DE102019124419A1 - SCENE CLASSIFICATION - Google Patents
SCENE CLASSIFICATION Download PDFInfo
- Publication number
- DE102019124419A1 DE102019124419A1 DE102019124419.6A DE102019124419A DE102019124419A1 DE 102019124419 A1 DE102019124419 A1 DE 102019124419A1 DE 102019124419 A DE102019124419 A DE 102019124419A DE 102019124419 A1 DE102019124419 A1 DE 102019124419A1
- Authority
- DE
- Germany
- Prior art keywords
- scene
- vehicle
- cnn
- classification
- frames
- 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.)
- Withdrawn
Links
- 230000002123 temporal effect Effects 0.000 claims abstract description 52
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000011176 pooling Methods 0.000 claims abstract description 12
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 230000001537 neural effect Effects 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 10
- 230000000873 masking effect Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 description 18
- 238000000034 method Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000981 bystander Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
Gemäß einem Gesichtspunkt kann eine Szenenklassifizierung bereitgestellt werden. Eine Bilderfassungsvorrichtung kann eine Reihe von Einzelbildern einer Umgebung von einem fahrenden Fahrzeug aus erfassen. Ein Zeitklassifizierer kann Einzelbilder mit zeitlichen Vorhersagen klassifizieren und eine Reihe von Einzelbildern erzeugen, die den jeweiligen zeitlichen Vorhersagen basierend auf einem Szenenklassifizierungsmodell zugeordnet sind. Der Zeitklassifizierer kann eine Klassifizierung von Einzelbildern basierend auf einem neuronalen Faltungsnetzwerk (CNN), einem Long Short-Term Memory- (LSTM-) Netzwerk und einer vollständig verbundenen Schicht durchführen. Der Szenenklassifizierer kann Einzelbilder basierend auf einem CNN, einem Global Average Pooling und einer vollständig verbundenen Schicht klassifizieren und eine zugehörige Szenenvorhersage basierend auf dem Szenenklassifizierungsmodell und entsprechenden zeitlichen Vorhersagen erzeugen. Eine Steuerung eines Fahrzeugs kann Fahrzeugsensoren oder Fahrzeugsysteme des Fahrzeugs basierend auf der Szenenvorhersage aktivieren oder deaktivieren.In one aspect, scene classification can be provided. An image capturing device can capture a series of individual images of an environment from a moving vehicle. A time classifier can classify individual images with temporal predictions and generate a series of individual images that are assigned to the respective temporal predictions based on a scene classification model. The time classifier can classify frames based on a neural convolution network (CNN), a long short term memory (LSTM) network and a fully connected layer. The scene classifier can classify individual images based on a CNN, a global average pooling and a completely connected layer and generate an associated scene prediction based on the scene classification model and corresponding temporal predictions. A controller of a vehicle can activate or deactivate vehicle sensors or vehicle systems of the vehicle based on the scene prediction.
Description
HINTERGRUNDBACKGROUND
In Fahrszenarien beinhaltet das Verstehen einer Szene seitens eines Menschen die Beantwortung von Fragen über einen Ort, Umgebungsbedingungen und das Verhalten der Verkehrsteilnehmer. Interessanterweise sind Menschen in der Lage, eine dynamische Szenenerkennung schnell und präzise durchzuführen und dabei nur wenig auf Objekte in der Szene zu achten. Menschliche Fahrer haben die bemerkenswerte Fähigkeit, komplexe Verkehrsszenen zu klassifizieren und ihr Fahrverhalten an ihre Umgebung anzupassen. In diesem Zusammenhang kann die automatisierte dynamische Szenenerkennung auf menschlichem Niveau ein attraktives anzustrebendes Ziel sein.In driving scenarios, a person's understanding of a scene involves answering questions about a location, environmental conditions and the behavior of road users. Interestingly, people are able to perform dynamic scene recognition quickly and precisely, paying little attention to objects in the scene. Human drivers have the remarkable ability to classify complex traffic scenes and adapt their driving behavior to their environment. In this context, automated dynamic scene recognition on a human level can be an attractive target.
KURZE BESCHREIBUNGSHORT DESCRIPTION
Gemäß einem Gesichtspunkt kann ein System zur Szenenklassifizierung eine Bilderfassungsvorrichtung, ein Bildsegmentierungsmodul, einen Bildmaskierer, einen Zeitklassifizierer und einen Szenenklassifizierer einschließen. Die Bilderfassungsvorrichtung kann eine erste Reihe von Einzelbildern einer Umgebung von einem fahrenden Fahrzeug aus erfassen. Das Bildsegmentierungsmodul kann einen oder mehrere Verkehrsteilnehmer in der Umgebung basierend auf einem ersten neuronalen Faltungsnetzwerk (CNN) identifizieren. Der Bildmaskierer kann eine zweite Reihe von Einzelbildern erzeugen, indem er einen oder mehrere der Verkehrsteilnehmer aus der Umgebung maskiert. Der Zeitklassifizierer kann ein oder mehrere Einzelbilder der zweiten Reihe von Einzelbildern mit einer von zwei oder mehreren zeitlichen Vorhersagen klassifizieren und eine dritte Reihe von Einzelbildern erzeugen, die den jeweiligen zeitlichen Vorhersagen basierend auf einem Szenenklassifizierungsmodell zugeordnet sind. Der Zeitklassifizierer kann die Klassifizierung basierend auf einem zweiten CNN, einem Long Short-Term Memory- (LSTM-) Netzwerk und einer ersten vollständig verbundenen Schicht durchführen. Der Szenenklassifizierer kann ein oder mehrere Einzelbilder der dritten Reihe von Einzelbildern basierend auf einem dritten CNN, einem Global Average Pooling und einer zweiten vollständig verbundenen Schicht klassifizieren und eine zugeordnete Szenenvorhersage basierend auf dem Szenenklassifizierungsmodell und entsprechenden zeitlichen Vorhersagen erzeugen.In one aspect, a scene classification system may include an image capture device, an image segmentation module, an image masker, a time classifier, and a scene classifier. The image capturing device can capture a first series of individual images of an environment from a moving vehicle. The image segmentation module can identify one or more road users in the environment based on a first neural convolution network (CNN). The image masker can generate a second series of individual images by masking one or more of the road users from the surroundings. The time classifier can classify one or more frames of the second series of frames with one of two or more temporal predictions and generate a third series of frames that are associated with the respective temporal predictions based on a scene classification model. The time classifier can perform the classification based on a second CNN, a long short term memory (LSTM) network and a first fully connected layer. The scene classifier can classify one or more individual images of the third series of individual images based on a third CNN, a global average pooling and a second completely connected layer and generate an associated scene prediction based on the scene classification model and corresponding temporal predictions.
Die zwei oder mehr zeitlichen Vorhersagen können eine Annotation „Annähern“, eine Annotation „Einfahren“ und eine Annotation „Passieren“ einschließen. Das erste CNN, das zweite CNN oder das dritte CNN kann ein Deepnet-CNN oder ein ResNet 50-CNN sein. Das System zur Szenenklassifizierung kann in einem Fahrzeug implementiert sein und das Fahrzeug kann eine Steuerung einschließen, die einen oder mehrere Sensoren oder ein oder mehrere Fahrzeugsysteme des Fahrzeugs basierend auf der Szenenvorhersage aktiviert oder deaktiviert.The two or more temporal predictions can include an approaching annotation, a retracting annotation, and a passing annotation. The first CNN, the second CNN or the third CNN can be a Deepnet-CNN or a ResNet 50-CNN. The scene classification system may be implemented in a vehicle and the vehicle may include a controller that enables or disables one or more sensors or one or more vehicle systems of the vehicle based on the scene prediction.
Der Szenenklassifizierer kann ein oder mehrere Einzelbilder der dritten Reihe von Einzelbildern mit einer Wetterklassifizierung einschließlich klar, sonnig, Schneefall, regnerisch, bewölkt oder neblig klassifizieren, und die Steuerung kann einen oder mehrere der Sensoren oder eines oder mehrere der Fahrzeugsysteme des Fahrzeugs basierend auf der Wetterklassifizierung aktivieren oder deaktivieren. Der Szenenklassifizierer kann ein oder mehrere Einzelbilder der dritten Reihe von Einzelbildern mit einer Straßenoberflächenklassifizierung einschließlich trocken, nass oder Schnee klassifizieren und die Steuerung kann einen oder mehrere der Sensoren oder eines oder mehrere der Fahrzeugsysteme des Fahrzeugs basierend auf der Straßenoberflächenklassifizierung aktivieren oder deaktivieren. Der Szenenklassifizierer kann ein oder mehrere Einzelbilder der dritten Reihe von Einzelbildern mit einer Umgebungsklassifizierung einschließlich städtisch, Auf- / Abfahrt, Autobahn oder lokal klassifizieren und die Steuerung kann einen oder mehrere der Sensoren oder eines oder mehrere der Fahrzeugsysteme des Fahrzeugs basierend auf der Umgebungsklassifizierung aktivieren oder deaktivieren.The scene classifier may classify one or more frames of the third series of frames with a weather classification including clear, sunny, snow, rainy, cloudy, or foggy, and the controller may classify one or more of the sensors or one or more of the vehicle's vehicle systems based on the weather classification activate or deactivate. The scene classifier may classify one or more frames of the third series of frames with a road surface classification including dry, wet, or snow, and the controller may activate or deactivate one or more of the sensors or one or more of the vehicle's vehicle systems based on the road surface classification. The scene classifier may classify one or more frames of the third series of frames with an environmental classification including urban, up / down, highway or local, and the controller may activate one or more of the sensors or one or more of the vehicle's vehicle systems based on the environmental classification or deactivate.
Eines oder mehrere der Fahrzeugsysteme können ein LIDAR-System oder ein Radarsystem sein. Die Steuerung kann das LIDAR-System oder Radarsystem, basierend darauf, dass die Szenenvorhersage ein Tunnel ist, deaktivieren. Die Steuerung kann die Suche nach Ampeln, Stoppschildern, Haltelinien, basierend darauf, dass die Szenenvorhersage eine Kreuzung ist, priorisieren.One or more of the vehicle systems can be a LIDAR system or a radar system. The controller can disable the LIDAR system or radar system based on the scene prediction being a tunnel. The controller can prioritize the search for traffic lights, stop signs, stop lines based on the fact that the scene prediction is an intersection.
Gemäß einem Gesichtspunkt kann ein mit einem System zur Szenenklassifizierung ausgerüstetes Fahrzeug eine Bilderfassungsvorrichtung, ein Bildsegmentierungsmodul, einen Bildmaskierer, einen Zeitklassifizierer, einen Szenenklassifizierer und eine Steuerung einschließen. Die Bilderfassungsvorrichtung kann eine erste Reihe von Einzelbildern einer Umgebung von einem fahrenden Fahrzeug aus erfassen. Das Bildsegmentierungsmodul kann einen oder mehrere Verkehrsteilnehmer in der Umgebung basierend auf einem ersten neuronalen Faltungsnetzwerk (CNN) identifizieren. Der Bildmaskierer kann eine zweite Reihe von Einzelbildern erzeugen, indem er einen oder mehrere der Verkehrsteilnehmer aus der Umgebung maskiert. Der Zeitklassifizierer kann ein oder mehrere Einzelbilder der zweiten Reihe von Einzelbildern mit einer von zwei oder mehreren zeitlichen Vorhersagen klassifizieren und eine dritte Reihe von Einzelbildern erzeugen, die den jeweiligen zeitlichen Vorhersagen basierend auf einem Szenenklassifizierungsmodell zugeordnet sind. Der Zeitklassifizierer kann die Klassifizierung basierend auf einem zweiten CNN, einem Long Short-Term Memory- (LSTM-) Netzwerk und einer ersten vollständig verbundenen Schicht durchführen. Der Szenenklassifizierer kann ein oder mehrere Einzelbilder der dritten Reihe von Einzelbildern basierend auf einem dritten CNN, einem Global Average Pooling und einer zweiten vollständig verbundenen Schicht klassifizieren und eine zugeordnete Szenenvorhersage basierend auf dem Szenenklassifizierungsmodell und entsprechenden zeitlichen Vorhersagen erzeugen. Die Steuerung kann einen oder mehrere Sensoren oder ein oder mehrere Fahrzeugsysteme des Fahrzeugs basierend auf der Szenenvorhersage aktivieren oder deaktivieren.In one aspect, a vehicle equipped with a scene classification system may include an image capture device, an image segmentation module, an image masker, a time classifier, a scene classifier, and a controller. The image capturing device can capture a first series of individual images of an environment from a moving vehicle. The image segmentation module can identify one or more road users in the environment based on a first neural convolution network (CNN). The image masker can generate a second series of individual images by masking one or more of the road users from the surroundings. The time classifier can classify one or more frames of the second series of frames with one of two or more temporal predictions and generate a third series of frames that are associated with the respective temporal predictions based on a scene classification model. The Time classifier can perform the classification based on a second CNN, a Long Short Term Memory (LSTM) network and a first fully connected layer. The scene classifier can classify one or more individual images of the third series of individual images based on a third CNN, a global average pooling and a second completely connected layer and generate an associated scene prediction based on the scene classification model and corresponding temporal predictions. The controller may activate or deactivate one or more sensors or one or more vehicle systems of the vehicle based on the scene prediction.
Die zwei oder mehr zeitlichen Vorhersagen können eine Annotation „Annähern“, eine Annotation „Einfahren“ und eine Annotation „Passieren“ einschließen. Das erste CNN, das zweite CNN oder das dritte CNN kann ein Deepnet-CNN oder ein ResNet 50-CNN sein. Eines oder mehrere der Fahrzeugsysteme können ein LIDAR-System oder ein Radarsystem sein, und die Steuerung kann das LIDAR-System oder Radarsystem, basierend darauf, dass die Szenenvorhersage ein Tunnel ist, deaktivieren.The two or more temporal predictions can include an approaching annotation, a retracting annotation, and a passing annotation. The first CNN, the second CNN or the third CNN can be a Deepnet-CNN or a ResNet 50-CNN. One or more of the vehicle systems may be a LIDAR system or a radar system, and the controller may deactivate the LIDAR system or radar system based on the scene prediction being a tunnel.
Gemäß einem Gesichtspunkt kann ein System zur Szenenklassifizierung eine Bilderfassungsvorrichtung, einen Zeitklassifizierer und einen Szenenklassifizierer einschließen. Die Bilderfassungsvorrichtung kann eine erste Reihe von Einzelbildern einer Umgebung von einem fahrenden Fahrzeug aus erfassen. Der Zeitklassifizierer kann ein oder mehrere Einzelbilder der ersten Reihe von Einzelbildern mit einer von zwei oder mehreren zeitlichen Vorhersagen klassifizieren und eine zweite Reihe von Einzelbildern erzeugen, die den jeweiligen zeitlichen Vorhersagen basierend auf einem Szenenklassifizierungsmodell zugeordnet sind. Der Zeitklassifizierer kann eine Klassifizierung basierend auf einem neuronalen Faltungsnetzwerk (CNN), einem Long Short-Term Memory- (LSTM-) Netzwerk und einer ersten vollständig verbundenen Schicht durchführen. Der Szenenklassifizierer kann ein oder mehrere Einzelbilder der zweiten Reihe von Einzelbildern basierend auf einem zweiten CNN, einem Global Average Pooling und einer zweiten vollständig verbundenen Schicht klassifizieren und eine zugeordnete Szenenvorhersage basierend auf dem Szenenklassifizierungsmodell und entsprechenden zeitlichen Vorhersagen erzeugen.In one aspect, a scene classification system may include an image capture device, a time classifier, and a scene classifier. The image capturing device can capture a first series of individual images of an environment from a moving vehicle. The time classifier may classify one or more frames of the first series of frames with one of two or more temporal predictions and generate a second series of frames that are associated with the respective temporal predictions based on a scene classification model. The time classifier can perform a classification based on a neural convolution network (CNN), a long short term memory (LSTM) network and a first fully connected layer. The scene classifier can classify one or more individual images of the second series of individual images based on a second CNN, a global average pooling and a second completely connected layer and generate an associated scene prediction based on the scene classification model and corresponding temporal predictions.
Die zwei oder mehr zeitlichen Vorhersagen können eine Annotation „Annähern“, eine Annotation „Einfahren“ und eine Annotation „Passieren“ einschließen. Das CNN oder das zweite CNN kann ein ResNet 50-CNN sein. Das System zur Szenenklassifizierung kann in einem Fahrzeug implementiert sein und das Fahrzeug kann eine Steuerung einschließen, die einen oder mehrere Sensoren oder ein oder mehrere Fahrzeugsysteme des Fahrzeugs basierend auf der Szenenvorhersage aktiviert oder deaktiviert.The two or more temporal predictions can include an approaching annotation, a retracting annotation, and a passing annotation. The CNN or the second CNN can be a ResNet 50-CNN. The scene classification system may be implemented in a vehicle and the vehicle may include a controller that enables or disables one or more sensors or one or more vehicle systems of the vehicle based on the scene prediction.
Der Szenenklassifizierer kann ein oder mehrere Einzelbilder der dritten Reihe von Einzelbildern mit einer Wetterklassifizierung einschließlich klar, sonnig, Schneefall, regnerisch, bedeckt oder neblig klassifizieren. Die Steuerung kann einen oder mehrere der Sensoren oder eines oder mehrere der Fahrzeugsysteme des Fahrzeugs basierend auf der Wetterklassifizierung aktivieren oder deaktivieren. Der Szenenklassifizierer kann ein oder mehrere Einzelbilder der dritten Reihe von Einzelbildern mit einer Straßenoberflächenklassifizierung einschließlich trocken, nass oder Schnee klassifizieren. Die Steuerung kann einen oder mehrere der Sensoren oder eines oder mehrere der Fahrzeugsysteme des Fahrzeugs basierend auf der Straßenoberflächenklassifizierung aktivieren oder deaktivieren.The scene classifier can classify one or more frames of the third series of frames with a weather classification including clear, sunny, snow, rainy, overcast or foggy. The controller may activate or deactivate one or more of the sensors or one or more of the vehicle systems of the vehicle based on the weather classification. The scene classifier can classify one or more frames of the third series of frames with a road surface classification including dry, wet, or snow. The controller may activate or deactivate one or more of the sensors or one or more of the vehicle systems of the vehicle based on the road surface classification.
FigurenlisteFigure list
-
1 ist ein Komponentendiagramm eines Systems zur Szenenklassifizierung gemäß einem Gesichtspunkt.1 10 is a component diagram of a scene classification system according to one aspect. -
2 ist ein Flussdiagramm eines Verfahrens zur Szenenklassifizierung gemäß einem Gesichtspunkt.2nd 10 is a flowchart of a scene classification method according to one aspect. -
3 ist ein beispielhaftes Diagramm von zeitlichen Vorhersagen oder Vorhersagen, die einer Szenenklassifizierung zugeordnet sind, gemäß einem Gesichtspunkt.3rd FIG. 10 is an exemplary diagram of temporal predictions or predictions associated with a scene classification, according to one aspect. -
Die
4A -4B sind beispielhafte Diagramme von zeitlichen Vorhersagen oder Vorhersagen, die verschiedenen Szenenklassifizierungen zugeordnet sind, gemäß einem Gesichtspunkt.The4A -4B are exemplary diagrams of temporal predictions or predictions associated with different scene classifications, according to one aspect. -
5 ist ein beispielhaftes Diagramm einer Architektur, die dem Training des Systems zur Szenenklassifizierung von1 zugeordnet ist.5 FIG. 4 is an exemplary diagram of an architecture used to train the scene classification system of1 assigned. -
6 ist eine Darstellung eines beispielhaften computerlesbaren Mediums oder einer computerlesbaren Vorrichtung einschließlich prozessorausführbarer Anweisungen, die dazu konfiguriert sind, eine oder mehrere der hierin dargelegten Bestimmungen gemäß einem Gesichtspunkt zu verkörpern.6 FIG. 4 is an illustration of an exemplary computer readable medium or device including processor executable instructions configured to embody one or more of the provisions set forth herein in one aspect. -
7 ist eine Darstellung einer beispielhaften Computerumgebung in der eine oder mehrere der hierin dargelegt Bestimmungen gemäß einem Gesichtspunkt der Erfindung implementiert sind.7 FIG. 4 is an illustration of an exemplary computing environment in which one or more of the provisions set forth herein are implemented in accordance with one aspect of the invention.
DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION
Die folgenden Begriffe werden während der gesamten Offenbarung verwendet, deren Definitionen hierin enthalten sind, um das Verständnis eines oder mehrerer Gesichtspunkte der Offenbarung zu erleichtern.The following terms are used throughout the disclosure; Definitions are included herein to facilitate understanding of one or more aspects of the disclosure.
Ein „Prozessor“, wie hierin verwendet, verarbeitet Signale und führt allgemeine Berechnungen und arithmetische Funktionen aus. Von dem Prozessor verarbeitete Signale können digitale Signale, Datensignale, Computeranweisungen, Prozessorbefehle, Nachrichten, ein Bit, einen Bitstrom oder andere Mittel einschließen, die empfangen, übertragen und/oder erkannt werden können. Im Allgemeinen kann der Prozessor eine Vielzahl verschiedener Prozessoren sein, einschließlich mehrerer Einzel- und Mehrkernprozessoren und Coprozessoren sowie anderer Architekturen mit mehreren Einzel- und Mehrkernprozessoren und Coprozessoren. Der Prozessor kann verschiedene Module einschließen, um verschiedene Funktionen auszuführen.A "processor", as used herein, processes signals and performs general calculations and arithmetic functions. Signals processed by the processor may include digital signals, data signals, computer instructions, processor instructions, messages, a bit, a bit stream, or other means that can be received, transmitted, and / or recognized. In general, the processor can be a variety of different processors, including multiple single and multi-core processors and coprocessors, and other architectures with multiple single and multi-core processors and coprocessors. The processor can include different modules to perform different functions.
Ein „Speicher“, wie hierin verwendet, kann flüchtige Speicher und/oder nichtflüchtige Speicher einschließen. Nichtflüchtige Speicher können beispielsweise ROM (Nur-Lese-Speicher), PROM (programmierbarer Nur-Lese-Speicher), EPROM (löschbares PROM) und EEPROM (elektrisch löschbares PROM) einschließen. Flüchtiger Speicher kann zum Beispiel RAM (Direktzugriffsspeicher), synchrones RAM (SRAM), dynamisches RAM (DRAM), synchrones DRAM (SDRAM), SDRAM mit doppelter Datenrate (DDRSDRAM) und direktes RAM-Bus-RAM (DRRAM) einschließen. Der Speicher kann ein Betriebssystem speichern, das Ressourcen einer Rechenvorrichtung steuert oder zuweist. "Memory" as used herein can include volatile memory and / or non-volatile memory. Non-volatile memories can include, for example, ROM (read only memory), PROM (programmable read only memory), EPROM (erasable PROM) and EEPROM (electrically erasable PROM). Volatile memory may include, for example, RAM (Random Access Memory), synchronous RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), double data rate SDRAM (DDRSDRAM) and direct RAM bus RAM (DRRAM). The memory can store an operating system that controls or allocates resources to a computing device.
Eine „Platte“ oder ein „Laufwerk“, wie hierin verwendet, kann ein Magnetplattenlaufwerk, ein Solid-State-Laufwerk, ein Diskettenlaufwerk, ein Bandlaufwerk, ein Zip-Laufwerk, eine Flash-Memory-Card und/oder ein Speicherstick sein. Ferner kann die Platte eine CD-ROM (Compact Disk ROM), ein beschreibbares CD-Laufwerk (CD-R-Laufwerk), ein wiederbeschreibbares CD-Laufwerk (CD-RW-Laufwerk) und/oder ein digitales Video-ROM-Laufwerk (DVD-ROM) sein. Die Platte kann ein Betriebssystem speichern, das Ressourcen einer Rechenvorrichtung steuert oder zuweist.A "disk" or "drive" as used herein can be a magnetic disk drive, a solid state drive, a floppy disk drive, a tape drive, a zip drive, a flash memory card and / or a memory stick. Furthermore, the disc can be a CD-ROM (Compact Disk ROM), a writable CD drive (CD-R drive), a rewritable CD drive (CD-RW drive) and / or a digital video ROM drive ( DVD-ROM). The disk can store an operating system that controls or allocates resources to a computing device.
Ein „Bus“, wie hierin verwendet, bezieht sich auf eine verschaltete Architektur, die funktionell mit anderen Computerkomponenten innerhalb eines Computers oder zwischen Computern verbunden ist. Der Bus kann Daten zwischen den Computerkomponenten übertragen. Der Bus kann unter anderem ein Speicherbus, eine Speichersteuerung, ein Peripheriebus, ein externer Bus, ein Kreuzschienenschalter und/oder ein lokaler Bus sein. Der Bus kann auch ein Fahrzeugbus sein, der Komponenten innerhalb eines Fahrzeugs unter Verwendung von Protokollen wie beispielsweise Media Oriented Systems Transport (MOST), Controller Area Network (CAN) und Local Interconnect Network (LIN) miteinander verbindet.A "bus" as used herein refers to an interconnected architecture that is operatively connected to other computer components within or between computers. The bus can transfer data between the computer components. The bus can be, inter alia, a memory bus, a memory controller, a peripheral bus, an external bus, a crossbar switch and / or a local bus. The bus can also be a vehicle bus that connects components within a vehicle using protocols such as Media Oriented Systems Transport (MOST), Controller Area Network (CAN) and Local Interconnect Network (LIN).
Eine „Datenbank“, wie hierin verwendet, kann sich auf eine Tabelle, einen Satz von Tabellen und einen Satz von Datenspeichern (z. B. Platten) und/oder Verfahren zum Zugreifen auf und/oder Manipulieren dieser Datenspeicher beziehen.A "database" as used herein may refer to a table, a set of tables, and a set of data stores (e.g., disks) and / or methods of accessing and / or manipulating these data stores.
Eine „betriebsfähige Verbindung“ oder eine Verbindung, über die Einheiten „betriebsfähig verbunden“ sind, ist eine Verbindung in der Signale, physikalische Kommunikationen und/oder logische Kommunikationen gesendet und/oder empfangen werden können. Eine betriebsfähige Verbindung kann eine drahtlose Schnittstelle, eine physikalische Schnittstelle, eine Datenschnittstelle und/oder eine elektrische Schnittstelle einschließen.An "operational link" or a link through which units are "operationally connected" is a link in which signals, physical communications and / or logical communications can be sent and / or received. An operational connection can include a wireless interface, a physical interface, a data interface, and / or an electrical interface.
Eine „Computerkommunikation“, wie hierin verwendet, bezieht sich auf eine Kommunikation zwischen zwei oder mehr Rechenvorrichtungen (z. B. Computer, persönlicher digitaler Assistent, Mobiltelefon, Netzwerkvorrichtung) und kann beispielsweise eine Netzwerkübertragung, eine Dateiübertragung, eine Applet-Übertragung, eine E-Mail, eine Hypertext Transfer Protocol (HTTP)-Übertragung und so weiter sein. Eine Computerkommunikation kann zum Beispiel unter anderen über ein drahtloses System (z. B., IEEE 802,11), ein Ethernetsystem (z. B., IEEE 802,3), ein Token-Ring-System (z. B., IEEE 802,5), ein lokales Netzwerk (LAN), ein Wide Area-Netzwerk (WAN), ein Punkt-zu-Punkt-System, ein System zum Umschalten von Schaltungen, ein Paket-Schaltsystem erfolgen."Computer communication," as used herein, refers to communication between two or more computing devices (e.g., computer, personal digital assistant, cell phone, network device) and may include, for example, network transfer, file transfer, applet transfer, E -Mail, a Hypertext Transfer Protocol (HTTP) transfer and so on. For example, computer communication may be via a wireless system (e.g., IEEE 802.11), an Ethernet system (e.g., IEEE 802.3), a token ring system (e.g., IEEE) 802.5), a local area network (LAN), a wide area network (WAN), a point-to-point system, a system for switching circuits, a packet switching system.
Ein „Fahrzeug“, wie hierin verwendet, bezeichnet jedes fahrende Fahrzeug, das in der Lage ist, einen oder mehrere menschliche Insassen zu befördern, und das durch eine beliebige Form von Energie angetrieben wird. Der Begriff „Fahrzeug“ schließt Autos, Lastwagen, Lieferwagen, Minivans, SUVs, Motorräder, Roller, Boote, Wassermotorräder und Flugzeuge ein. In einigen Szenarien schließt ein Kraftfahrzeug eine oder mehrere Motoren ein. Ferner kann sich der Begriff „Fahrzeug“ auf ein Elektrofahrzeug (EV) beziehen, das ganz oder teilweise durch einen oder mehrere elektrische Motoren angetrieben wird, die durch eine elektrische Batterie angetrieben werden. Das EV kann batteriebetriebene Elektrofahrzeuge (BEV) und Plug-in Hybrid-Elektrofahrzeuge (PHEV) einschließen. Außerdem kann sich der Begriff „Fahrzeug“ auf ein autonomes Fahrzeug und/oder selbstfahrendes Fahrzeug beziehen, das durch eine beliebige Form von Energie angetrieben wird. Das autonome Fahrzeug kann einen oder mehrere menschliche Insassen befördern oder nicht.A "vehicle" as used herein means any moving vehicle that is capable of carrying one or more human occupants and that is powered by any form of energy. The term "vehicle" includes cars, trucks, vans, minivans, SUVs, motorcycles, scooters, boats, water scooters and planes. In some scenarios, an automobile includes one or more engines. The term “vehicle” may also refer to an electric vehicle (EV) that is wholly or partially powered by one or more electric motors that are powered by an electric battery. The EV can include battery-powered electric vehicles (BEV) and plug-in hybrid electric vehicles (PHEV). In addition, the term “vehicle” may refer to an autonomous vehicle and / or self-driving vehicle that is powered by any form of energy. The autonomous vehicle may or may not carry one or more human occupants.
Ein „Fahrzeugsystem“, wie hierin verwendet, kann ein beliebiges automatisches oder manuelles System sein, das verwendet werden kann, um das Fahrzeug, das Fahren, und/oder die Sicherheit zu verbessern. Beispielhafte Fahrzeugsysteme schließen unter anderem ein autonomes Antriebssystem, ein elektronisches Stabilitätskontrollsystem, ein Antiblockiersystem, ein Bremsassistenzsystem, ein automatisches Bremsvorfüllsystem, ein Niedriggeschwindigkeitsfolgesystem, ein Tempomatsystem, ein Kollisionswarnsystem, ein Kollisionsminderungsbremssystem, ein automatisches Tempomatsystem, ein Spurhaltewarnsystem, ein Toter-Winkel-Anzeigesystem, einen Spurhalteassistenten, ein Navigationssystem, ein Getriebesystem, Bremspedalsysteme, ein elektronisches Servolenkungssystem, visuelle Vorrichtungen (z. B. Kamerasysteme, Näherungssensorsysteme), ein Klimasteuersystem, ein elektronisches Vorspannungssystem, ein Überwachungssystem, ein Passagiererkennungssystem, ein Fahrzeugaufhängungssystem, ein Fahrzeugsitzkonfigurationssystem, ein Fahrzeugkabinenbeleuchtungssystem, ein Audiosystem und ein Sensorsystem ein. A "vehicle system" as used herein can be any automatic or manual system that can be used to improve the vehicle, driving, and / or safety. Exemplary vehicle systems include, among other things, an autonomous drive system, an electronic stability control system, an anti-lock braking system, a brake assistance system, an automatic brake priming system, a low-speed following system, a cruise control system, a collision warning system, a collision reduction braking system, an automatic cruise control system, a lane departure warning system, a blind spot, an angle display system Lane departure warning systems, a navigation system, a transmission system, brake pedal systems, an electronic power steering system, visual devices (e.g. camera systems, proximity sensor systems), a climate control system, an electronic preload system, a monitoring system, a passenger detection system, a vehicle suspension system, a vehicle seat configuration system, a vehicle cabin lighting system, an audio cabin lighting system and a sensor system.
Die hierin erörterten Gesichtspunkte können im Kontext eines nichtflüchtigen computerlesbaren Speichermediums beschrieben und implementiert werden, das computerausführbare Anweisungen speichert. Nichtflüchtige computerlesbare Speichermedien umfassen Computerspeichermedien und Kommunikationsmedien. Zum Beispiel Flash-Speicherlaufwerke, DVDs (Digital Versatile Discs), CDs (Compact Discs), Disketten und Bandkassetten. Nichtflüchtige computerlesbare Speichermedien können flüchtige und nichtflüchtige, entfernbare und nicht entfernbare Medien umfassen, die in einem beliebigen Verfahren oder einer beliebigen Technologie zum Speichern von Informationen wie beispielsweise computerlesbaren Anweisungen, Datenstrukturen, Modulen oder anderen Daten implementiert sind.The issues discussed herein can be described and implemented in the context of a non-volatile computer readable storage medium that stores computer executable instructions. Non-volatile computer readable storage media include computer storage media and communication media. For example, flash memory drives, DVDs (Digital Versatile Discs), CDs (Compact Discs), floppy disks and tape cartridges. Non-volatile computer readable storage media may include volatile and non-volatile, removable and non-removable media implemented in any method or technology for storing information such as computer readable instructions, data structures, modules, or other data.
Ground TruthGround truth
Gemäß einem Gesichtspunkt kann die Ground Truth-Bildsequenz
Jedes der ein oder mehreren Einzelbilder der Ground Truth-Bildsequenz
Beispiele für Wetterklassifizierungs-Label können klar, sonnig, Schneefall, regnerisch, bedeckt, bewölkt, neblig, hell, dunkel usw. einschließen. Beispiele für Straßenoberflächenklassifizierungs-Labels können trocken, nass, Schnee, regnerisch, verdeckt (z. B. einige Verkehrsmarkierungen nicht sichtbar), Schlamm usw. einschließen. Beispiele für Umgebungsklassifizierungs-Label können Umgebungstypen wie beispielsweise städtisch, ländlich, Vorort-, Auf-/Abfahrt, Autobahn, lokal (z. B. Nachbarschaft, Wohngegend, Schule) usw. einschließen. Auf-/Abfahrten können beispielsweise eine Verbindung zwischen zwei Autobahnen oder zwischen einer Autobahn und einem anderen Straßentyp sein. Beispiele für Szenenklassifizierungs-Label können Orte auf Straßen, eine Baustelle, eine Kreuzung (z. B. eine x-Wege-Kreuzung, wie beispielsweise eine Drei-, Vier-, Fünf-Wege-Kreuzung, usw.), eine Brücke, eine Überführung, einen Bahnübergang, einen Tunnel, eine Spurzusammenführung, eine Spurabzweigung, ein Zebrastreifen, usw. einschließen. Einige Szenenklassifizierungen können lediglich Zeitklassifizierungs-Labels „Annähern“ und „Passieren“ zugeordnet sein, während andere den Labels „Annähern, Einfahren und Passieren“ zugeordnet sein können. Die Straßenoberflächenklassifizierung und die Wetterklassifizierungen können sich gegenseitig ausschließen. Mit anderen Worten kann es auf der Straße nass sein, aber das Wetter kann zum Beispiel sonnig sein.Examples of weather classification labels can include clear, sunny, snow, rainy, overcast, cloudy, foggy, light, dark, etc. Examples of road surface classification labels can include dry, wet, snow, rainy, covered (e.g. some traffic markings not visible), mud, etc. Examples of environmental classification labels can Include environment types such as urban, rural, suburban, on / off, highway, local (e.g. neighborhood, neighborhood, school), etc. Driveways / exits can be, for example, a connection between two motorways or between a motorway and another type of road. Examples of scene classification labels can be locations on streets, a construction site, an intersection (e.g. an x-way intersection, such as a three, four, five-way intersection, etc.), a bridge, a Include overpass, level crossing, tunnel, lane junction, lane junction, zebra crossing, etc. Some scene classifications can only be assigned to the "Approach" and "Pass" time classification labels, while others can be assigned to the "Approach, enter and pass" labels. The road surface classification and the weather classifications can be mutually exclusive. In other words, it can be wet on the street, but the weather can be sunny, for example.
Diese annotierte Ground Truth-Bildsequenz
BilderfassungImage capture
Die Bilderfassungsvorrichtung
Segmentierungsegmentation
Das Bildsegmentierungsmodul
MaskierungMasking
Der Bildmaskierer
ZeitklassifizierungTime classification
Der Zeitklassifizierer
Gemäß einem Gesichtspunkt kann der Zeitklassifizierer
Der Zeitklassifizierer
Mit anderen Worten kann der Zeitklassifizierer
Anders ausgedrückt kann es der Zeitklassifizierer
WetterklassifizierungWeather classification
Der Szenenklassifizierer
Klassifizierung der StraßenoberflächeClassification of the road surface
Der Szenenklassifizierer
Umgebungsklassifizierung Environment classification
Der Szenenklassifizierer
Szenen- oder OrtsklassifizierungScene or location classification
Der Szenenklassifizierer
Der Szenenklassifizierer
Gemäß einem Gesichtspunkt kann das dritte CNN beispielsweise als ResNet 50 implementiert sein. Daher kann der Szenenklassifizierer
Beispiele für Szenen- oder Ortsklassifizierungen können Orte auf Straßen, wie beispielsweise eine Baustelle, eine Kreuzung (z. B. eine x-Wege-Kreuzung, wie beispielsweise eine Drei-, Vier-, Fünf-Wege-Kreuzung, usw.), eine Brücke, eine Überführung, ein Bahnübergang, ein Tunnel, eine Spurzusammenführung, eine Spurabzweigung, ein Zebrastreifen, usw. einschließen. Auf diese Weise kann die Szenenvorhersage eine Szenenklassifizierung sein, die einen Typ von Standort angibt, dem sich das Fahrzeug
Gemäß einem Gesichtspunkt kann der Szenenklassifizierer
FahrzeuganwendungVehicle application
Die Steuerung kann einen oder mehrere Sensoren oder ein oder mehrere Fahrzeugsysteme
Wenn beispielsweise der Szenenklassifizierer
Gemäß einem Gesichtspunkt bestimmt der Szenenklassifizierer
Während
Die Bilderfassungsvorrichtung
Wie in
Die mit zeitlichen Vorhersagen annotierte Reihe von Einzelbildern kann dem Szenenklassifizierer
Der Szenenklassifizierer
Ein weiterer Gesichtspunkt betrifft ein computerlesbares Medium, das prozessorausführbare Anweisungen einschließt, die dazu eingerichtet sind, einen Gesichtspunkt der hierin präsentierten Techniken zu implementieren. Ein Gesichtspunkt eines computerlesbaren Mediums oder einer computerlesbaren Vorrichtung, die auf diese Weisen entwickelt sind, ist in
Wie in dieser Anmeldung verwendet, sollen sich die Begriffe „Komponente“, „Modul“, „System“, „Schnittstelle“ und dergleichen allgemein auf eine computerbezogene Einheit beziehen, entweder Hardware, eine Kombination aus Hardware und Software, Software oder Software in Ausführung. Zum Beispiel kann eine Komponente ein Prozess sein, der auf einem Prozessor, einer Verarbeitungseinheit, einem Objekt, einem ausführbaren Programm, einem Ausführungsthread, einem Programm oder einem Computer läuft, ist aber nicht darauf beschränkt. Zur Veranschaulichung können sowohl eine Anwendung, die auf einem Steuergerät ausgeführt wird, als auch das Steuergerät eine Komponente sein. Ein oder mehrere Komponenten, die sich in einem Prozess oder Ausführungsthread befinden und eine Komponente können auf einem Computer lokalisiert sein oder auf zwei oder mehr Computer verteilt sein.As used in this application, the terms "component", "module", "system", "interface" and the like are intended to refer generally to a computer-related entity, either hardware, a combination of hardware and software, software or software in execution. For example, a component can be, but is not limited to, a process running on a processor, processing unit, object, executable program, execution thread, program, or computer. As an illustration, both an application that is executed on a control device and the control device can be a component. One or more components that are in a process or execution thread and a component can be located on one computer or distributed across two or more computers.
Ferner wird der beanspruchte Gegenstand als ein Verfahren, eine Vorrichtung oder ein Herstellungsgegenstand unter Verwendung von Standardprogrammier- oder Entwicklungstechniken implementiert, um Software, Firmware, Hardware oder eine beliebige Kombination davon zu erzeugen, um einen Computer zum Implementieren des offenbarten Gegenstands zu steuern. Der Begriff „Herstellungsgegenstand“, wie er hierin verwendet wird, soll ein Computerprogramm umfassen, auf das von jeder computerlesbaren Vorrichtung, jedem Träger oder jedem Medium zugegriffen werden kann. Natürlich können viele Modifikationen an dieser Konfiguration vorgenommen werden, ohne vom Schutzumfang oder Geist des beanspruchten Gegenstands abzuweichen.Furthermore, the claimed subject matter is implemented as a method, apparatus, or article of manufacture using standard programming or development techniques to create software, firmware, hardware, or any combination thereof, to control a computer to implement the disclosed subject matter. As used herein, the term "article of manufacture" is intended to encompass a computer program that can be accessed by any computer-readable device, medium or medium. Of course, many modifications can be made to this configuration without departing from the scope or spirit of the claimed subject matter.
Im Allgemeinen werden Gesichtspunkte in dem allgemeinen Kontext von „computerlesbaren Anweisungen“ beschrieben, die durch eine oder mehrere Rechenvorrichtungen ausgeführt werden. Computerlesbare Anweisungen können über computerlesbare Medien verteilt werden, wie nachstehend erörtert wird. Computerlesbare Anweisungen können als Programmmodule wie beispielsweise Funktionen, Objekte, Anwendungsprogrammierschnittstellen (APIs), Datenstrukturen und dergleichen implementiert werden, die eine oder mehrere Aufgaben ausführen oder einen oder mehrere abstrakte Datentypen implementieren. Üblicherweise wird die Funktionalität von computerlesbaren Anweisungen nach Wunsch in verschiedenen Umgebungen kombiniert oder verteilt.In general, aspects are described in the general context of "computer readable instructions" that are executed by one or more computing devices. Computer readable instructions can be distributed over computer readable media, as discussed below. Computer-readable instructions can be implemented as program modules such as functions, objects, application programming interfaces (APIs), data structures and the like, which perform one or more tasks or implement one or more abstract data types. Typically, the functionality of computer readable instructions is combined or distributed in different environments as desired.
In anderen Gesichtspunkten schließt die Rechenvorrichtung
Der Begriff „computerlesbares Medium“, wie er hierin verwendet wird, schließt Computerspeichermedien ein. Computerspeichermedien schließen flüchtige und nichtflüchtige, entfernbare und nicht entfernbare Medien ein, die in einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen wie beispielsweise computerlesbaren Anweisungen oder anderen Daten implementiert sind. Der Speicher
Der Begriff „computerlesbares Medium“ schließt Kommunikationsmedien ein. Kommunikationsmedien verkörpern üblicherweise computerlesbare Anweisungen oder andere Daten in einem „modulierten Datensignal“, wie beispielsweise einer Trägerwelle oder einen anderen Transportmechanismus, und schließt beliebige Informationsbereitstellungsmedien ein. Der Begriff „moduliertes Datensignal“ schließt ein Signal ein, bei dem eine oder mehrere seiner Eigenschaften so eingestellt oder geändert sind, dass Informationen in dem Signal codiert werden.The term "computer-readable medium" includes communication media. Communication media typically embodies computer readable instructions or other data in a "modulated data signal", such as a carrier wave or other transport mechanism, and includes any information delivery media. The term “modulated data signal” includes a signal in which one or more of its properties are set or changed so that information is encoded in the signal.
Die Rechenvorrichtung
Obwohl der Gegenstand in einer Sprache beschrieben wurde, die spezifisch für strukturelle Merkmale oder methodische Vorgänge ist, versteht es sich, dass der Gegenstand der beigefügten Ansprüche nicht notwendigerweise auf die oben beschriebenen spezifischen Merkmale oder Handlungen beschränkt ist. Vielmehr werden die vorstehend beschriebenen spezifischen Merkmale und Handlungen als beispielhafte Gesichtspunkte offenbart. Although the subject matter has been described in a language specific to structural features or methodological processes, it should be understood that the subject matter of the appended claims is not necessarily limited to the specific features or acts described above. Rather, the specific features and acts described above are disclosed as exemplary points of view.
Verschiedene Operationen von Gesichtspunkten werden hierin bereitgestellt. Die Reihenfolge, in der eine oder mehrere oder alle der Operationen beschrieben werden, sollte nicht so ausgelegt werden, dass sie impliziert, dass diese Operationen notwendigerweise ordnungsabhängig sind. Alternative Reihenfolgen werden basierend auf dieser Beschreibung gewürdigt. Weiterhin werden nicht alle Operationen notwendigerweise in jedem Gesichtspunkt bereitgestellt.Various operations from an aspect are provided herein. The order in which one or more or all of the operations are described should not be construed to imply that these operations are necessarily order-dependent. Alternative orders are appreciated based on this description. Furthermore, not all operations are necessarily provided in every aspect.
Wie in dieser Anmeldung verwendet, soll „oder“ eher ein einschließendes „oder“ als ein ausschließendes „oder“ bedeuten. Ferner kann ein einschließendes „oder“ eine beliebige Kombination davon (z. B.
Weiterhin, sofern nicht anders angegeben, sollen „erster“, „zweiter“ oder dergleichen nicht unter einem zeitlichen Gesichtspunkt, einen räumlichen Gesichtspunkt, einer Reihenfolge usw. verstanden werden. Vielmehr sind solche Begriffe lediglich als Identifikatoren, Bezeichnungen usw. für Merkmale, Elemente, Artikel usw. zu verstehen. Zum Beispiel entsprechen ein erster Kanal und ein zweiter Kanal im Allgemeinen Kanal A und Kanal B oder zwei verschiedenen oder zwei identischen Kanälen oder dem gleichen Kanal. Zusätzlich bedeutet „umfassend“, „umfasst“, „einschließlich“, „einschließen“ oder dergleichen im Allgemeinen umfassend oder einschließlich, ohne darauf beschränkt zu sein.Furthermore, unless stated otherwise, “first”, “second” or the like should not be understood from a temporal point of view, a spatial point of view, an order, etc. Rather, such terms are only to be understood as identifiers, designations, etc. for features, elements, articles, etc. For example, a first channel and a second channel generally correspond to channel A and channel B or two different or two identical channels or the same channel. In addition, “comprehensive,” “includes,” “including,” “including,” or the like generally means, but is not limited to, inclusive or inclusive.
Es versteht sich, dass verschiedene der oben offenbarten und anderen Merkmale und Funktionen, oder Alternativen oder Varianten davon, vorzugsweise in viele andere unterschiedliche Systeme oder Anwendungen kombiniert werden können. Auch dass verschiedene derzeit unvorhergesehene oder unerwartete Alternativen, Modifikationen, Variationen oder Verbesserungen daran nachfolgend von Fachleuten auf diesem Gebiet der Technik vorgenommen werden können, die ebenfalls durch die folgenden Ansprüche erfasst werden.It is understood that various of the features and functions disclosed and other, or alternatives or variants thereof, disclosed above and other, preferably may be combined into many other different systems or applications. Also, that various currently unforeseen or unexpected alternatives, modifications, variations or improvements thereto can subsequently be made by those skilled in the art, which are also covered by the following claims.
Claims (20)
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862731158P | 2018-09-14 | 2018-09-14 | |
US62/731,158 | 2018-09-14 | ||
US16/374,205 | 2019-04-03 | ||
US16/374,205 US11195030B2 (en) | 2018-09-14 | 2019-04-03 | Scene classification |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019124419A1 true DE102019124419A1 (en) | 2020-03-19 |
Family
ID=69646760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019124419.6A Withdrawn DE102019124419A1 (en) | 2018-09-14 | 2019-09-11 | SCENE CLASSIFICATION |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019124419A1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016542A (en) * | 2020-05-08 | 2020-12-01 | 珠海欧比特宇航科技股份有限公司 | Urban waterlogging intelligent detection method and system |
CN112287566A (en) * | 2020-11-24 | 2021-01-29 | 北京亮道智能汽车技术有限公司 | Automatic driving scene library generation method and system and electronic equipment |
CN115114729A (en) * | 2022-06-21 | 2022-09-27 | 重庆长安汽车股份有限公司 | Design method of user case of driving assistance system and storage medium |
-
2019
- 2019-09-11 DE DE102019124419.6A patent/DE102019124419A1/en not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016542A (en) * | 2020-05-08 | 2020-12-01 | 珠海欧比特宇航科技股份有限公司 | Urban waterlogging intelligent detection method and system |
CN112287566A (en) * | 2020-11-24 | 2021-01-29 | 北京亮道智能汽车技术有限公司 | Automatic driving scene library generation method and system and electronic equipment |
CN112287566B (en) * | 2020-11-24 | 2024-05-07 | 北京亮道智能汽车技术有限公司 | Automatic driving scene library generation method and system and electronic equipment |
CN115114729A (en) * | 2022-06-21 | 2022-09-27 | 重庆长安汽车股份有限公司 | Design method of user case of driving assistance system and storage medium |
CN115114729B (en) * | 2022-06-21 | 2024-06-04 | 重庆长安汽车股份有限公司 | Design method of driving assistance system user case and storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6935467B2 (en) | Scene classification | |
DE112020002602T5 (en) | MULTI-OBJECT TRACKING USING CORRELATION FILTERS IN VIDEO ANALYSIS APPLICATIONS | |
DE102017105903A1 (en) | Pedestrian detection and motion prediction with camera pointing backwards | |
DE102017127346A1 (en) | BRAKE DETECTION | |
DE102017100199A1 (en) | PEDESTRIAN RECOGNITION WITH TICKET CARDS | |
DE102020127043A1 (en) | SECURITY SYSTEM FOR ONE VEHICLE | |
Devi et al. | A comprehensive survey on autonomous driving cars: A perspective view | |
DE102012207620B4 (en) | System and method for light signal detection | |
Izquierdo et al. | Experimental validation of lane-change intention prediction methodologies based on CNN and LSTM | |
DE102018101125A1 (en) | Recurrent deep neuronal convolution network for the detection of objects | |
DE102019117618A1 (en) | VEHICLE CLASSIFICATION SYSTEM | |
Pavlic et al. | Classification of images in fog and fog-free scenes for use in vehicles | |
DE102011086512B4 (en) | fog detection | |
DE102018101318A1 (en) | OBJECT RECOGNITION USING A RECURRENT NEURONAL NETWORK AND A LINKED CHARACTERIZATION OF FIGURE | |
DE112018007287T5 (en) | VEHICLE SYSTEM AND METHOD FOR DETECTING OBJECTS AND OBJECT DISTANCE | |
DE102019205228A1 (en) | Threading systems and methods for vehicles on a main track | |
Zakaria et al. | Lane detection in autonomous vehicles: A systematic review | |
DE102017116213A1 (en) | ROAD RECOGNITION WITH REVERSING CAMERA | |
DE102019126904A1 (en) | SYSTEM AND METHOD FOR USING A RECURRING NETWORK FOR ONLINE ACTION DETECTION | |
DE102019115455A1 (en) | FOCUS-BASED MARKING OF SENSOR DATA | |
DE102017115197A1 (en) | GENERATION OF VIRTUAL SENSOR DATA FOR COLLECTING BOLLARS | |
DE102019124419A1 (en) | SCENE CLASSIFICATION | |
DE102018104270A1 (en) | Method for predicting the behavior of at least one pedestrian | |
DE102018126664A1 (en) | DOMAIN ADAPTATION THROUGH CLASS-EXISTED SELF-TRAINING WITH SPATIAL PRIOR | |
DE102018108361A1 (en) | LAW RECORDING TRAINING SYSTEMS AND METHODS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R082 | Change of representative |
Representative=s name: WEICKMANN & WEICKMANN PATENT- UND RECHTSANWAEL, DE |
|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06K0009620000 Ipc: G06V0030190000 |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |