CN114637882B - 基于计算机图形技术生成带标记样本的方法 - Google Patents
基于计算机图形技术生成带标记样本的方法 Download PDFInfo
- Publication number
- CN114637882B CN114637882B CN202210534004.2A CN202210534004A CN114637882B CN 114637882 B CN114637882 B CN 114637882B CN 202210534004 A CN202210534004 A CN 202210534004A CN 114637882 B CN114637882 B CN 114637882B
- Authority
- CN
- China
- Prior art keywords
- attribute information
- virtual
- motion
- information
- sample
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 238000003491 array Methods 0.000 claims abstract description 7
- 230000009471 action Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 28
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 206010001488 Aggression Diseases 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种基于计算机图形技术生成带标记样本的方法,该方法包括根据预先设置的场景单元构建虚拟场景,场景单元均设置有属性信息阵列,场景单元在虚拟场景内在属性范围内进行运行;设置虚拟运动单元,确定场景单元在虚拟运动单元的作用下的属性信息;记录任意时刻的虚拟运动单元在虚拟场景中的图像信息,并记录图像信息对应的运动属性信息和对应的场景单元的属性信息;生成样本信息,样本信息包括图像信息、运动属性信息和属性信息。通过对虚拟运动单元的运动属性信息与已有数据样本中的信息进行对比,根据运行属性信息与实际运动属性信息的属性值的关系,对实际运动属性信息进行调整,使得样本信息的生成速度大大提高。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于计算机图形技术生成带标记样本的方法。
背景技术
深度学习是由大数据驱动发展的一个领域,目前所有的深度学习神经网络算法都会面临训练数据噪声问题。如果训练数据中噪声数据过多,就无法训练得到一个效果较好的深度学习算法,因此,高质量的数据已经成为AI和深度学习系统所必备的条件,一般会花费较多人力物力进行数据去噪。
但是,现有技术中对于构建数据模型,以及对数据模型的训练是需要大量数据来完成的,但是由于一些模型的历史数据有限,因此进行数据模型训练的数据量不足,则会影响到数据模型构建的精准性,当然现有技术中是存在一些训练数据为虚拟数据,但是这些不真实的虚拟数据无法拟合实际情况,因此对于数据模型的构建产生的是负向作用,影响数据模型的构建精度。
发明内容
为此,本发明提供一种基于计算机图形技术生成带标记样本的方法,可以解决现有技术中心的训练样本数量不足引起的数据模型精度不高的技术问题。
为实现上述目的,本发明提供一种基于计算机图形技术生成带标记样本的方法,包括:
根据预先设置的场景单元构建虚拟场景,所述场景单元均设置有属性信息阵列,所述属性信息阵列用于对所述场景单元的属性进行描述,所述属性信息阵列包括若干个属性信息,任意属性信息均设置有属性范围,所述场景单元在所述虚拟场景内在所述属性范围内进行运行;
设置虚拟运动单元,当所述虚拟运动单元置于所述虚拟场景中时,记录所述虚拟运动单元对场景单元的作用,并记录所述虚拟运动单元的运动属性信息,并确定所述场景单元在所述虚拟运动单元的作用下的属性信息;
记录每个时刻的虚拟运动单元在所述虚拟场景中的图像信息,并记录所述图像信息对应的运动属性信息和对应的场景单元的属性信息;
对于任意图像生成样本信息,所述样本信息包括图像信息、运动属性信息和属性信息。
进一步地,判断该运动属性信息是否为已有运动属性信息,若是,则剔除该运动属性信息对应的图像信息;
若该运动属性信息不属于已有运动属性信息,则根据所述运动属性信息与实际运动属性信息的属性值的关系,对实际运动属性信息进行调整,并确定是否将其对应的图像信息、运动属性信息以及属性信息作为样本信息。
进一步地,所述虚拟运动单元为虚拟车辆,所述运动属性信息为虚拟车辆的速度V,若是已有样本中的速度设置在V1-V2之间,若实际的虚拟车辆的车速V属于V1-V2之间且与已有样本中的速度相同,则将该虚拟车辆在车速V获取的图片以及对应的数据信息进行删除,其中V1属于极小值,V2为极大值;
若V属于V1-V2之间且与已有样本中的速度不同,则确定V2-V和V-V1的关系,并根据确定的结果对虚拟车辆的车速V的调整幅度。
进一步地,若V2-V=V-V1,则从已有样本中的速度中选择与实际的虚拟车辆的车速V最接近的速度Vi,若Vi距离V1更近,则采用第一标准调整幅度V10对虚拟车辆的车速V进行向下调整;若Vi距离V2更近,则采用第二标准调整幅度V20对虚拟车辆的车速V进行向上调整;
若V2-V>V-V1,则采用第一标准调整幅度V10对虚拟车辆的车速V进行向下调整;
若V2-V<V-V1,则采用第二标准调整幅度V20对虚拟车辆的车速V进行向上调整。
进一步地,还包括调整幅度之后的虚拟车辆的车速,若属于已有样本中的车辆速度,则删除;
若不属于已有样本中的车辆速度,则作为样本信息,所述样本信息包括图像信息、运动属性信息和属性信息。
进一步地,还包括当调整幅度之后的虚拟车辆的车速超出V1-V2后,根据场景单元的属性信息阵列中的变化程度调整显示顺序。
进一步地,在属性信息阵列中设置有基准顺序,若是在虚拟车辆的车速超过V2时,属性信息阵列中的大多数属性信息的变化系数不大,只有其中的一个属性信息的变化系数增加很大,则将该属性信息在属性信息阵列中的位置进行调整,使得变化系数大的属性信息设置在属性信息阵列中的首位。
进一步地,在对属性信息阵列中的属性信息顺序进行调整时,根据属性信息的变化系数与标准变化系数的关系确定调整的实际位置。
进一步地,预先设置有标准变化系数k0,对于任意属性信息,若属性信息的变化系数k≥k0,则将该属性信息在属性信息阵列中的位置提前至少一个位置;
若属性信息的变化系数<k0,则将该属性信息在属性信息阵列中的位置延后至少一个位置。
与现有技术相比,本发明的有益效果在于,通过对虚拟运动单元的运动属性信息与已有数据样本中的信息进行对比,以确定是否要保存当前的运动属性信息在虚拟场景下生成的数据信息,并根据运行属性信息与实际运动属性信息的属性值的关系,对实际运动属性信息进行调整,使得样本信息的生成速度大大提高,且生成的样本数据真实有效,实现对于样本数据的有效丰富,提高样本数据的生成效率。
尤其,通过对于样本数据中的极限值进行判断,确定在运动过程中的运动单元的参数,若是实际参数在预设的范围内,则表示运动单元的运行状态属于正常区间,根据在正常区间内的样本的数量对于样本数据是否进行收录进行选择,以保证样本数据的多样性,对于重复数据可以进行删除,使得通过运动单元的状态调整,使得产生更多符合实际需要的样本数据,便于进行样本训练和学习,提高识别效率。
尤其,根据实际虚拟车辆的车速的判定方法,确定在对运动单元进行参数调整的方向,在进行参数调整时采用就近原则生成新的数据样本,不但能够提高样本数据的丰富性,而且能够大大提高样本数据的数量和质量。
尤其,通过对于虚拟车辆的参数信息与已有参数信息一致,则表示为重复数据,对于重复数据可以不进行采集存储,本发明实施例对于数据样本的重复性进行有效筛选,保证数据的多样性和唯一性,减少数据的重复性,使得能够对样本数据的多样性进行有效提高,进一步满足样本数据的丰富性和多样性,提高样本数据的数量。
尤其,对于图像信息中的属性信息,在实际应用中存在静态属性信息和动态属性信息,在一张图像中,对于属性信息的多样性表达方式,通过根据属性信息的变化程度来调整实际显示顺序,使得变化程度较大的属性信息优先进行显示,而对于没有变化的属性信息则可以不进行显示,在发生变化后再进行显示,防止图像中的属性信息过多,影响视觉效果,增加样本训练的难度。
尤其,通过对属性信息阵列中进行顺序调整,使得对于变化系数大的属性信息优先排列显示,大大提高了属性信息显示的优先级,便于用户在样本数据中能够对于样本数据中的整体变化具有初步的判断,便于对于样本数据的有效管理和统筹,提高样本数据的训练效率。
尤其,通过对样本信息中的属性信息进行顺序调整,使得主要变化的信息优先显示,便于对于样本数据的提取过程,提高样本数据的生成效率,提高样本数据的准确性,提高对于数据模型的训练精度。
附图说明
图1为本发明实施例提供的基于计算机图形技术生成带标记样本的方法的流程示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,本发明实施例提供的基于计算机图形技术生成带标记样本的方法,包括:
步骤S100:根据预先设置的场景单元构建虚拟场景,所述场景单元均设置有属性信息阵列,所述属性信息阵列用于对所述场景单元的属性进行描述,所述属性信息阵列包括若干个属性信息,任意属性信息均设置有属性范围,所述场景单元在所述虚拟场景内在所述属性范围内进行运行;
步骤S200:设置虚拟运动单元,当所述虚拟运动单元置于所述虚拟场景中时,记录所述虚拟运动单元对场景单元的作用,并记录所述虚拟运动单元的运动属性信息,并确定所述场景单元在所述虚拟运动单元的作用下的属性信息;
步骤S300:记录每个时刻的虚拟运动单元在所述虚拟场景中的图像信息,并记录所述图像信息对应的运动属性信息和对应的场景单元的属性信息;
步骤S400:对于任意图像生成样本信息,所述样本信息包括图像信息、运动属性信息和属性信息。
具体而言,本发明实施例中的虚拟运动单元的运动属性信息,判断该运动属性信息是否为已有运动属性信息,若是,则剔除该运动属性信息对应的图像信息;
若该运动属性信息不属于已有运动属性信息,则根据所述运动属性信息与实际运动属性信息的属性值的关系,对实际运动属性信息进行调整,并确定是否将其对应的图像信息、运动属性信息以及属性信息作为样本信息。
具体而言,本发明实施例通过对虚拟运动单元的运动属性信息与已有数据样本中的信息进行对比,以确定是否要保存当前的运动属性信息在虚拟场景下生成的数据信息,并根据运行属性信息与实际运动属性信息的属性值的关系,对实际运动属性信息进行调整,使得样本信息的生成速度大大提高,且生成的样本数据真实有效,实现对于样本数据的有效丰富,提高样本数据的生成效率。
具体而言,在虚拟场景中的每个场景单元,根据每个场景单元的实际形状特征、物体类别、物体大小以及场景单元之间的关系均可以进行标记,本发明实施例通过对虚拟场景的所有信息进行识别并标识,从而形成带标签的样本,标签其实就是图像中物体的属性,比如包括物体的类别、物体的大小、相互位置关系、轮廓信息;也包括在上述属性基础上进一步的属性,比如人的穿着、性别、年龄、身材、姿态等等,又比如是否有车辆碰撞、人是否有摔倒等等;当然也包括通过多张相关图像联合分析得到的速度等运动属性。通过计算机图形技术获得的带标签样本,最终得到的样本必然是基于图形的,样本中的特征也必然是基于图形能分辨或者分析出来的特征。通过计算机图形技术,可以通过制定规则或随机的方式,模拟出复杂的自然因素或社会因素以及这些因素的组合,从而使带标签图像是在复杂的自然环境和社会环境下获得的,使生成的带标签图像逼真。例如模拟雨、雪、风、云等天气因素;模拟不同时段的地月日关系来获得自然光照;模拟街道上人、车、建筑、道路、路标、垃圾桶、商铺等等以及人车的运动而生成的复杂街道环境;模拟道路上的交通规则、地铁站内的管制规则;模拟在场景的各种位置安装各种姿态的相机拍摄画面等等。
在模拟上述复杂的自然因素和社会因素后,根据人工智能分析和特定需要,生成人们特别关注的事件场景中的带标签图像信息,例如车祸、安检、体育运动、商场、地铁站、机场、工厂、农田、战场、医学等场景中的打架事件、安全事故、旅客求助、交通事故、工业产品瑕疵、微观显微图像等等图像信息。
如果关心暴力行为事件,我们会制作在街区、地铁站、商场等等场景下的各种持械、打架、斗殴、追逐、劫持等动画,这些场景中设置各种光照,如果是户外还要设置不同的天气和日照环境,在不同的位置安装各种姿态的摄像头来拍摄图像,尽可能保证制作的动画逼近现实。因为这个视频动画是我们自己制作的,因此其中的任意一张图像,我们都知道图像中各种对象的属性,例如商场中某个歹徒是否持械、性别、穿着等,他在图像中的位置,以及他的每个动作的类别、身体姿态等等,生成这张图片的时候,这些信息都是自带的,也就是被打上了标签。图像中带了标签,就可以用于人工智能模型训练。
需要注意的是,人工智能模型训练中,需要正负两种样本,正样本就是人们所特别关注的想要筛选出来的对象,负样本是与之相反的。以上述暴力行为事件识别为例,正样本是标注了持械、打架、追逐等危险信息的那些标签,负样本是标注了人们正常的安全的坐、走、站等不危险的信息的那些标签。
具体而言,所述虚拟运动单元为虚拟车辆,所述运动属性信息为虚拟车辆的速度V,在确认任意图像信息中的虚拟车辆的速度时,通常根据两个时刻所产生的图像信息中虚拟运动单元的位置变化程度以及这两个时刻之间的差值,虚拟场景为城市道路场景,当虚拟车辆在城市道路场景中时,与城市道路场景中的虚拟场景单元进行作用,虚拟场景单元包括其他车辆、空气的二氧化碳排放量、道路两旁的树木、交通信号灯、天气状况等,若是已有样本中的速度设置在V1-V2之间,若实际的虚拟车辆的车速V属于V1-V2之间且与已有样本中的速度相同,则将该虚拟车辆在车速V获取的图片以及对应的数据信息进行删除,其中V1属于极小值,V2为极大值;
若V属于V1-V2之间且与已有样本中的速度不同,则确定V2-V和V-V1的关系,并根据确定的结果对虚拟车辆的车速V的调整幅度。
具体而言,本发明实施例通过对于样本数据中的极限值进行判断,确定在运动过程中的运动单元的参数,若是实际参数在预设的范围内,则表示运动单元的运行状态属于正常区间,根据在正常区间内的样本的数量对于样本数据是否进行收录进行选择,以保证样本数据的多样性,对于重复数据可以进行删除,使得通过运动单元的状态调整,使得产生更多符合实际需要的样本数据,便于进行样本训练和学习,提高识别效率。
具体而言,若V2-V=V-V1,则从已有样本中的速度中选择与实际的虚拟车辆的车速V最接近的速度Vi,若Vi距离V1更近,则采用第一标准调整幅度V10对虚拟车辆的车速V进行向下调整;若Vi距离V2更近,则采用第二标准调整幅度V20对虚拟车辆的车速V进行向上调整;
若V2-V>V-V1,则采用第一标准调整幅度V10对虚拟车辆的车速V进行向下调整;
若V2-V<V-V1,则采用第二标准调整幅度V20对虚拟车辆的车速V进行向上调整。
具体而言,在实际应用中根据实际虚拟车辆的车速的判定方法,确定在对运动单元进行参数调整的方向,在进行参数调整时采用就近原则生成新的数据样本,不但能够提高样本数据的丰富性,而且能够大大提高样本数据的数量和质量。
具体而言,还包括调整幅度之后的虚拟车辆的车速,若属于已有样本中的车辆速度,则删除;
若不属于已有样本中的车辆速度,则作为样本信息,所述样本信息包括图像信息、运动属性信息和属性信息。
具体而言,本发明实施例通过对于虚拟车辆的参数信息与已有参数信息一致,则表示为重复数据,对于重复数据可以不进行采集存储,本发明实施例对于数据样本的重复性进行有效筛选,保证数据的多样性和唯一性,减少数据的重复性,使得能够对样本数据的多样性进行有效提高,进一步满足样本数据的丰富性和多样性,提高样本数据的数量。
具体而言,还包括当调整幅度之后的虚拟车辆的车速超出V1-V2后,根据场景单元的属性信息阵列中的变化程度调整显示顺序。
具体而言,在实际应用中,对于图像信息中的属性信息,在实际应用中存在静态属性信息和动态属性信息,在一张图像中,对于属性信息的多样性表达方式,通过根据属性信息的变化程度来调整实际显示顺序,使得变化程度较大的属性信息优先进行显示,而对于没有变化的属性信息则可以不进行显示,在发生变化后再进行显示,防止图像中的属性信息过多,影响视觉效果,增加样本训练的难度。
具体而言,在属性信息阵列中设置有基准顺序,若是在虚拟车辆的车速超过V2时,属性信息阵列中的大多数属性信息的变化系数不大,只有其中的一个属性信息的变化系数增加很大,则将该属性信息在属性信息阵列中的位置进行调整,使得变化系数大的属性信息设置在属性信息阵列中的首位。
具体而言,本发明实施例通过对属性信息阵列中进行顺序调整,使得对于变化系数大的属性信息优先排列显示,大大提高了属性信息显示的优先级,便于用户在样本数据中能够对于样本数据中的整体变化具有初步的判断,便于对于样本数据的有效管理和统筹,提高样本数据的训练效率。
具体而言,在对属性信息阵列中的属性信息顺序进行调整时,根据属性信息的变化系数与标准变化系数的关系确定调整的实际位置。
具体而言,预先设置有标准变化系数k0,对于任意属性信息,若属性信息的变化系数k≥k0,则将该属性信息在属性信息阵列中的位置提前至少一个位置;
若属性信息的变化系数<k0,则将该属性信息在属性信息阵列中的位置延后至少一个位置。
本发明实施例通过对样本信息中的属性信息进行顺序调整,使得主要变化的信息优先显示,便于对于样本数据的提取过程,提高样本数据的生成效率,提高样本数据的准确性,提高对于数据模型的训练精度。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于计算机图形技术生成带标记样本的方法,其特征在于,包括:
根据预先设置的场景单元构建虚拟场景,所述场景单元均设置有属性信息阵列,所述属性信息阵列用于对所述场景单元的属性进行描述,所述属性信息阵列包括若干个属性信息,任意属性信息均设置有属性范围,所述场景单元在所述虚拟场景内在所述属性范围内进行运行;
设置虚拟运动单元,当所述虚拟运动单元置于所述虚拟场景中时,记录所述虚拟运动单元对场景单元的作用,并记录所述虚拟运动单元的运动属性信息,并确定所述场景单元在所述虚拟运动单元的作用下的属性信息;
记录每个时刻的虚拟运动单元在所述虚拟场景中的图像信息,并记录所述图像信息对应的运动属性信息和对应的场景单元的属性信息;
对于任意图像生成样本信息,所述样本信息包括图像信息、运动属性信息和属性信息;
判断该运动属性信息是否为已有运动属性信息,若是,则剔除该运动属性信息对应的图像信息;
若该运动属性信息不属于已有运动属性信息,则根据所述运动属性信息与实际运动属性信息的属性值的关系,对实际运动属性信息进行调整,并确定是否将其对应的图像信息、运动属性信息以及属性信息作为样本信息;
所述虚拟运动单元为虚拟车辆,所述运动属性信息为虚拟车辆的速度V,若是已有样本中的速度设置在V1-V2之间,若实际的虚拟车辆的车速V属于V1-V2之间且与已有样本中的速度相同,则将该虚拟车辆在车速V获取的图片以及对应的数据信息进行删除,其中V1属于极小值,V2为极大值;
若V属于V1-V2之间且与已有样本中的速度不同,则确定V2-V和V-V1的关系,并根据确定的结果对虚拟车辆的车速V的调整幅度;
若V2-V=V-V1,则从已有样本中的速度中选择与实际的虚拟车辆的车速V最接近的速度Vi,若Vi距离V1更近,则采用第一标准调整幅度V10对虚拟车辆的车速V进行向下调整;若Vi距离V2更近,则采用第二标准调整幅度V20对虚拟车辆的车速V进行向上调整;
若V2-V>V-V1,则采用第一标准调整幅度V10对虚拟车辆的车速V进行向下调整;
若V2-V<V-V1,则采用第二标准调整幅度V20对虚拟车辆的车速V进行向上调整。
2.根据权利要求1所述的基于计算机图形技术生成带标记样本的方法,其特征在于,还包括:调整幅度之后的虚拟车辆的车速,若属于已有样本中的车辆速度,则删除;
若不属于已有样本中的车辆速度,则作为样本信息,所述样本信息包括图像信息、运动属性信息和属性信息。
3.根据权利要求2所述的基于计算机图形技术生成带标记样本的方法,其特征在于,还包括当调整幅度之后的虚拟车辆的车速超出V1-V2后,根据场景单元的属性信息阵列中的变化程度调整显示顺序。
4.根据权利要求3所述的基于计算机图形技术生成带标记样本的方法,其特征在于,在对属性信息阵列中的属性信息顺序进行调整时,根据属性信息的变化系数与标准变化系数的关系确定调整的实际位置。
5.根据权利要求4所述的基于计算机图形技术生成带标记样本的方法,其特征在于,预先设置有标准变化系数k0,对于任意属性信息,若属性信息的变化系数k≥k0,则将该属性信息在属性信息阵列中的位置提前至少一个位置;
若属性信息的变化系数k<k0,则将该属性信息在属性信息阵列中的位置延后至少一个位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210534004.2A CN114637882B (zh) | 2022-05-17 | 2022-05-17 | 基于计算机图形技术生成带标记样本的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210534004.2A CN114637882B (zh) | 2022-05-17 | 2022-05-17 | 基于计算机图形技术生成带标记样本的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114637882A CN114637882A (zh) | 2022-06-17 |
CN114637882B true CN114637882B (zh) | 2022-08-19 |
Family
ID=81952891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210534004.2A Expired - Fee Related CN114637882B (zh) | 2022-05-17 | 2022-05-17 | 基于计算机图形技术生成带标记样本的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114637882B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635853A (zh) * | 2018-11-26 | 2019-04-16 | 深圳市玛尔仕文化科技有限公司 | 基于计算机图形技术自动生成人工智能训练样本的方法 |
CN109902430A (zh) * | 2019-03-13 | 2019-06-18 | 上海车右智能科技有限公司 | 交通场景生成方法、装置、系统、计算机设备和存储介质 |
CN110514366A (zh) * | 2019-08-22 | 2019-11-29 | 东北大学 | 一种小样本条件下管道微弱泄漏检测方法 |
CN112420135A (zh) * | 2020-11-20 | 2021-02-26 | 北京化工大学 | 一种基于样方法和分位数回归的虚拟样本生成方法 |
CN113516778A (zh) * | 2021-04-14 | 2021-10-19 | 武汉联影智融医疗科技有限公司 | 模型训练数据获取方法、装置、计算机设备和存储介质 |
WO2021232229A1 (zh) * | 2020-05-19 | 2021-11-25 | 深圳元戎启行科技有限公司 | 虚拟场景生成方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144015A (zh) * | 2019-12-30 | 2020-05-12 | 吉林大学 | 一种自动驾驶汽车虚拟场景库构建方法 |
-
2022
- 2022-05-17 CN CN202210534004.2A patent/CN114637882B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635853A (zh) * | 2018-11-26 | 2019-04-16 | 深圳市玛尔仕文化科技有限公司 | 基于计算机图形技术自动生成人工智能训练样本的方法 |
CN109902430A (zh) * | 2019-03-13 | 2019-06-18 | 上海车右智能科技有限公司 | 交通场景生成方法、装置、系统、计算机设备和存储介质 |
CN110514366A (zh) * | 2019-08-22 | 2019-11-29 | 东北大学 | 一种小样本条件下管道微弱泄漏检测方法 |
WO2021232229A1 (zh) * | 2020-05-19 | 2021-11-25 | 深圳元戎启行科技有限公司 | 虚拟场景生成方法、装置、计算机设备和存储介质 |
CN112420135A (zh) * | 2020-11-20 | 2021-02-26 | 北京化工大学 | 一种基于样方法和分位数回归的虚拟样本生成方法 |
CN113516778A (zh) * | 2021-04-14 | 2021-10-19 | 武汉联影智融医疗科技有限公司 | 模型训练数据获取方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114637882A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967393A (zh) | 一种基于改进YOLOv4的安全帽佩戴检测方法 | |
CN105844257B (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
EP3550516B1 (de) | Umgebungsparameterabhängige auswahl eines datenmodells zur erkennung eines objekts einer realen umgebung | |
CN106875424A (zh) | 一种基于机器视觉的城市环境行驶车辆行为识别方法 | |
CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
CN111339905B (zh) | 基于深度学习及多视角的cim井盖状态视觉检测系统 | |
CN107301378A (zh) | 图像中多分类器集成的行人检测方法和系统 | |
CN113359709B (zh) | 一种基于数字孪生的无人驾驶运动规划方法 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
CN103268470A (zh) | 基于任意场景的视频对象实时统计方法 | |
CN109063667A (zh) | 一种基于场景的视频识别方式优化及推送方法 | |
CN109191492B (zh) | 一种基于轮廓分析的智能视频黑烟车检测方法 | |
US20240005641A1 (en) | Data Augmentation for Detour Path Configuring | |
US11699282B1 (en) | Data augmentation for vehicle control | |
CN114089786A (zh) | 一种基于无人机视觉的沿山区公路自主巡检系统 | |
CN116894611A (zh) | 一种城市轨道交通车站乘客疏散仿真方法及系统 | |
CN114637882B (zh) | 基于计算机图形技术生成带标记样本的方法 | |
CN112749681A (zh) | 一种基于边缘设备和深度学习的违章检测方法 | |
CN116457800A (zh) | 用于自动驾驶车辆中的地图变化检测的架构 | |
CN111339926A (zh) | 一种电力营业厅人员行为规范智能识别系统 | |
CN111126170A (zh) | 一种基于目标检测与追踪的视频动态物检测方法 | |
CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及系统 | |
CN113076821A (zh) | 一种事件的检测方法及装置 | |
CN112634610A (zh) | 自然驾驶数据采集方法、装置、电子设备以及存储介质 | |
CN111696200A (zh) | 一种警情态势显示的方法、系统、装置及存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220819 |