CN115422695A - 一种交叉口转向控制标注方法、电子设备及存储介质 - Google Patents

一种交叉口转向控制标注方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115422695A
CN115422695A CN202211366844.9A CN202211366844A CN115422695A CN 115422695 A CN115422695 A CN 115422695A CN 202211366844 A CN202211366844 A CN 202211366844A CN 115422695 A CN115422695 A CN 115422695A
Authority
CN
China
Prior art keywords
intersection
steering control
calculating
shaped
probability
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
CN202211366844.9A
Other languages
English (en)
Other versions
CN115422695B (zh
Inventor
张晓春
雷焕宇
邓远冬
游博雅
刘恒
阚倩
王燕
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center 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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202211366844.9A priority Critical patent/CN115422695B/zh
Publication of CN115422695A publication Critical patent/CN115422695A/zh
Application granted granted Critical
Publication of CN115422695B publication Critical patent/CN115422695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提出一种交叉口转向控制标注方法、电子设备及存储介质，属于交叉口转向控制标注技术领域。包括以下步骤：S1.筛选需要转向控制的T型交叉口和Y型交叉口，并转化为平面坐标；S2.判断交叉口类型，若道路都是双向的交叉口，判断为T型交叉口，若道路含有单向道路，判断为Y型交叉口；S3.构建模型训练样本集；S4.扩展训练样本集；S5.计算待预测交叉口转向的特征向量；S6.基于训练样本集与朴素贝叶斯原理，计算贝叶斯模型的先验概率和条件概率；S7.根据待预测交叉口转向的特征向量与先验概率与条件概率，确定转向控制标注结果。解决现有技术中存在的人工标注效率低的技术问题。

Description

一种交叉口转向控制标注方法、电子设备及存储介质
技术领域
本发明涉及一种标注方法，尤其涉及一种交叉口转向控制标注方法、电子设备及存储介质，属于交叉口转向控制标注技术领域。
背景技术
基于导航网络的GIS数据在交通模型组织评估过程中，部分T型交叉口只允许右进右出，禁止左转，右转方向需要添加惩罚；对于高速下匝道并入主干路，辅道并入主干路等Y型交叉口，禁止左转。对于这样的情况，需要精细化控制，因此需要进行单独的标注。现有技术通常采用人工标注的方法，但对于大规模路网的路网标注时，若仍采用人工标注的方法，需要耗费大量的人工工作成本。
因此，本发明提出一种可快速自动化标注交叉口转向控制的方法。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在的人工标注效率低技术问题，本发明提供一种交叉口转向控制标注方法、电子设备及存储介质。
方案一、一种交叉口转向控制标注方法，包括以下步骤：
S1.筛选需要转向控制的T型交叉口和Y型交叉口，并转化为平面坐标；
S2.判断交叉口类型，若道路都是双向的交叉口，判断为T型交叉口，若道路含有单向道路，判断为Y型交叉口；
S3.构建模型训练样本集；
S4.扩展训练样本集；
S5.计算待预测交叉口转向的特征向量；
S6.基于训练样本集与朴素贝叶斯原理，计算贝叶斯模型的先验概率和条件概率；
S7.根据S5所述待预测交叉口转向的特征向量与S6所述先验概率与条件概率，确定转向控制标注结果。
优选的，S4具体是：
S41.将坐标平移：
Figure 566888DEST_PATH_IMAGE001
，d表示距离；
S42.将坐标系旋转：x,y为旋转前的坐标，
Figure 533707DEST_PATH_IMAGE002
为旋转后坐标，
Figure 401561DEST_PATH_IMAGE003
为旋转角度，
Figure 86620DEST_PATH_IMAGE004
S43.单因素变量坐标平移：保持其中两个端点固定，旋转剩下的一个端点进行旋转，旋转角度绝对值
Figure 562601DEST_PATH_IMAGE005
度。
优选的，S5具体是：
指定不同node序列之间的可达性，即from_node→intersection_node→to_node的特征向量X，特征向量X
Figure 383926DEST_PATH_IMAGE006
；
计算特征向量：
Figure 592054DEST_PATH_IMAGE007
其中，x表示起点的x坐标，
Figure 374196DEST_PATH_IMAGE008
表示结束点的x坐标。
优选的，S6具体是：
S61.基于S3构建的样本集遍历每一个交叉路口，基于S2判断交叉口类型确定交叉口的方向和标注结果；
S62.根据标注的方向和结果，计算特征向量
Figure 998075DEST_PATH_IMAGE009
与标定结果
Figure 64120DEST_PATH_IMAGE010
的对应关系，即得到模型训练样本
Figure 380832DEST_PATH_IMAGE011
，其中
Figure 571642DEST_PATH_IMAGE012
是第
Figure 140158DEST_PATH_IMAGE013
个样本的
Figure 670496DEST_PATH_IMAGE014
个特征，
Figure 548322DEST_PATH_IMAGE015
，
Figure 429691DEST_PATH_IMAGE016
表示第
Figure 457690DEST_PATH_IMAGE014
个特征可能取的第
Figure 983480DEST_PATH_IMAGE017
个值，
Figure 907574DEST_PATH_IMAGE018
，
Figure 135293DEST_PATH_IMAGE019
，
Figure 170245DEST_PATH_IMAGE020
为标定结果；
S63.基于训练样本集和朴素贝叶斯原理计算贝叶斯模型的先验概率和条件概率，公式如下：
Figure 471913DEST_PATH_IMAGE021
，k=1,2,3
Figure 442274DEST_PATH_IMAGE022
,k=1,2,3;j=1,2,…,n;l=1,2,…,
Figure 32656DEST_PATH_IMAGE023
其中：
Figure 730353DEST_PATH_IMAGE024
表示标定结果为
Figure 355370DEST_PATH_IMAGE025
的先验概率，
Figure 418003DEST_PATH_IMAGE026
表示标定结果为
Figure 371047DEST_PATH_IMAGE027
条件下，特征向量
Figure 747802DEST_PATH_IMAGE028
的条件概率，I表示指示函数；
优选的，S7具体是：
S71.筛选未标注的样本，遍历交叉口，根据交叉口类型，确定所有转向方向，T型交叉口遍历端点-交叉口点-端点的所有组合，Y型交叉口在遍历所有的组合中，排除掉含有单向LINK的反向node组合；
S72.根据待标注的转向方向及坐标，计算特征向量；
S73.根据S6所述贝叶斯模型的先验概率与后验概率，对于S72所计算的特征向量，计算其后验概率：
Figure 351958DEST_PATH_IMAGE029
S74.根据S73确定的后验概率，根据极大似然法，确定标注的结果，公式如下：
Figure 788756DEST_PATH_IMAGE030
方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述方法的步骤。
方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的方法。
本发明的有益效果如下：本发明从GIS网络中筛选出待标注的T型交叉口和Y型交叉口，选择性导出筛选出的交叉口，并进行坐标系投影计算，由球面坐标转化为平面坐标；其次通过LINK之间的方向判断交叉口类型为T型交叉口或Y型交叉口，根据节点关联LINK数量标记节点是交叉口节点还是link端点；选择T型交叉口和Y型交叉口进行手动标注作为模型训练样本集，通过平移，旋转，转换进行模型训练样本集的扩展；对坐标系进行归一化处理，提取交叉口训练的特征集，采用先验为高斯分布的朴素贝叶斯模型进行训练；采用训练好的模型对未标注的交叉口进行预测，并对结果进行统计输出；解决现有技术中存在人工标注效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种交叉口转向控制标注方法流程示意图；
图2为本发明节点类型标记示意图；
图3为本发明Y型路口标注结果示意图；
图4为本发明T型路口标注结果示意图。
具体实施方式
为了使本发明实施例中的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图4说明本实施方式，一种交叉口转向控制标注方法，包括以下步骤：
S1.通过GIS筛选需要转向控制的T型交叉口和Y型交叉口，由球面坐标转化为平面坐标；
S2.判断交叉口类型，若道路都是双向的交叉口，判断为T型交叉口，若道路含有单向道路，判断为Y型交叉口；
具体的，标记节点类型，连接一条LNIK的为道路端点，连接三条LINK的为交叉口节点，参照图2所示；
S3.构建模型训练样本集，具体的，对少量交叉口，进行手动标注，未标注的作为预测样本，构建基础训练样本集，标注结果参照图3和图4所示；
S4.扩展训练样本集，具体是：
S41.将坐标平移：
Figure 150467DEST_PATH_IMAGE031
，d表示距离；
S42.将坐标系旋转：x,y为旋转前的坐标，
Figure 940700DEST_PATH_IMAGE032
为旋转后坐标，
Figure 274729DEST_PATH_IMAGE033
为旋转角度，
Figure 7062DEST_PATH_IMAGE004
S43.单因素变量坐标平移：保持其中两个端点固定，旋转剩下的一个端点进行旋转，旋转角度绝对值小于25度，即
Figure 59331DEST_PATH_IMAGE034
度。
S5.计算待预测交叉口转向的特征向量，具体是：
指定不同node序列之间的可达性，即from_node→intersection_node→to_node的特征向量X，特征向量
Figure 574626DEST_PATH_IMAGE035
，特征向量物理含义参照表1特征向量物理含义表；
表1特征向量物理含义表
Figure 904108DEST_PATH_IMAGE036
计算待预测交叉口转向的特征向量：
Figure 682708DEST_PATH_IMAGE037
其中，x表示起点的x坐标，
Figure 346907DEST_PATH_IMAGE038
表示结束点的x坐标。
S6.基于训练样本集与朴素贝叶斯原理，计算贝叶斯模型的先验概率和条件概率，具体是：
S61.基于S3构建的样本集遍历每一个交叉路口，基于S2判断交叉口类型确定交叉口的方向和标注结果；
S62.根据标注的方向和结果，计算特征向量
Figure 603576DEST_PATH_IMAGE039
与输出结果
Figure 781705DEST_PATH_IMAGE040
的对应关系；
S63.基于训练样本集和朴素贝叶斯原理计算贝叶斯模型的先验概率和条件概率，计算公式如下：
Figure 731206DEST_PATH_IMAGE041
,k=1,2,3,…,K
Figure 289227DEST_PATH_IMAGE022
,k=1,2,3;j=1,2,…,n;l=1,2,…,
Figure 739799DEST_PATH_IMAGE042
S7.根据待预测交叉口转向的特征向量和模型先验概率和条件概率，确定标注结果。
优选的，S7具体是：
S71.筛选未标注的样本，遍历交叉口，根据交叉口类型，确定所有转向方向，T型交叉口遍历端点-交叉口点-端点的所有组合，Y型交叉口在遍历所有的组合中，排除掉含有单向LINK的反向node组合；
S72.根据待标注的转向方向及坐标，计算特征向量；
S73.根据S6所述贝叶斯模型的先验概率与条件概率，对于S72所计算的特征向量，计算其后验概率：
Figure 637348DEST_PATH_IMAGE043
S74. 根据S73确定的后验概率，根据极大似然法，确定转向控制标注的结果，极大似然计算：
Figure 633117DEST_PATH_IMAGE044
针对T型交叉路口转向标注结果参照表2T型交叉口标注结果表，针对Y型交叉路口禁左标注结果参照表3Y型交叉路口禁左标注结果表：
表2 T型交叉口标注结果表
Figure 944013DEST_PATH_IMAGE045
表3 Y型交叉口标注结果表
Figure 135960DEST_PATH_IMAGE046
交叉口转向的方向可以用起始节点-交叉口节点-终止节点表示，即from_node->intersection_node->to_node；
标注结果在交通模型中表示的意义如下：
（1）-1表示允许通行，且没有惩罚；
（2）0表示禁止通行；
（3）1表示允许通行，且含有惩罚。
基于贝叶斯原理与模型训练样本计算模型参数（朴素贝叶斯的先验概率和条件概率），输出待标注的转向控制标注结果，主要是通过训练数据集学习联合分布概率
Figure 419174DEST_PATH_IMAGE047
，即先验概率分布
Figure 585844DEST_PATH_IMAGE048
及条件概率分布
Figure 321719DEST_PATH_IMAGE049
，在模型预测时，根据待标定转向的特征向量，利用学习到的模型计算后验概率分布，选取后验概率最大的类别作为该标定方向的预测结果。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (7)

1.一种交叉口转向控制标注方法，其特征在于，包括以下步骤：
S1.筛选需要转向控制的T型交叉口和Y型交叉口，并转化为平面坐标；
S2.判断交叉口类型，若道路都是双向的交叉口，判断为T型交叉口，若道路含有单向道路，判断为Y型交叉口；
S3.构建模型训练样本集；
S4.扩展训练样本集；
S5.计算待预测交叉口转向的特征向量；
S6.基于训练样本集与朴素贝叶斯原理，计算贝叶斯模型的先验概率和条件概率；
S7.根据S5所述待预测交叉口转向的特征向量与S6所述先验概率与条件概率，确定转向控制标注结果。
2.根据权利要求1所述的一种交叉口转向控制标注方法，其特征在于，S4具体是：
S41.将坐标平移：
Figure 899708DEST_PATH_IMAGE001
，d表示距离；
S42.将坐标系旋转：x,y为旋转前的坐标，
Figure 912795DEST_PATH_IMAGE002
为旋转后坐标，
Figure 640579DEST_PATH_IMAGE003
为旋转角度，
Figure 722805DEST_PATH_IMAGE004
S43.单因素变量坐标平移：保持其中两个端点固定，剩下的一个端点进行旋转，旋转角度绝对值
Figure 194237DEST_PATH_IMAGE005
度。
3.根据权利要求2所述的一种交叉口转向控制标注方法，其特征在于，S5具体是：
指定不同node序列之间的可达性，即from_node→intersection_node→to_node的特征向量X，特征向量
Figure 61830DEST_PATH_IMAGE006
；
计算待预测交叉口转向的特征向量：
Figure 429358DEST_PATH_IMAGE007
其中，x表示起点的x坐标，
Figure 264459DEST_PATH_IMAGE008
表示结束点的x坐标。
4.根据权利要求3所述的一种交叉口转向控制标注方法,其特征在于，S6具体是：
S61.基于S3构建的样本集遍历每一个交叉路口，基于S2判断交叉口类型确定交叉口的方向和标注结果；
S62.根据标注的方向和结果，计算特征向量
Figure 539582DEST_PATH_IMAGE009
与标定结果
Figure 996103DEST_PATH_IMAGE010
的对应关系，得到模型训练样本
Figure 862427DEST_PATH_IMAGE011
，其中
Figure 794611DEST_PATH_IMAGE012
是第
Figure 732480DEST_PATH_IMAGE013
个样本的
Figure 433720DEST_PATH_IMAGE014
个特征，
Figure 283996DEST_PATH_IMAGE015
，
Figure 969055DEST_PATH_IMAGE016
表示第
Figure 117139DEST_PATH_IMAGE017
个特征可能取的第
Figure 63099DEST_PATH_IMAGE018
个值，
Figure 943330DEST_PATH_IMAGE019
，
Figure 719613DEST_PATH_IMAGE020
，
Figure 874651DEST_PATH_IMAGE021
为标定结果；
S63.基于训练样本集和朴素贝叶斯原理计算贝叶斯模型的先验概率和条件概率，公式如下：
Figure 347220DEST_PATH_IMAGE022
，k=1,2,3
Figure 54145DEST_PATH_IMAGE023
,k=1,2,3;j=1,2,…,n;l=1,2,…,
Figure 182638DEST_PATH_IMAGE024
其中：
Figure 751154DEST_PATH_IMAGE025
表示标定结果为
Figure 547072DEST_PATH_IMAGE026
的先验概率，
Figure 97002DEST_PATH_IMAGE027
表示标定结果为
Figure 837425DEST_PATH_IMAGE028
条件下，特征向量
Figure 68686DEST_PATH_IMAGE029
的条件概率，I表示指示函数。
5.根据权利要求4所述的一种交叉口转向控制标注方法,其特征在于，S7具体是：
S71.筛选未标注的样本，遍历交叉口，根据交叉口类型，确定所有转向方向，T型交叉口遍历端点-交叉口点-端点的所有组合，Y型交叉口在遍历所有的组合中，排除掉含有单向LINK的反向node组合；
S72.根据待标注的转向方向及坐标，计算特征向量；
S73.根据S6所述贝叶斯模型的先验概率和条件概率，对于S72所计算的特征向量，计算后验概率：
Figure 594476DEST_PATH_IMAGE030
S74.根据S73确定的后验概率，根据极大似然法，确定转向控制标注结果，公式如下：
Figure 518570DEST_PATH_IMAGE031
。
6.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-5任一项所述的一种交叉口转向控制标注方法的步骤。
7.一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，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的一种交叉口转向控制标注方法。
CN202211366844.9A 2022-11-03 2022-11-03 一种交叉口转向控制标注方法、电子设备及存储介质 Active CN115422695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211366844.9A CN115422695B (zh) 2022-11-03 2022-11-03 一种交叉口转向控制标注方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211366844.9A CN115422695B (zh) 2022-11-03 2022-11-03 一种交叉口转向控制标注方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115422695A true CN115422695A (zh) 2022-12-02
CN115422695B CN115422695B (zh) 2023-05-16

Family

ID=84207519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211366844.9A Active CN115422695B (zh) 2022-11-03 2022-11-03 一种交叉口转向控制标注方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115422695B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257800A (zh) * 2023-05-12 2023-06-13 智慧眼科技股份有限公司 一种训练样本的标注方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372577A (zh) * 2016-08-23 2017-02-01 北京航空航天大学 一种基于深度学习的交通标志自动识别与标注方法
CN106683450A (zh) * 2017-01-25 2017-05-17 东南大学 一种城市信号控制交叉口群关键路径识别方法
CN114120277A (zh) * 2021-11-23 2022-03-01 北京三快在线科技有限公司 一种模型训练和无人驾驶设备的控制方法及装置
CN114332808A (zh) * 2021-12-01 2022-04-12 北京三快在线科技有限公司 一种预测转向意图的方法及装置
CN114662253A (zh) * 2022-03-17 2022-06-24 杭州海康威视数字技术股份有限公司 一种仿真建模方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372577A (zh) * 2016-08-23 2017-02-01 北京航空航天大学 一种基于深度学习的交通标志自动识别与标注方法
CN106683450A (zh) * 2017-01-25 2017-05-17 东南大学 一种城市信号控制交叉口群关键路径识别方法
CN114120277A (zh) * 2021-11-23 2022-03-01 北京三快在线科技有限公司 一种模型训练和无人驾驶设备的控制方法及装置
CN114332808A (zh) * 2021-12-01 2022-04-12 北京三快在线科技有限公司 一种预测转向意图的方法及装置
CN114662253A (zh) * 2022-03-17 2022-06-24 杭州海康威视数字技术股份有限公司 一种仿真建模方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙玲芳等: "基于动态约简的增量贝叶斯分类算法的研究", 《计算机应用与软件》 *
李金华等: "一种加权朴素贝叶斯分类增量学习模型", 《计算机与现代化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257800A (zh) * 2023-05-12 2023-06-13 智慧眼科技股份有限公司 一种训练样本的标注方法及系统
CN116257800B (zh) * 2023-05-12 2023-08-25 智慧眼科技股份有限公司 一种训练样本的标注方法及系统

Also Published As

Publication number Publication date
CN115422695B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
US11676282B2 (en) Enhanced semantic segmentation of images
CN114067107B (zh) 基于多粒度注意力的多尺度细粒度图像识别方法及系统
CN110837811A (zh) 语义分割网络结构的生成方法、装置、设备及存储介质
CN111428457B (zh) 数据表的自动格式化
CN110728295B (zh) 半监督式的地貌分类模型训练和地貌图构建方法
JP2020187736A (ja) 地域的特徴を有する分類器学習のための学習データ生成方法およびそのシステム
CN115422695A (zh) 一种交叉口转向控制标注方法、电子设备及存储介质
CN112861539B (zh) 嵌套命名实体识别方法、装置、电子设备和存储介质
CN116994140A (zh) 基于遥感影像的耕地提取方法、装置、设备和介质
CN110569379A (zh) 一种汽车配件图片数据集制作方法
CN114022359A (zh) 图像超分辨率模型训练方法、装置、存储介质及设备
CN114549913A (zh) 一种语义分割方法、装置、计算机设备和存储介质
CN114676777A (zh) 一种基于孪生网络的自监督学习细粒度图像分类方法
Jeon et al. ABCD: Attentive bilateral convolutional network for robust depth completion
CN116843901A (zh) 医学图像分割模型训练方法和医学图像分割方法
CN116612280A (zh) 车辆分割方法、装置、计算机设备和计算机可读存储介质
CN113436287B (zh) 一种基于lstm网络与编解码网络的篡改图像盲取证方法
CN113538530B (zh) 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN113157936A (zh) 实体关系联合抽取方法、装置、电子设备和存储介质
CN117315090A (zh) 基于跨模态风格学习的图像生成方法及装置
CN116403142A (zh) 视频处理方法、装置、电子设备及介质
CN115359468A (zh) 一种目标网站识别方法、装置、设备及介质
CN114998630A (zh) 一种从粗到精的地对空图像配准方法
US7706630B2 (en) Method and device for extracting a subset of data from a set of data
CN114549429A (zh) 基于超图结构的深度数据质量评价方法及装置

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