CN114120062A - 样本生成方法及装置 - Google Patents

Abstract

本公开提供了一种样本生成方法及装置，涉及数据处理领域，尤其涉及智能交通领域。具体实现方案为：获取初始的第一图像渲染算法，第一图像渲染算法中包括多个参数。对第一图像渲染算法中的多个参数进行更新处理，得到多个第二图像渲染算法。通过多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，目标道路图像用于作为负样本训练检测模型，检测模型用于确定地图中的道路图像的检测结果。本公开的技术方案可以准确有效的得到大量的负样本。

Description

样本生成方法及装置

技术领域

本公开涉及数据处理领域中的智能交通领域，尤其涉及一种样本生成方法及装置。

背景技术

随着地图相关技术的不断发展，目前采用地图应用进行导航的使用场景也越来越普遍了。

在导航处理过程中，通常需要在终端设备的图形用户界面中渲染道路图像，目前可以通过预设模型分析道路图像的渲染是否正确，为了保证预设模型的正确分析，通常需要采用相应的正样本和负样本对预设模型进行训练。

目前的负样本的主要来源通常是实际导航中渲染错误的图像，然而，仅依赖于实际导航中渲染错误的图像确定负样本，会导致负样本的数量非常少。

发明内容

本公开提供了一种用于样本生成方法及装置。

根据本公开的第一方面，提供了一种样本生成方法，包括：

获取初始的第一图像渲染算法，所述第一图像渲染算法中包括多个参数；

对所述第一图像渲染算法中的所述多个参数进行更新处理，得到多个第二图像渲染算法；

通过所述多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，所述目标道路图像用于作为负样本训练检测模型，所述检测模型用于确定地图中的道路图像的检测结果。

根据本公开的第二方面，提供了一种样本生成装置，包括：

获取模块，用于获取初始的第一图像渲染算法，所述第一图像渲染算法中包括多个参数；

更新模块，用于对所述第一图像渲染算法中的所述多个参数进行更新处理，得到多个第二图像渲染算法；

渲染模块，用于通过所述多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，所述目标道路图像用于作为负样本训练检测模型，所述检测模型用于确定地图中的道路图像的检测结果。

根据本公开的第三方面，提供了一种电子设备，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第一方面所述的方法。

根据本公开的第四方面，提供了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所述计算机执行第一方面所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

根据本公开的技术解决了负样本的数量非常少的问题。

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为本申请实施例提供的道路图像的示意图；

图2为本公开实施例提供的样本生成方法的流程图；

图3为本公开实施例提供的样本生成方法的流程图二；

图4为本公开实施例提供的获取第一图像渲染算法的参数的实现示意图；

图5为本公开实施例提供的对多个参数进行加扰操作的实现示意图；

图6为本公开实施例提供的对多个参数进行组合操作的实现示意图；

图7为本公开实施例提供的对多个参数进行重排操作的实现示意图；

图8为本公开实施例提供的确定待选图像渲染算法的处理错误度的实现示意图；

图9为本公开实施例的样本生成装置的结构示意图；

图10是用来实现本公开实施例的样本生成方法的电子设备的框图。

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。

为了更好的理解本公开的技术方案，下面对本公开所涉及的相关技术进行进一步的详细介绍。

随着地图相关技术的不断发展，目前采用地图应用来进行导航已经成为了一种非常普遍的应用场景。

当采用地图应用进行导航的时候，其中地图应用通常是运行在终端设备上的，则通常需要在终端设备的图形用户界面上显示相应的道路图像，其中道路图像例如可以理解为在图形用户界面上渲染的导航道路的图像，在道路图像中除了可以包括导航道路之前，比如说还可以包括道路的相关信息等等，本实施例对此不做特别限制。

但是可以理解的是，导航路线的渲染可能会出现错误，例如可以参照图1进行理解，图1为本申请实施例提供的道路图像的示意图。

图1所示的就是在终端设备的图形用户界面中所渲染的道路图像，基于图1可以确定的是，道路图像中可以包括导航路线，然而，导航路线的渲染是有可能出现错误的。比如图1中的101所指示的位置，就出现了一个局部扭曲，结合图1可以确定的是，当前的这个局部扭曲明显是不合理的。

那么为了确定道路图像的渲染是否正确，就例如需要对道路图像进行质检，比如说可以采用人工的方式对道路图像进行检验，从而确定道路图像的渲染是否正确，然而人工处理的实现方式存在工作量较大，效率低下的问题。

因此目前还提出了采用自动化的手段来确定道路图像的渲染是否正确，在一种可能的实现方式中，例如可以采用预设模型对道路图像进行处理，以使得预设模型输出道路图像的校验结果。

其中预设模型的具体实现比如说可以采用机器学习自动分类的方法来做，可以确定的是，基于图像分类的模型很多，简单的有支持向量机(support vector machines，SVM)、逻辑回归，而复杂模型就更多了，梯度提升决策树(Gradient Boosting DecisionTree，GBDT)、卷积神经网络(Convolutional Neural Networks，CNN)、循环神经网络(Recurrent Neural Network，RNN)等等的模型都可以。

本实施例对预设模型的具体实现方式不做特别限制，只要预设模型可以实现将道路图像标注好“正常、异常”两类即可，以及预设模型还例如可以把图像内容用向量化表示。

然而，为了保证预设模型可以有效的实现对道路图像的检测，就需要基于正样本和负样本对预设模型进行训练，以保证预设模型所输出的检测结果的准确性。

因此目前实现的难点在于如何生产大量并且准确率很高的“正常”“异常”的样本，也就是所谓的正样本和负样本。

其中，生成正样本的办法很多，只要算法本身没有大问题，那么用当前图像渲染算法，从起点到终点走完全程所得到的每一帧图片都是正样本。

然而负样本是必须要求渲染的道路图像存在一定的异常或者说错误的，目前的实现方式中在获取负样本的时候，通常都是获取的实际导航过程中所产生的渲染错误的道路图像。

但是，正常来讲获取用户的导航数据就存在一定的障碍。并且在实际导航过程中，地图应用能够上线被使用，那么地图应用的稳定性就是能得到一定程度的保障的，因此实际导航过程中所产生的渲染错误的道路图像的数量是非常少的。所以现有技术的实现方案中无法有效的获取大量负样本，并且获取的负样本的质量也并不是很高。

针对现有技术中的问题，本公开中提出了如下技术构思：通过对图像渲染算法中所包括的参数进行更新，此处的更新可以是打乱、加扰、随机组合等等，那么在参数更新之后就可以得到错误的图像渲染算法，之后基于错误的图像渲染算法来得到渲染后的图像，就可以有效的获取大量并且质量较高的负样本。

在上述介绍的内容的基础上，下面结合具体的实施例对本公开提供的样本生成方法进行说明。首先需要说明的是，本公开中各实施例的执行主体例如可以为服务器、处理器、微处理器等具备数据处理功能的设备，本公开中对具体的执行主体的实现不做特别限定，凡是具备数据处理功能的设备均可以作为本公开中实施例中的执行主体。

下面首先结合图2进行说明，图2为本公开实施例提供的样本生成方法的流程图。

如图2所示，该方法包括：

S201、获取初始的第一图像渲染算法，第一图像渲染算法中包括多个参数。

在本实施例中，初始的第一图像渲染算法就是正常的进行道路图像的渲染的算法，在第一图像渲染算法中可以包括多个参数，其中的参数可以是第一图像渲染算法在进行图像渲染的过程中会应用的参数，本实施例对此不做限制。

在实际实现过程中，第一图像渲染算法以及第一图像渲染算法中所包括的多个参数的具体实现，均可以根据实际需求进行选择和设置，只要第一图像渲染算法可以实现根据地图数据进行数据的渲染处理，从而得到道路图像即可。本实施例中的道路图像中例如可以包括导航道路，或者还可以包括道路相关的信息等等，本实施例对道路图像的具体实现不做限制。

S202、对第一图像渲染算法中的多个参数进行更新处理，得到多个第二图像渲染算法。

在第一图像渲染算法中包括多个参数，当前例如可以对第一图像中的多个参数进行更新处理，此处的更新处理例如可以包括对参数的修改、删除、打乱、重组等等，本实施例对更新处理的具体实现不做限制，只要其可以实现对第一图像渲染算法中的多个参数的改变即可。

在对第一图像渲染算法中的多个参数进行更新处理之后，就可以得到多个第二图像渲染算法，其中的第二图像渲染算法中同样可以包括多个参数，在第二图像渲染算法中所包括的多个参数就是更新处理之后的参数。

在一种可能的实现方式中，比如说可以针对第一图像渲染算法执行多次参数的更新处理，从而得到多个第二图像渲染算法。

S203、通过多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，目标道路图像用于作为负样本训练检测模型，检测模型用于确定地图中的道路图像的检测结果。

在得到多个第二图像渲染算法之后，就可以通过多个第二图像渲染算法对第一地图数据进行渲染处理了，此处的第一地图数据可以理解为代渲染的道路图像所对应的地图数据，比如说包括道路的位置、长度、宽度、渲染颜色等等，本实施例对第一地图数据的具体实现方式不做限制，只要第一地图数据是用于渲染得到道路图像的即可。

可以理解的是，本实施例中的第一图像渲染算法是正常的图像渲染算法，也就是说第一图像渲染算法正确执行的时候，理论上来说就可以渲染得到正确的道路图像。但是我们对第一图像渲染算法中的参数进行了更新，得到了多个第二图像渲染算法，那么第二图像渲染算法中的参数就不再正确，因此基于第二图像渲染算法对第一地图数据进行渲染处理，所得到的目标道路图像实际上就是我们需要的负样本图像。

因此本实施例中的目标道路图像可以用于作为负样本训练检测模型，其中检测模型用于确定地图中的道路图像的检测结果，其中检测结果可以指示地图中的道路图像的渲染正常，或者还可以指示地图中的道路图像的渲染不正常，本实施例对检测模型的具体实现不做限制。

因此基于多个第二图像渲染算法就可以得到大量的目标道路图像，也就得到的大量的负样本，并且因为当前的负样本直接是基于错误的图像渲染算法处理得到的，因此负样本的质量也是可以保证的，也就是说负样本的错误程度是比较高，并且比较丰富的，因此可以有效保证检测模型的训练效果。

本公开实施例提供的样本生成方法，包括：获取初始的第一图像渲染算法，第一图像渲染算法中包括多个参数。对第一图像渲染算法中的多个参数进行更新处理，得到多个第二图像渲染算法。通过多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，目标道路图像用于作为负样本训练检测模型，检测模型用于确定地图中的道路图像的检测结果。通过对正常的第一图像渲染算法中的多个参数进行更新处理，从而得到多个错误的第二图像渲染算法，之后基于多个第二渲染算法对第一地图数据进行渲染处理得到多个目标道路图像，因为第二图像渲染算法本身是错误的，因此得到的多个目标道路图像也都是存在异常的图像，从而可以准确有效的得到大量的负样本。

在上述实施例的基础上，下面结合图3至图8对本公开提供的样本生成方法进行进一步的详细介绍，图3为本公开实施例提供的样本生成方法的流程图二，图4为本公开实施例提供的获取第一图像渲染算法的参数的实现示意图，图5为本公开实施例提供的对多个参数进行加扰操作的实现示意图，图6为本公开实施例提供的对多个参数进行组合操作的实现示意图，图7为本公开实施例提供的对多个参数进行重排操作的实现示意图，图8为本公开实施例提供的确定待选图像渲染算法的处理错误度的实现示意图。

如图3所示，该方法包括：

S301、获取初始的第一图像渲染算法，第一图像渲染算法中包括多个参数。

其中，S301的实现方式与上述S201介绍的实现方式类似，此处不再赘述。

S302、获取第一图像渲染算法中包括的多个参数。

在第一图像渲染算法中包括多个参数，则例如可以获取第一图像渲染算法中的多个参数。

在一种可能的实现方式中，第一图像渲染算法中可以包括多个处理环节，比如说可以包括图4所示的顶点变换(3D无脑投影)、图元装配(几何可见性筛选)、光栅化、纹理贴图、片段着色等处理环节。

其中的每一个处理环节都可以包括多个参数，则例如可以对各个处理环节的参数分别进行获取。比如说参照图4，获取顶点变换环节中的多个a参数，以及获取图元装配环节中的多个b参数，以及获取光栅化环节中的多个a参数，以及获取纹理贴图环节中的多个c参数，以及获取顶点变换环节中的多个d参数，以及获取片段着色环节中的多个e参数。在获取各个处理环节各自的参数之后，就得到了第一图像渲染算法所包括的多个参数。

在实际实现过程中，第一图像渲染算法中所具体包括的处理环节的数量，以及具体所包括的各个处理环节的具体实现、环节的划分等等均可以根据实际需求进行选择，以及针对各个处理环节来说，其中的参数的数量和具体实现同样可以根据实际需求进行选择和设置，本实施例对此不做限制，只要第一图像渲染算法可以根据地图数据进行渲染处理，得到地图数据对应的道路图像即可。

S303、对多个参数进行N次预设操作，得到N组更新参数。

在获取到第一图像渲染算法的多个参数之后，就可以对第一图像渲染算法的参数进行更新了。在一种可能的实现方式中，例如可以对多个参数进行N次预设操作，其中的每一次预设操作都可以得到1组更新参数，从而可以得到N组更新参数。

其中，预设操作例如包括如下处理中的至少一种：加扰操作、组合操作、重排操作。

其中，加扰操作可以理解为对参数的随机扰动，此处的扰动可以包括多个参数的修改、增加、删除等等。

例如可以参照图5进行理解，如图5所示，比如说当前顶点变换环节的参数包括参数1、参数2、参数3，以及当前图元装配环节的参数包括参数4、参数5，以及当前光栅化环节的参数包括参数6、参数7，以及当前纹理贴图环节的参数包括参数8、参数9，以及当前纹理贴图环节的参数包括参数10、参数11、参数12。此处的参数1～参数12也就是第一图像算法的多个参数。

当前比如说对这多个参数进行加扰之后，得到图5中右侧的参数情况，针对顶点变换环节，其参数就由“参数1、参数2、参数3”变成了“参数11和参数3”，以及针对图元装配环节，其参数就由“参数4、参数5”变成了“参数5”，其余的处理环节的参数变化情况参照图5。基于图5可以确定的是，各个处理环节的参数都发生了不同程度的修改、增加、删除等等，从而可以实现对第一图像渲染算法的参数的有效改变。

以及，组合操作可以理解为对参数的随机组合，此处的扰动可以包括多个参数的随机组合。

例如可以参照图6进行理解，如图6所示，其中的各个处理环节的参数情况与上述图5类似，此处不再赘述。

当前比如说对这多个参数进行随机组合之后，得到图6中右侧的参数情况，针对顶点变换环节，其参数就由“参数1、参数2、参数3”变成了“参数1以及参数2、参数3以及参数5”，以及针对图元装配环节，其参数就由“参数4、参数5”变成了“参数4以及参数5、参数5以及参数1”，其余的处理环节的参数变化情况参照图6。基于图6可以确定的是，各个处理环节的参数都发生了不同程度的组合等等，从而可以实现对第一图像渲染算法的参数的有效改变。

此处还需要说明的是，随机组合之后得到的各个参数比如说可以用数学关系关联起来，或者还可以用相应的函数处理关系关联起来，本实施例对此不做限制，其可以取决于实际的处理环节的实现。

以及，重排操作可以理解为对参数的重新排列，也就是说现有的参数不变，只是其被安排至不同的处理环节的不同位置。

例如可以参照图7进行理解，如图7所示，其中的各个处理环节的参数情况与上述图7类似，此处不再赘述。

当前比如说对这多个参数进行重排组合之后，得到图7中右侧的参数情况，针对顶点变换环节，其参数就由“参数1、参数2、参数3”变成了“参数12、参数2、参数8”，以及针对图元装配环节，其参数就由“参数4、参数5”变成了“参数7、参数1”，其余的处理环节的参数变化情况参照图7。基于图7可以确定的是，重排处理之后第一图像渲染算法中包括的参数仍然是参数1～参数12，但是这些参数被分配到了不同的位置，从而可以实现对第一图像渲染算法的参数的有效改变。

上述介绍的是预设操作的可能的实现方式，在实际实现过程中，预设操作的实现方式还可以根据实际需求进行选择和扩展，凡是用于对第一图像渲染算法中的参数进行修改的处理均可以作为本实施例中的预设操作，此处对预设操作的具体实现不做特别限定。

可以理解的是，针对第一图像渲染算法的参数执行N次预设操作，从而可以得到N组更新参数。

S304、将第一图像渲染算法中的多个参数分别替换为N组更新参数，得到N个待选图像处理算法。

在确定N组更新参数之后，就可以将第一图像渲染算法中的多个参数分别替换为上述介绍的N组更新参数，以得到N个待选图像处理算法。

在实际实现过程中，针对任一组更新参数，可以采用该组的更新参数替换当前第一图像渲染算法中的参数，从而得到当前组的更新参数对应的待选图像处理算法。针对N组更新参数均执行该操作，从而可以得到N组待选图像处理算法。本实施例中的N为大于1的整数。

比如说针对上述图5-图7中任一幅图中的右侧所示的参数，其实际上就是待选图像处理算法所包括的处理环节的具体参数情况。通过采用更新参数替换第一图像渲染算法中正确的参数，从而可以有效保证参数替换之后的待选图像渲染算法会错误的进行图像渲染，因此可以有效的输出大量的负样本。

S305、通过待选图像渲染算法对第二地图数据进行渲染处理，得到第一道路图像。

在确定N个待选图像处理算法之后，待选图像处理算法实际上已经可以生成负样本了，但是为了进一步保证输出的负样本的质量，也就是错误程度，可以再从N个待选图像渲染算法中选择错误程度较高的图像渲染算法，以得到多个第二图像渲染算法。

在一种可能的实现方式中，针对任意一个待选图像渲染算法，例如可以通过待选图像渲染算法对第二地图数据进行渲染处理，从而得到第二地图数据对应的第一道路图像。

其中，第二地图数据是为了测试待选图像渲染算法的地图数据，第二地图数据可以是任意的地图数据，只要可以确定第二地图数据对应的正确道路图像即可。

参照图8，假设当前存在待选图像渲染算法1～待选图像渲染算法N，针对每一个待选图像渲染算法，都对第二地图数据进行渲染处理，因此各个待选图像渲染算法都可以输出各自对应的第一道路图像，得到图8所示的第一道路图像1～第一道路图像N。

S306、获取第二地图数据对应的标准道路图像。

基于上述介绍可以确定的是，当前的第二地图数据需要存在对应的正确道路图像，也就是当前实施例中介绍的标准道路图像，根据标准道路图像就可以衡量各个待选图像渲染算法所输出的第一道路图像的错误程度了。本实施例中的标准道路图像实际上就是第二地图数据对应的渲染正确的道路图像。

S307、获取第一道路图像和标准道路图像的相似度。

当前的第一道路图像是待选图像渲染算法对第二地图数据进行渲染处理得到的道路提箱，标准道路图像是第二地图数据对应的渲染正确的道路图像，因此通过比较第一道路图像和标准地图图像，就可以确定当前的待选地图渲染算法所处理得到的第一道路图像怎么样。

例如可以获取第一道路图像和标准道路图像的相似度。在确定相似度的时候，例如可以根据预设算法对第一道路图像和标准道路图像进行处理，从而确定第一道路图像和标准道路图像的相似度。或者还可以根据相似度模型对第一道路图像和标准道路图像进行处理，从而确定第一道路图像和标准道路图像的相似度，本实施例对确定相似度的具体实现不做限制。确定图像相似度的具体实现可以根据实际需求进行选择和设置。

参照图8，当前可以得到N个待选图像渲染算法各自的第一道路图像，也就有图8中所示的第一道路图像1～第一道路图像N，针对任意一个第一道路图像，都获取和标准道路图像之间的相似度，得到图8所示的相似度1～相似度N。

S308、根据相似度，确定待选图像渲染算法对应的处理错误度。

在确定第一道路图像和标准道路图像的相似度之后，就可以根据相似度确定待选图像渲染算法对应的处理错误度了。本实施例中的处理错误度用于指示根据待选图像渲染算法确定得到的道路图像的错误程度。

在一种可能的实现方式中，相似度和处理错误度之间例如可以存在映射关系。比如说相似度是用百分比表示的，则处理错误度例如可以等于1-相似度，例如当前的相似度是10％，那么可以确定第一道路图像和标准道路图像之间的相似度并不是很高，基于上述介绍的，处理错误度就可以等于90％。可以理解，因为第一道路图像和标准道路图像之间的相似度并不是很高，那么就可以确定第一道路图像的错误程度是比较大的，也就可以确定得到当前的第一道路图像的待选图像渲染算法对应的处理错误度是比较高的。

在实际实现过程中，相似度和处理错误度之间的具体映射关系可以根据实际需求进行选择，只要其之间存在映射关系，以保证根据相似度可以确定待选图像渲染算法对应的处理错误度即可。以及只要保证相似度和处理错误度之间的负相关的关系即可，也就是说相似度越小，表示处理错误度越大，在此基础上，相似度和处理错误度之间的具体映射关系可以根据实际需求进行设置。其中根据相似度来确定处理错误度，从而可以简单有效的实现对各个待选图像渲染算法的处理错误的的确定。

参照图8，针对N个第一道路图像各自对应的相似度，均确定对应的处理错误度，从而可以得到生成各个第一道路图像的各个待选图像渲染算法各自的处理错误度，得到图8中所示的处理错误度1～处理错误度N。

以及本实施例中，通过各个待选图像渲染算法对相同的第二地图数据进行渲染处理，以得到各个待选图像渲染算法各自对应的第一道路图像，之后直接根据各个第一道路图像和同一个标准道路图像进行比较，以确定待选图像渲染算法的处理错误度，相较于对不同的地图数据来进行处理，可以有效的减少数据处理量，以准确有序的实现对待选图像渲染算法的处理错误度的确定。

S309、根据待选图像渲染算法对应的处理错误度，在N个待选图像渲染算法中确定多个第二图像渲染算法。

为了保证根据第二图像渲染算法所输出的负样本的质量较高，此处的质量较高也就是说错误程度比较高，例如可以根据各个待选图像渲染算法对应的处理错误度，从N个待选图像渲染算法中确定多个第二图像渲染算法。

在一种可能的实现方式中，例如可以将处理错误度最高的前M个待选图像渲染算法确定为多个第二图像渲染算法，其中M为大于1的整数，M小于或等于N。

在另一种可能的实现方式中，例如还可以将处理错误度大于或等于预设阈值的待选图像渲染算法确定为多个第二图像渲染算法。

在实际实现过程中，只要是从N个待选图像渲染算法中选择处理错误度较大的图像渲染算法，作为第二图像渲染算法即可，具体的选择方式可以根据实际需求进行选择和设置，本实施例对此不做特别限制。

S310、通过多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，目标道路图像用于作为负样本训练检测模型，检测模型用于确定地图中的道路图像的检测结果。

其中，S310的实现方式与上述S203介绍的实现方式类似，此处不再赘述。

在一种可能的实现方式中，本实施例中的目标道路图像实际上就是我们需要的负样本，因此在得到多个目标道路图像之后，例如可以向预设设备发送多个目标道路图像，也就是说将负样本发送给预设设备，由预设设备或者操作人员后续根据实际需求对负样本进行处理。

或者，在得到多个目标道路图像之后，还可以直接根据多个目标道路图像进行模型训练，从而得到上述介绍的检测模型。本实施例对确定负样本之后，负样本的具体处理方式不做限制，任意的需要应用负样本的场景均可以作为本实施例的保护范围。

本公开实施例提供的样本生成方法，通过对第一图像渲染算法中的多个参数进行多次的预设操作，以得到多组的更新参数，之后采用多组更新参数替换第一图像渲染算法中原本的参数，从而可以得到多个待选图像渲染算法，因为对正确的第一图像渲染算法中的参数进行了更新以及替换，从而可以保证得到的待选图像渲染算法可以有效的输出错误的渲染图像。以及后续还可以确定各个待选图像渲染算法对第二地图数据渲染处理得到的第一道路图像，通过确定各个第一道路图像和第二地图数据对应的标准道路图像之间的相似度，从而可以确定各个待选图像渲染算法的处理错误度，然后将处理错误度较高的待选图像渲染算法确定为第二图像渲染算法，从而可以保证根据第二图像渲染算法所处理得到的目标道路数据的错误程度是比较高的，进而可以有效保证大量生成的负样本的质量。

图9为本公开实施例的样本生成装置的结构示意图。如图9所示，本实施例的样本生成装置900可以包括：获取模块901、更新模块902、渲染模块903、处理模块904。

获取模块901，用于获取初始的第一图像渲染算法，所述第一图像渲染算法中包括多个参数；

更新模块902，用于对所述第一图像渲染算法中的所述多个参数进行更新处理，得到多个第二图像渲染算法；

渲染模块903，用于通过所述多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，所述目标道路图像用于作为负样本训练检测模型，所述检测模型用于确定地图中的道路图像的检测结果。

一种可能的实现方式中，所述更新模块902具体用于：

对所述第一图像渲染算法中的所述多个参数进行N次更新处理，得到N个待选图像渲染算法，所述N为大于1的整数；

确定所述待选图像渲染算法对应的处理错误度，所述处理错误度用于指示根据所述待选图像渲染算法确定得到的道路图像的错误程度；

根据所述待选图像渲染算法对应的处理错误度，在所述N个待选图像渲染算法中确定所述多个第二图像渲染算法。

一种可能的实现方式中，所述更新模块902具体用于：

通过所述待选图像渲染算法对第二地图数据进行渲染处理，得到第一道路图像；

获取所述第二地图数据对应的标准道路图像；

根据所述第一道路图像和所述标准道路图像，确定所述待选图像渲染算法对应的处理错误度。

一种可能的实现方式中，所述更新模块902具体用于：

获取所述第一道路图像和所述标准道路图像的相似度；

根据所述相似度，确定所述待选图像渲染算法对应的处理错误度。

一种可能的实现方式中，所述更新模块902具体用于：

将处理错误度最高的前M个待选图像渲染算法确定为所述多个第二图像渲染算法，所述M为大于1的整数，所述M小于或等于所述N；或者，

将处理错误度大于或等于预设阈值的待选图像渲染算法确定为所述多个第二图像渲染算法。

一种可能的实现方式中，所述更新模块902具体用于：

获取所述第一图像渲染算法中包括的所述多个参数；

确定所述多个参数对应的N组更新参数；

将所述第一图像渲染算法中的所述多个参数分别替换为所述N组更新参数，得到所述N个待选图像处理算法。

一种可能的实现方式中，所述更新模块902具体用于：

对所述多个参数进行N次预设操作，得到所述N组更新参数；

其中，所述预设操作包括如下处理中的至少一种：加扰操作、组合操作、重排操作。

一种可能的实现方式中，所述装置还包括：处理模块904；

所述处理模块904，用于在通过所述多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像之后，

向预设设备发送所述多个目标道路图像；或者，

根据所述多个目标道路图像进行模型训练，得到所述检测模型。

本公开提供一种样本生成方法及装置，应用于数据处理领域中的智能交通领域，以达到有效提升生成负样本的数量以及质量的目的。

需要说明的是，本实施例中的人头模型并不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的二维人脸图像来自于公开数据集。本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

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。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图10示出了可以用来实施本公开的实施例的示例电子设备1000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、个人数字助理、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，个人数字处理、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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如样本生成方法。例如，在一些实施例中，样本生成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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的样本生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行样本生成方法。

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，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"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。

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 (19)

1.一种样本生成方法，包括：

获取初始的第一图像渲染算法，所述第一图像渲染算法中包括多个参数；

对所述第一图像渲染算法中的所述多个参数进行更新处理，得到多个第二图像渲染算法；

通过所述多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，所述目标道路图像用于作为负样本训练检测模型，所述检测模型用于确定地图中的道路图像的检测结果。

2.根据权利要求1所述的方法，其中，对所述第一图像渲染算法中的所述多个参数进行更新处理，得到多个第二图像渲染算法，包括：

对所述第一图像渲染算法中的所述多个参数进行N次更新处理，得到N个待选图像渲染算法，所述N为大于1的整数；

确定所述待选图像渲染算法对应的处理错误度，所述处理错误度用于指示根据所述待选图像渲染算法确定得到的道路图像的错误程度；

根据所述待选图像渲染算法对应的处理错误度，在所述N个待选图像渲染算法中确定所述多个第二图像渲染算法。

3.根据权利要求2所述的方法，其中，确定所述待选图像渲染算法对应的处理错误度，包括：

通过所述待选图像渲染算法对第二地图数据进行渲染处理，得到第一道路图像；

获取所述第二地图数据对应的标准道路图像；

根据所述第一道路图像和所述标准道路图像，确定所述待选图像渲染算法对应的处理错误度。

4.根据权利要求3所述的方法，其中，根据所述第一道路图像和所述标准道路图像，确定所述待选图像渲染算法对应的处理错误度，包括：

获取所述第一道路图像和所述标准道路图像的相似度；

根据所述相似度，确定所述待选图像渲染算法对应的处理错误度。

5.根据权利要求2-4任一项所述的方法，其中，根据所述待选图像渲染算法对应的处理错误度，在所述N个待选图像渲染算法中确定所述多个第二图像渲染算法，包括：

将处理错误度最高的前M个待选图像渲染算法确定为所述多个第二图像渲染算法，所述M为大于1的整数，所述M小于或等于所述N；或者，

将处理错误度大于或等于预设阈值的待选图像渲染算法确定为所述多个第二图像渲染算法。

6.根据权利要求2-5任一项所述的方法，其中，对所述第一图像渲染算法中的所述多个参数进行N次更新处理，得到N个待选图像渲染算法，包括：

获取所述第一图像渲染算法中包括的所述多个参数；

确定所述多个参数对应的N组更新参数；

将所述第一图像渲染算法中的所述多个参数分别替换为所述N组更新参数，得到所述N个待选图像处理算法。

7.根据权利要求6所述的方法，其中，确定所述多个参数对应的N组更新参数，包括：

对所述多个参数进行N次预设操作，得到所述N组更新参数；

其中，所述预设操作包括如下处理中的至少一种：加扰操作、组合操作、重排操作。

8.根据权利要求1-7任一项所述的方法，通过所述多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像之后，还包括：

向预设设备发送所述多个目标道路图像；或者，

根据所述多个目标道路图像进行模型训练，得到所述检测模型。

9.一种样本生成装置，包括：

获取模块，用于获取初始的第一图像渲染算法，所述第一图像渲染算法中包括多个参数；

更新模块，用于对所述第一图像渲染算法中的所述多个参数进行更新处理，得到多个第二图像渲染算法；

渲染模块，用于通过所述多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像，所述目标道路图像用于作为负样本训练检测模型，所述检测模型用于确定地图中的道路图像的检测结果。

10.根据权利要求9所述的装置，其中，所述更新模块具体用于：

对所述第一图像渲染算法中的所述多个参数进行N次更新处理，得到N个待选图像渲染算法，所述N为大于1的整数；

确定所述待选图像渲染算法对应的处理错误度，所述处理错误度用于指示根据所述待选图像渲染算法确定得到的道路图像的错误程度；

根据所述待选图像渲染算法对应的处理错误度，在所述N个待选图像渲染算法中确定所述多个第二图像渲染算法。

11.根据权利要求10所述的装置，其中，所述更新模块具体用于：

通过所述待选图像渲染算法对第二地图数据进行渲染处理，得到第一道路图像；

获取所述第二地图数据对应的标准道路图像；

根据所述第一道路图像和所述标准道路图像，确定所述待选图像渲染算法对应的处理错误度。

12.根据权利要求11所述的装置，其中，所述更新模块具体用于：

获取所述第一道路图像和所述标准道路图像的相似度；

根据所述相似度，确定所述待选图像渲染算法对应的处理错误度。

13.根据权利要求10-12任一项所述的装置，其中，所述更新模块具体用于：

将处理错误度最高的前M个待选图像渲染算法确定为所述多个第二图像渲染算法，所述M为大于1的整数，所述M小于或等于所述N；或者，

将处理错误度大于或等于预设阈值的待选图像渲染算法确定为所述多个第二图像渲染算法。

14.根据权利要求10-13任一项所述的装置，其中，所述更新模块具体用于：

获取所述第一图像渲染算法中包括的所述多个参数；

确定所述多个参数对应的N组更新参数；

将所述第一图像渲染算法中的所述多个参数分别替换为所述N组更新参数，得到所述N个待选图像处理算法。

15.根据权利要求14所述的装置，其中，所述更新模块具体用于：

对所述多个参数进行N次预设操作，得到所述N组更新参数；

其中，所述预设操作包括如下处理中的至少一种：加扰操作、组合操作、重排操作。

16.根据权利要求9-15任一项所述的装置，所述装置还包括：处理模块；

所述处理模块，用于在通过所述多个第二图像渲染算法对第一地图数据进行渲染处理，得到多个目标道路图像之后，

向预设设备发送所述多个目标道路图像；或者，

根据所述多个目标道路图像进行模型训练，得到所述检测模型。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。

Images