中第二待优化像素点集合中各像素点添加负向标记和对应的总赋值，得到负向交互层，由正向交互层和负向交互层组成新的交互层；
或，
将车道线标注层中第一待优化像素点集合中各像素点添加正向标记和对应的总赋值，以及，第二待优化像素点集合中各像素点添加负向标记和对应的总赋值，得到新的交互层。
可选的，所述第一车道线标注模型与所述第二车道线标注模型为同一模型。
可选的，第一车道线标注模型对待标注图像进行预测得到车道线标注层的过程，包括：
将待标注图像、空的车道线标注层和空的交互层，输入第一车道线标注模型，得到车道线标注层。
可选的，所述第一车道线标注模型与所述第二车道线标注模型为不同模型；
其中，所述第一车道线标注模型，以标注有车道线的场景训练图像作为训练数据训练得到。
可选的，第一车道线标注模型对待标注图像进行预测得到车道线标注层的过程，包括：
将待标注图像输入第一车道线标注模型，得到车道线标注层。
一种车道线标注装置，包括：
图像获取模块，用于获取待标注图像、第一车道线标注模型对待标注图像进行预测得到的车道线标注层，以及根据用户对所述车道线标注层中有异议的位置的标记生成的交互层；
图像预测模块，用于将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型，得到新的车道线标注层；
其中，所述第二车道线标注模型以场景训练图像、第二车道线标注模型对所述场景训练图像进行预测得到的车道线标注训练层和用户对所述车道线标注训练层中有异议的位置标记后生成的交互训练层作为训练样本，以所述场景训练图像中标注的车道线为训练标签训练得到；
信息处理模块，用于接收用户发送的验证信息，并基于验证信息判断用户对新的车道线标注层是否有异议；若是，则根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，并返回执行将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型的步骤；若否，则输出车道线标注层对应的标注结果。
一种车道线标注设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上述的车道线标注方法各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述车道线标注方法的各个步骤。
从上述的技术方案可以看出，本申请实施例提供的一种车道线标注方法，先将获取的待标注图像、第一车道线标注模型对待标注图像进行预测得到的车道线标注层，以及根据用户对车道线标注层中有异议的位置的标记生成的交互层，输入第二车道线标注模型，得到新的车道线标注层，接收用户发送的验证信息，并基于验证信息判断用户对新的车道线标注层是否有异议，若是，则根据用户对新的车道线标注层中有异议的位置的标记，生成交互层，并返回执行将待检测图像、车道线标注层和交互层，输入第二车道线标注模型的步骤，若否，则输出车道线标注层对应的标注结果。由于，当用户对车道线标注层有异议时，本申请可以根据用户对车道线标注层中有异议的位置的标记，生成交互层，再将待标注图像、新的车道线标注层和新的交互层，输入第二车道线标注模型，以此去得到新的车道线标注层，如果用户对新的车道线标注层仍有异议，则继续根据用户对车道线标注层中有异议的位置的标记生成新的交互层，并将待标注图像、新的车道线标注层和新的交互层，输入第二车道线标注模型，直至用户对车道线标注层无异议为止，所以，在本申请的技术方案中，用户只需要针对有异议的位置进行标记，而不需要对有异议的位置进行修改，利用根据用户对车道线标注层中有异议的位置的标记生成的新的交互层，以及不断迭代优化的新的车道线标注层，作为第二车道线标注模型的输入，可以最终得到用户无异议的车道线标注层，从而一定程度上提升标注的效率。
附图说明
为了更清楚地说明本申请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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种车道线标注方法流程图；
图2为本申请实施例提供的一种第二车道线标注模型的输入图像组成示意图；
图3为本申请实施例提供的一种车道线标注流程示意图；
图4为本申请实施例提供的另一种车道线标注流程示意图；
图5为本申请实施例提供的一种车道线标注装置结构示意图；
图6为本申请实施例公开的一种车道线标注设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种车道线标注方法流程图，该方法可以包括以下步骤：
步骤S100、获取待标注图像、车道线标注层、交互层。
其中，车道线标注层为第一车道线标注模型对待标注图像进行预测得到，交互层为根据用户对车道线标注层中有异议的位置的标记生成的。第一车道线标注模型为训练后的车道线标注模型，可以对待标注图像进行预测，得到车道线标注层。
具体的，由于第一车道线标注模型对待标注图像进行预测得到的车道线标注层并不一定正确，所以可以将车道线标注层提供给相应的用户，对车道线标注层中有异议的位置进行标记，最终生成交互层。其中，待标注图像中所涉及的场景可以是街道、高速公路等需要对车道线进行检测的地点。
步骤S101、将待标注图像、车道线标注层和交互层，输入第二车道线标注模型，得到新的车道线标注层。
其中，上述第二车道线标注模型以场景训练图像、第二车道线标注模型对场景训练图像进行预测得到的车道线标注训练层和用户对车道线标注训练层中有异议的位置标记后生成的交互训练层作为训练样本，以场景训练图像中标注的车道线为训练标签训练得到。
具体的，可以将获取的待标注图像、车道线标注层和交互层输入第二车道线标注模型，得到新的车道线标注层。此时，新的车道线标注层是第二车道线标注模型，结合了待标注图像、车道线标注层和交互层后预测得到。其中，交互层是根据用户对车道线交互层中有异议的位置的标记生成的，再结合不断迭代优化的车道线标注层，所以第二车道线标注模型相当于得到了一个对输入的车道线标注层优化的方向，从而可以一定程度上使得新的车道线标注层更加准确。
在使用第二车道线标注模型之前，可以预先训练第二车道线标注模型，并将其配置在本地主机中，或者本地主机所能访问到的远程服务器上。在此基础上，将预先训练的第二车道线标注模型配置在本地主机中时，可以在本地主机中完成预测任务，处理较为高效，但是会使得本地主机配置要求较高；而将预先训练的第二车道线标注模型配置在本地主机所能访问到的远程服务器上，则需要通过网络传递模型输入给配置有第二车道线标注模型的远程服务器，待远程服务器处理完毕后，再通过网络将处理数据传递回本地主机，其中由于网络传输的延迟，可能会影响处理效率，但是对本地主机的配置要求较低。具体使用哪种配置方式，以实际情况为准，不论采用哪种配置方式，均不影响本申请的实现。
步骤S102、判断用户对新的车道线标注层是否有异议；
具体的，通过上述步骤可以得到新的车道线标注层，可以通过相应的用户对新的车道线标注层进行判断，从而确定对新的车道线标注层是否有异议，并返回对应的验证信息。其中，验证信息中可以包括无异议和有异议两种选项。基于此，可以接收用户发送的验证信息，并基于验证信息判断用户对新的车道线标注层是否有异议，若是，则执行步骤S103，若否，则执行步骤S104。
步骤S103、根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层。
具体的，当用户对新的车道线标注层有异议时，可以将新的车道线标注层和待标注图像提供给用户，用户通过比对将新的车道线标注层中有异议的位置进行标记。根据用户对新的车道线标注层中有异议的位置的标记，可以生成新的交互层。在本步骤中，用户只需要对新的车道线标注层中有异议的位置进行标记，并未对新的车道线标注层中有异议的位置进行修改，避免了了对有异议的位置进行推拉调整、补充删除，从而减少人工处理时间。
在得到新的交互层后，返回执行步骤S101、将待标注图像、车道线标注层和交互层，输入第二车道线标注模型的步骤，此时，返回执行上述步骤S101时，输入第二车道线标注模型的车道线标注层为新的车道线标注层，交互层为新的交互层。
步骤S104、输出车道线标注层对应的标注结果。
具体的，当用户对新的车道线标注层无异议时，则可以将新的车道线标注层对应的标注结果作为最终结果输出。其中，车道线标注层中，对车道线的标注可以是以点的形式存在，从而输出的标注结果可以是一组点的序列。针对各个点，可以将点的宽度拓展，使得拓展范围内均可以被识别为车道线，从而一定程度上避免标注层中用于标注车道线的点过于稀疏，不能提供足够的学习信号。
在上述实施例中，提供的一种车道线标注方法，先将获取的待标注图像、第一车道线标注模型对待标注图像进行预测得到的车道线标注层，以及根据用户对所述车道线标注层中有异议的位置的标记生成的交互层，输入第二车道线标注模型，得到新的车道线标注层，并接收用户发送的验证信息，并基于验证信息判断用户对新的车道线标注层是否有异议，若是，则根据用户对新的车道线标注层中有异议的位置的标记，生成交互层，并返回执行将待标注图像、车道线标注层和交互层，输入第二车道线标注模型的步骤，若否，则输出车道线标注层对应的标注结果。由于，当用户对车道线标注层有异议时，本申请可以根据用户对车道线标注层中有异议的位置的标记生成交互层，再将待检测图像、车道线标注层和交互层，输入第二车道线标注模型，以此去得到新的车道线标注层，如果用户对新的车道线标注层仍有异议，则继续根据用户对车道线标注层中有异议的位置的标记生成交互层，并将待标注图像、车道线标注层和交互层，输入第二车道线标注模型，直至用户对车道线标注层无异议为止，所以，在本申请的技术方案中，用户只需要针对有异议的位置进行标记，而不需要对有异议的位置进行修改，利用根据用户对车道线标注层中有异议的位置的标记生成的新的交互层，以及不断迭代优化的新的车道线标注层，作为第二车道线标注模型的输入，可以得到用户无异议的车道线标注层，从而一定程度上提升标注的效率。
进一步的，图2为本申请实施例提供的一种第二车道线标注模型的输入图像组成示意图，参考图2所示，待标注图像可以根据RGB三个通道，得到三个层，结合获取的车道线标注层和交互层，可以得到第二车道线标注模型的新的输入，每个层的高可以是H，宽可以是W。其中，在本申请的一些实施例中，交互层可以是一层，也可以是两层，图2中以交互层为两层进行展示。
在本申请的一些实施例中，将车道线标注层作为图像展示时，可以将车道线标注层中的各个位置点对应为像素点。在此基础上，对步骤S103、根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层的过程进行介绍，过程可以包括：
S11、根据用户对新的车道线标注层中有异议的位置的标记，确定被标记的像素点。
具体的，在新的车道线标注层不满足预设要求时，用户针对新的车道线标注层中有异议的位置进行标记。标记的方式可以是对有异议的位置进行点击，还可以是对有异议的位置进行划线等方式。其中，通过划线的方式可以确定一条线，由于线是由点组成，所以可以将得到的线转化为一系列的点的集合，再按照点的处理方式对转化得到的点进行处理。具体采用何种方式对有异议的位置进行标记并不影响本申请的实现，只要能够通过标记确定有异议的位置即可。根据用户的标记，可以确定被标记的像素点。
S12、基于每个被标记的像素点，确定待优化像素点。
具体的，通过上述步骤中可以根据用户对新的车道线标注层中有异议的位置的标记，确定被标记的像素点。此时，可以基于被标记的像素点，确定一部分未被标记的像素点，与被标记的像素点一同作为待优化像素点。
S13、将新的车道线标注层中的待优化像素点添加标记，得到新的交互层。
具体的，通过将新的车道线标注层中的待优化像素点添加标记，可以得到交互层。在交互层中会包含若干个被标记的像素点，从而使得将交互层输入第二车道线标注模型时，第二车道线标注模型可以通过交互层中被标记的像素点，确定车道线标注层中可能有异议的像素点，从而进行更加准确的预测。
在上述实施例中，通过确定被标记的像素点，并基于被标记的像素点，确定待优化像素点，再通过给待优化像素点添加标记的方式，得到交互层，使得第二车道线检测模型在得到待标注图像、车道线标注层和交互层之后，不仅仅只针对被标注像素点进行优化，还将关注的范围扩大到其他的基于被标记像素点确定的一部分未被标记的像素点，从而使得预测更加全面准确。
进一步的，上述S21、基于每个被标记的像素点，确定待优化像素点的过程，可以针对被标记的像素点，确定一定范围内的像素点，确定为待优化像素点。
具体的，针对每个被标记的像素点，将与被标记的像素点的距离在预设长度内的像素点以及被标记的像素点，确定为待优化像素点。以每个被标记的像素点为中心，计算附近其他像素点与被标记像素点的距离，将满足预设距离的像素点，即使未被标记，也可以与被标记的像素点一同被确定为待优化像素点。
在本申请的一些实施例中，由于用户对车道线标注层有异议的位置的标记次数是不固定的，但是第二车道线标注模型的输入是固定的，所以可以设定几种条件以实现根据用户某一阶段的标记，来生成交互层作为第二车道线标注模型的输入。
第一种、固定标记的数量。
具体的，可以预先设定每个标注周期用户对车道线标注层中有异议的位置的标记数量。然后记录当前标注周期中用户对新的车道线标注层中有异议的位置的标记次数，当标记次数达到预设标记数量时，则根据用户对车道线标注层中有异议的位置的标记，生成新的交互层。
比如，预先设定标记数量为1，则在当前标注周期中，用户对新的车道线标注层中有异议的位置进行1次标记后，则根据用户的这1次标记生成新的交互层。
第二种、接收用户的生成交互层的指令。
具体的，获取当前标注周期中，用户对新的车道线标注层中有异议的位置的标记，此时，标记的数量不做限制，当接收到用户发送的生成交互层的指令时，根据用户对车道线标注层中有异议的位置的标记，生成新的交互层。
比如，在当前周期中，用户对新的车道线标注层中有异议的位置进行N次标记后，用户认为可以生成交互层，则发出生成交互层的指令，当接收到用户发送的生成交互层的指令时，根据用户对车道线标注层中有异议的位置的N次标记，生成新的交互层。
上述实施例中，第一种方式是在用户标记固定次数之后，自动生成交互层，进入下一个标注周期；而第二种方式是根据用户的发送的指令，生成交互层，是否生成交互层，进入下一个标注周期，是由用户进行控制。
在本申请的一些实施例中，新的车道线标记层中有异议的位置可以包括：错标的位置和漏标的位置。其中，错标的位置可以是指用户认为新的车道线标注层中标注了车道线，但是在待标注图像中所对应的位置并不是车道线的位置；漏标的位置可以是指用户认为新的车道线标注层中未标注车道线，但是在待标注图像中所对应的位置是车道线的位置。基于此，对步骤S103、根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层的过程进行介绍，过程可以包括：
S21、根据用户对新的车道线标注层中漏标的位置的标记，确定被标记的第一像素点集合，以及根据用户对新的车道线标注层中错标的位置的标记，确定被标记的第二像素点集合。
具体的，通过用户对新的车道线标注层中错标和漏标的位置分别进行不同的标记，使得可以根据用户对漏标的位置的标记，确定第一像素点集合，并根据用户对错标的位置的标记，确定第二像素点集合。其中，第一像素点集合中包含的像素点，均是新的车道线标注层中漏标的位置对应的像素点；而第二像素点集合中包含的像素点，均是新的车道线标注层中错标的位置对应的像素点。
S22、基于第一像素点集合，确定第一待优化像素点集合，以及基于第二像素点集合，确定第二待优化像素点集合。
具体的，通过上述步骤中可以根据用户对新的车道线标注层中漏标和错标位置的标记，分别确定被标记第一像素点集合和第二像素点集合。此时，可以基于被标记的第一像素点集合，确定一部分像素点，与被标记的像素点一同作为第一待优化像素点，并组成第一待优化像素点集合；还可以基于被标记的第二像素点集合，确定一部分像素点，与被标记的像素点一同作为第二待优化像素点，并组成第二待优化像素点集合。
S23、基于所述第一待优化像素点集合及第二待优化像素点集合，生成新的交互层。
其中，上述交互层中第一待优化像素点集合中各像素点对应有正向标记，第二待优化像素点集合中各像素点对应有负向标记。
在上述实施例中，通过将新的车道线标注层中有异议的位置，区分为错标的位置和漏标的位置，从而确定得到第一待优化像素点集合和第二待优化像素点集合，使得最终交互层中，根据用户对漏标的位置的标记确定的像素点会对应由正向标记，根据用户对错标的位置的标记确定的像素点会对应有负向标记，实现对问题进一步细分，从而一定程度上可以使得第二车道线模型对标记的像素点的识别处理更加具有针对性，进而提升第二车道线模型标注的准确性。
进一步的，上述S22、基于第一像素点集合，确定第一待优化像素点集合，以及基于第二像素点集合，确定第二待优化像素点集合的过程，可以包括：
S32、建立一个初始值为零的矩阵。
其中，上述矩阵中的每个元素均对应新的车道线标注层中的一个像素点。
具体的，矩阵中的每个元素均与新的车道线标注层中的像素点一一对应，且建立的矩阵中各元素的初始值均为零。
S32、针对第一像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布，给预设范围内的元素赋值，以及针对第二像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布，给预设范围内的元素赋值并取负数。
具体的，可以利用二维高斯分布，针对第一像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，给预设范围内的元素赋值。其中，利用二维高斯分布给矩阵中的元素进行赋值，可以使得中心的元素的赋值最大，赋值的大小随着各元素与中心元素的距离的增大而不断减小，直至减小至零。其中，赋值范围可以通过调整二维高斯分布的参数进行调节，从而调整像素点在矩阵中对应的元素周围被赋值的元素数量。
在利用二维高斯分布对矩阵中的元素进行赋值时，被赋值的元素均大于零，无法对第一像素点集合和第二像素点集合对应的矩阵中的元素进行区分，所以可以在针对第二像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布，给预设范围内的元素赋值之后，将赋值取负数实现区分。
S33、针对每个被赋值的元素，将获得的赋值相加得到总赋值。
具体的，通过上述步骤，可以得到矩阵中各个元素的赋值，针对每个被赋值的元素，可以将该元素获得的赋值相加，得到最终的总赋值。
S34、利用矩阵中总赋值大于零的元素对应的像素点，得到第一待优化像素点集合，以及利用矩阵中总赋值小于零的元素对应的像素点，得到第二待优化像素点集合。
具体的，在S32中会得到各个元素的赋值，其中，元素赋值会存在大于零、小于零和等于零的情况。由于，以第一像素点集合中的像素点所对应的元素为中心得到的赋值为正数，而以第二像素点集合中的像素点所对应的元素为中心得到的赋值为负数，所以，可以将矩阵中总赋值大于零的元素对应的像素点，确定为第一待优化像素点，以及将矩阵中总赋值小于零的元素对应的像素点，确定为第二待优化像素点。
在上述实施例中，利用二维高斯分布的方式，给第一像素点集合中每个像素点对应的元素，以及周围一定范围内的元素赋正值，并且给第二像素点集合中每个像素点对应的元素，以及周围一定范围内的元素赋负值，从而通过最终的元素赋值大于零或小于零，来确定出第一待优化像素点和第二待优化像素点，通过赋值大小实现待优化像素点的区分。
在本申请的一些实施例中，上述S23、基于所述第一待优化像素点集合及第二待优化像素点集合，生成新的交互层的过程中，得到的交互层可以有几种可选的形式，如下：
第一种、由一层正向交互层和一层负向交互层组成新的两层交互层。
具体的，可以将车道线标注层中第一待优化像素点集合中各像素点添加正向标记，得到正向交互层，以及将车道线标注层中第二待优化像素点集合中各像素点添加负向标记，得到负向交互层，由所述正向交互层和负向交互层组成新的交互层。
第二种、新的一层交互层。
具体的，可以将车道线标注层中第一待优化像素点集合中各像素点添加正向标记，以及第二待优化像素点集合中各像素点添加负向标记，得到新的交互层。
上述实施例中，当新的交互层为两层时，两层可以采用同样的方式对需要标记的像素点进行标记；当新的交互层为一层时，如果存在第一待优化像素点集合和第二待优化像素点集合，则层中需要采用不同的标记方式对不同的像素点进行区分。
在本申请的一些实施例中，使用了两个模型来实现本申请的技术方案，其中，第二车道线标注模型以场景训练图像、第二车道线标注模型对场景训练图像进行预测得到的车道线标注训练层和用户对车道线标注训练层中有异议的位置标记后生成的交互训练层作为训练样本，以场景训练图像中标注的车道线为训练标签训练得到，而第一车道线标注模型可以有几种可选的模型选择，如下：
第一种、第一车道线标注模型与第二车道线标注模型为同一模型。
具体的，当第一车道线标注模型与第二车道线标注模型为同一模型时，第一车道线标注模型最初始的输入为待标注图像、空的车道线标注层和空的交互层，得到车道线标注层。
参考图3所示，图3为本申请实施例提供的一种车道线标注流程示意图，此时，第一车道线标注模型与第二车道线标注模型为同一模型，统称为车道线标注模型，车道线标注模型在第一个标注周期中，输入为待标注图像、空的交互层和空的车道线标注层，车道线标注模型输出新的车道线标注层，此时用户对新的车道线标注层进行判断，有异议则对新的车道线标注层中有异议的位置进行标记，生成新的交互层，并将待标注图像、新的车道线标注层和新的交互层再次输入车道线标注模型中，无异议则输出车道线标注层对应的标注结果。
第二种、第一车道线标注模型与第二车道线标注模型为不同模型。
具体的，第一车道线标注模型，可以以标注有车道线的场景训练图像作为训练数据训练得到。其中，第一车道线标注模型最初始的输入为待标注图像，得到车道线标注层。
参考图4所示，图4为本申请实施例提供的另一种车道线标注流程示意图，此时，第一车道线标注模型与第二车道线标注模型为不同模型，由于第一车道线标注模型可以以标注有车道线的场景训练图像作为训练数据训练得到，所以第一个标注周期中，第一车道线标注模型的输入可以是待标注图像，此时第一车道线标注模型可以输出车道线标注层，用户对新的车道线标注层进行判断，有异议则对新的车道线标注层中有异议的位置进行标记，生成交互层，并将待标注图像、车道线标注层和交互层输入第二车道线标注模型中，无异议则输出车道线标注层对应的标注结果，在将待标注图像、车道线标注层和交互层输入第二车道线标注模型后，第二车道线标注模型可以输出新的车道线标注层，针对新的车道线标注层，用户对新的车道线标注层进行判断，有异议则对新的车道线标注层中有异议的位置进行标记，生成新的交互层，并将待标注图像、新的车道线标注层和新的交互层再次输入第二车道线标注模型中，无异议则输出车道线标注层对应的标注结果。
下面对本申请实施例提供的一种车道线标注装置进行描述，下文描述的一种车道线标注装置与上文描述的一种车道线标注方法可相互对应参照。
参考图5所示，图5为本申请实施例提供的一种车道线标注装置结构示意图，车道线标注装置可以包括：
图像获取模块10，用于获取待标注图像、第一车道线标注模型对待标注图像进行预测得到的车道线标注层，以及根据用户对所述车道线标注层中有异议的位置的标记生成的交互层；
图像预测模块20，用于将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型，得到新的车道线标注层；
其中，所述第二车道线标注模型以场景训练图像、第二车道线标注模型对场景训练图像进行预测得到的车道线标注训练层和用户对所述车道线标注训练层中有异议的位置标记后生成的交互训练层作为训练样本，以所述场景训练图像中标注的车道线为训练标签训练得到；
信息处理模块30，用于接收用户发送的验证信息，并基于验证信息判断用户对新的车道线标注层是否满足预设要求；若是，则根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，并返回执行将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型的步骤；若否，则输出车道线标注层对应的标注结果。
在上述实施例中，提供例一种车道线标注装置，由于，当车道线标注层不满足预设要求时，信息处理模块30可以根据用户对车道线标注层中有异议的位置的标记生成交互层，再将待标注图像、车道线标注层和交互层，输入第二车道线标注模型，以此去得到新的车道线标注层，如果得到的新的车道线标注层用户仍有异议，则继续根据用户对车道线标注层中有异议的位置的标记生成交互层，并将待标注图像、车道线标注层和交互层，输入第二车道线标注模型，直至用户对车道线标注层无异议为止，所以，在本申请的技术方案中，用户只需要针对有异议的位置进行标记，而不需要对有异议的位置进行修改，利用根据用户对车道线标注层中有异议的位置的标记生成的新的交互层，以及不断迭代优化的新的车道线标注层，作为第二车道线标注模型的输入，可以得到用户无异议的车道线标注层，从而一定程度上提升标注的效率。
可选的，信息处理模块30执行根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层的过程，可以包括：
根据用户对新的车道线标注层中有异议的位置的标记，确定被标记的像素点；
基于每个被标记的像素点，确定待优化像素点；
将新的车道线标注层中的待优化像素点添加标记，得到新的交互层。
可选的，信息处理模块30执行基于每个被标记的像素点，确定待优化像素点的过程，可以包括：
针对每个被标记的像素点，将与被标记的像素点的距离在预设长度内的像素点以及被标记的像素点，确定为待优化像素点。
可选的，信息处理模块30执行根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层的过程，可以包括：
记录当前标注周期中用户对新的车道线标注层中有异议的位置的标记次数；
当所述标记次数达到预设标记数量时，根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层。
可选的，信息处理模块30执行根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层的过程，可以包括：
获取当前标注周期中用户对新的车道线标注层中有异议的位置的标记；
当接收到用户发送的生成交互层的指令时，根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层。
可选的，新的车道线标记层中有异议的位置包括：错标的位置和漏标的位置，信息处理模块30执行根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层的过程，可以包括：
根据用户对新的车道线标注层中漏标的位置的标记，确定被标记的第一像素点集合，以及根据用户对新的车道线标注层中错标的位置的标记，确定被标记的第二像素点集合；
基于第一像素点集合，确定第一待优化像素点集合，以及基于第二像素点集合，确定第二待优化像素点集合；
基于所述第一待优化像素点集合及第二待优化像素点集合，生成新的交互层，所述新的交互层中第一待优化像素点集合中各像素点对应有正向标记，第二待优化像素点集合中各像素点对应有负向标记。
可选的，信息处理模块30执行基于第一像素点集合，确定第一待优化像素点集合，以及基于第二像素点集合，确定第二待优化像素点集合的过程，可以包括：
建立一个初始值为零的矩阵，所述矩阵中的每个元素均对应新的车道线标注层中的一个像素点；
针对第一像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布，给预设范围内的元素赋值，以及针对第二像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布，给预设范围内的元素赋值并取负数；
针对每个被赋值的元素，将获得的赋值相加得到总赋值；
利用矩阵中总赋值大于零的元素对应的像素点，得到第一待优化像素点集合，以及利用矩阵中总赋值小于零的元素对应的像素点，得到第二待优化像素点集合。
可选的，信息处理模块30执行基于所述第一待优化像素点集合及第二待优化像素点集合，生成新的交互层的过程，可以包括：
将车道线标注层中第一待优化像素点集合中各像素点添加正向标记，得到正向交互层，以及将车道线标注层中第二待优化像素点集合中各像素点添加负向标记，得到负向交互层，由所述正向交互层和负向交互层组成新的交互层；
或，
将车道线标注层中第一待优化像素点集合中各像素点添加正向标记，以及第二待优化像素点集合中各像素点添加负向标记，得到新的交互层。
本申请实施例还提供一种车道线标注设备，图6示出了车道线标注设备的硬件结构框图，参照图6，车道线标注设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：实现前述车道线标注方法中的各个处理流程。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：实现前述车道线标注方法中的各个处理流程。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以相互组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种车道线标注方法，其特征在于，包括：
获取待标注图像、第一车道线标注模型对待标注图像进行预测得到的车道线标注层，以及根据用户对所述车道线标注层中有异议的位置的标记生成的交互层；
将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型，得到新的车道线标注层；
其中，所述第二车道线标注模型以场景训练图像、第二车道线标注模型对所述场景训练图像进行预测得到的车道线标注训练层和用户对所述车道线标注训练层中有异议的位置标记后生成的交互训练层作为训练样本，以所述场景训练图像中标注的车道线为训练标签训练得到；
接收用户发送的验证信息，并基于验证信息判断用户对新的车道线标注层是否有异议；
若是，则根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，并返回执行将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型的步骤；
若否，则输出车道线标注层对应的标注结果。
2.根据权利要求1所述的方法，其特征在于，所述根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，包括：
根据用户对新的车道线标注层中有异议的位置的标记，确定被标记的像素点；
基于每个被标记的像素点，确定待优化像素点；
将新的车道线标注层中的待优化像素点添加标记，得到新的交互层。
3.根据权利要求2所述的方法，其特征在于，所述基于每个被标记的像素点，确定待优化像素点，包括：
针对每个被标记的像素点，将与被标记的像素点的距离在预设长度内的像素点以及被标记的像素点，确定为待优化像素点。
4.根据权利要求1所述的方法，其特征在于，所述根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，包括：
记录当前标注周期中用户对新的车道线标注层中有异议的位置的标记次数；
当所述标记次数达到预设标记数量时，根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层。
5.根据权利要求1所述的方法，其特征在于，所述根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，包括：
获取当前标注周期中用户对新的车道线标注层中有异议的位置的标记；
当接收到用户发送的生成交互层的指令时，根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层。
6.根据权利要求1所述的方法，其特征在于，所述新的车道线标记层中有异议的位置包括：错标的位置和漏标的位置，所述根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，包括：
根据用户对新的车道线标注层中漏标的位置的标记，确定被标记的第一像素点集合，以及根据用户对新的车道线标注层中错标的位置的标记，确定被标记的第二像素点集合；
基于第一像素点集合，确定第一待优化像素点集合，以及基于第二像素点集合，确定第二待优化像素点集合；
基于所述第一待优化像素点集合及第二待优化像素点集合，生成新的交互层，所述新的交互层中第一待优化像素点集合中各像素点对应有正向标记，第二待优化像素点集合中各像素点对应有负向标记。
7.根据权利要求6所述的方法，其特征在于，所述基于第一像素点集合，确定第一待优化像素点集合，以及基于第二像素点集合，确定第二待优化像素点集合，包括：
建立一个初始值为零的矩阵，所述矩阵中的每个元素均对应新的车道线标注层中的一个像素点；
针对第一像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布给预设范围内的元素赋值，以及，针对第二像素点集合中的每个像素点，以像素点在矩阵中对应的元素为中心，利用二维高斯分布给预设范围内的元素赋值并取负数；
针对每个被赋值的元素，将获得的赋值相加得到总赋值；
利用矩阵中总赋值大于零的元素对应的像素点，得到第一待优化像素点集合，以及利用矩阵中总赋值小于零的元素对应的像素点，得到第二待优化像素点集合。
8.根据权利要求6所述的方法，其特征在于，所述基于所述第一待优化像素点集合及第二待优化像素点集合，生成新的交互层，包括：
将车道线标注层中第一待优化像素点集合中各像素点添加正向标记和对应的总赋值，得到正向交互层，以及，将车道线标注层中第二待优化像素点集合中各像素点添加负向标记和对应的总赋值，得到负向交互层，由正向交互层和负向交互层组成新的交互层；
或，
将车道线标注层中第一待优化像素点集合中各像素点添加正向标记和对应的总赋值，以及，第二待优化像素点集合中各像素点添加负向标记和对应的总赋值，得到新的交互层。
9.根据权利要求1所述的方法，其特征在于，所述第一车道线标注模型与所述第二车道线标注模型为同一模型。
10.根据权利要求9所述的方法，其特征在于，第一车道线标注模型对待标注图像进行预测得到车道线标注层的过程，包括：
将待标注图像、空的车道线标注层和空的交互层，输入第一车道线标注模型，得到车道线标注层。
11.根据权利要求1所述的方法，其特征在于，所述第一车道线标注模型与所述第二车道线标注模型为不同模型；
其中，所述第一车道线标注模型，以标注有车道线的场景训练图像作为训练数据训练得到。
12.根据权利要求11所述的方法，其特征在于，第一车道线标注模型对待标注图像进行预测得到车道线标注层的过程，包括：
将待标注图像输入第一车道线标注模型，得到车道线标注层。
13.一种车道线标注装置，其特征在于，包括：
图像获取模块，用于获取待标注图像、第一车道线标注模型对待标注图像进行预测得到的车道线标注层，以及根据用户对所述车道线标注层中有异议的位置的标记生成的交互层；
图像预测模块，用于将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型，得到新的车道线标注层；
其中，所述第二车道线标注模型以场景训练图像、第二车道线标注模型对所述场景训练图像进行预测得到的车道线标注训练层和用户对所述车道线标注训练层中有异议的位置标记后生成的交互训练层作为训练样本，以所述场景训练图像中标注的车道线为训练标签训练得到；
信息处理模块，用于接收用户发送的验证信息，并基于验证信息判断用户对新的车道线标注层是否有异议；若是，则根据用户对新的车道线标注层中有异议的位置的标记，生成新的交互层，并返回执行将所述待检测图像、所述车道线标注层和所述交互层，输入第二车道线标注模型的步骤；若否，则输出车道线标注层对应的标注结果。
14.一种车道线标注设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-12任一项的车道线标注方法的各个步骤。
15.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-12任一项的车道线标注方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111166657.1A CN113869249B (zh) | 2021-09-30 | 2021-09-30 | 一种车道线标注方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111166657.1A CN113869249B (zh) | 2021-09-30 | 2021-09-30 | 一种车道线标注方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113869249A true CN113869249A (zh) | 2021-12-31 |
| CN113869249B CN113869249B (zh) | 2024-05-07 |
Family
ID=79001689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111166657.1A Active CN113869249B (zh) | 2021-09-30 | 2021-09-30 | 一种车道线标注方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869249B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180050848A (ko) * | 2016-11-07 | 2018-05-16 | 삼성전자주식회사 | 차선을 표시하는 방법 및 장치 |
| CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
| CN111259704A (zh) * | 2018-12-03 | 2020-06-09 | 初速度（苏州）科技有限公司 | 一种虚线车道线端点检测模型的训练方法 |
| CN111401418A (zh) * | 2020-03-05 | 2020-07-10 | 浙江理工大学桐乡研究院有限公司 | 一种基于改进Faster r-cnn的员工着装规范检测方法 |
| CN111488925A (zh) * | 2020-04-07 | 2020-08-04 | 北京百度网讯科技有限公司 | 一种数据标注方法、装置、电子设备及存储介质 |
| CN111539401A (zh) * | 2020-07-13 | 2020-08-14 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车道线检测方法、装置、终端及存储介质 |
| CN112348122A (zh) * | 2020-12-03 | 2021-02-09 | 苏州挚途科技有限公司 | 可行驶区域的标注方法、装置和电子设备 |
| CN113191256A (zh) * | 2021-04-28 | 2021-07-30 | 北京百度网讯科技有限公司 | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-30 CN CN202111166657.1A patent/CN113869249B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180050848A (ko) * | 2016-11-07 | 2018-05-16 | 삼성전자주식회사 | 차선을 표시하는 방법 및 장치 |
| CN111259704A (zh) * | 2018-12-03 | 2020-06-09 | 初速度（苏州）科技有限公司 | 一种虚线车道线端点检测模型的训练方法 |
| CN109740469A (zh) * | 2018-12-24 | 2019-05-10 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、计算机设备和存储介质 |
| CN111401418A (zh) * | 2020-03-05 | 2020-07-10 | 浙江理工大学桐乡研究院有限公司 | 一种基于改进Faster r-cnn的员工着装规范检测方法 |
| CN111488925A (zh) * | 2020-04-07 | 2020-08-04 | 北京百度网讯科技有限公司 | 一种数据标注方法、装置、电子设备及存储介质 |
| CN111539401A (zh) * | 2020-07-13 | 2020-08-14 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的车道线检测方法、装置、终端及存储介质 |
| CN112348122A (zh) * | 2020-12-03 | 2021-02-09 | 苏州挚途科技有限公司 | 可行驶区域的标注方法、装置和电子设备 |
| CN113191256A (zh) * | 2021-04-28 | 2021-07-30 | 北京百度网讯科技有限公司 | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王妍宁;郭雷;方俊;: "一种新的图像语义自动标注模型", 计算机工程与应用, no. 07, 1 March 2011 (2011-03-01), pages 193 - 197 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113869249B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2018106662A (ja) | 情報処理装置、情報処理方法、プログラム | |
| CN104572072B (zh) | 一种对基于mvc模式的程序的语言转换方法与设备 | |
| CN109934227A (zh) | 图像文字识别系统和方法 | |
| CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| US20220375192A1 (en) | Optimization method, apparatus, device for constructing target detection network, medium and product | |
| CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
| CN112287994A (zh) | 伪标签处理方法、装置、设备及计算机可读存储介质 | |
| CN110807002A (zh) | 一种基于工作流的报表生成方法、系统及设备和存储介质 | |
| JP2023063200A (ja) | マルチ－レベル転移領域に基づくドメイン適応型オブジェクト検出装置及び方法 | |
| CN110910414B (zh) | 图像轮廓生成方法、图像标注方法、电子装置及存储介质 | |
| CN111784401A (zh) | 下单率预测方法、装置、设备及可读存储介质 | |
| CN104318459A (zh) | 一种基于多模态学习的自动化市场分析方法 | |
| CN113283231B (zh) | 获取签章位的方法、设置系统、签章系统及存储介质 | |
| KR102209076B1 (ko) | 가상 키보드 오타 보정을 위한 방법과 시스템 및 비-일시적인 컴퓨터 판독가능한 기록 매체 | |
| CN116993396B (zh) | 基于车辆用户标签的风险预警方法、计算机设备 | |
| CN108268258A (zh) | 一种用于获取网页代码的方法、装置及电子设备 | |
| CN113869249B (zh) | 一种车道线标注方法、装置、设备及可读存储介质 | |
| CN117455036A (zh) | 多场景的任务分派方法、装置、计算机设备及存储介质 | |
| CN111489196A (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
| CN111143643B (zh) | 元素识别方法、装置、可读存储介质和电子设备 | |
| CN114285114A (zh) | 一种充电控制方法、装置、电子设备和存储介质 | |
| CN114119976B (zh) | 语义分割模型训练、语义分割的方法、装置及相关设备 | |
| CN114064449A (zh) | 一种仿真测试报告生成方法、装置、电子设备及存储介质 | |
| CN113837313B (zh) | 车道线标注模型的训练方法、装置、设备及可读存储介质 | |
| CN117739950B (zh) | 一种地图的生成方法、装置及设备 |
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 |