本發明涉及自動駕駛,特別涉及一種用于深度學習的數據自動標注方法、裝置、設備及介質。
背景技術:
1、自動駕駛領域越來越多的采用深度學習模型實現環境感知、決策規劃及控制執行等智能駕駛任務,而深度學習模型往往是數據驅動的,即依賴于大量的數據訓練模型,從而讓深度學習模型能在不同的場景和不同的任務上具備高精度和高魯棒性,或者說數據的質和量決定了自動駕駛領域中深度學習模型的上限,進而決定了自動駕駛功能的整體表現,故而如何高效高質量的獲取數據便成為了學術界及工業界共同的問題。
2、自動標注技術便是針對高效高質量獲取數據而設計的一種技術,此技術最早應是由特斯拉提出,而之后無數的研究者和工程師投身其中。自動標注流程中一般會涉及到數據采集、數據清洗、數據自動標注及數據人工精標注等流程,其中數據自動標注環節關注的是結合深度學習算法及模型集成等方法,輸出盡可能高精度的偽標注標簽,從而提升自動標注流程的整體效率。
3、目前,現有的自動標注流程一般僅僅只考慮到單一感知器,且是通過提升感知器的精度來優化自動標注流程的精度,但是,即使提升了單一感知器的精度,通過單一感知器依然無法覆蓋或優化所有場景類型的自動標注精度。
技術實現思路
1、有鑒于此,本發明實施例提供了一種用于深度學習的數據自動標注方法,以解決現有技術中無法優化所有場景類型的自動標注精度的技術問題。該方法包括:
2、確定每一幀待標注數據的場景類別;
3、根據每一幀待標注數據的場景類別,確定多種自動標注算法分別對應的權重;
4、通過多種自動標注算法和每種自動標注算法對應的權重,對每一幀待標注數據進行自動標注,得到每一幀待標注數據的偽標注結果。
5、本發明實施例還提供了一種用于深度學習的數據自動標注裝置,以解決現有技術中無法優化所有場景類型的自動標注精度的技術問題。該裝置包括:
6、場景分類模塊,用于確定每一幀待標注數據的場景類別;
7、參數配置模塊,用于根據每一幀待標注數據的場景類別,確定多種自動標注算法分別對應的權重;
8、自動標注模塊,用于通過多種自動標注算法和每種自動標注算法對應的權重,對每一幀待標注數據進行自動標注,得到每一幀待標注數據的偽標注結果。
9、本發明實施例還提供了一種計算機設備,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序,所述處理器執行所述計算機程序時實現上述任意的用于深度學習的數據自動標注方法,以解決現有技術中無法優化所有場景類型的自動標注精度的技術問題。
10、本發明實施例還提供了一種計算機可讀存儲介質,所述計算機可讀存儲介質存儲有執行上述任意的用于深度學習的數據自動標注方法的計算機程序,以解決現有技術中無法優化所有場景類型的自動標注精度的技術問題。
11、與現有技術相比,本說明書實施例采用的上述至少一個技術方案能夠達到的有益效果至少包括:不同于大量的針對提升感知器精度來優化自動標注流程的方案,本申請提出了關注自動標注流程中模型集成策略的優化,引入場景分類的概念,確定每一幀待標注數據的場景類別;同時提出多種自動標注算法在各場景類型下分別對應最合適的權重,形成參數配置集合k,進而實現針對不同場景類型采用多種自動標注算法及其對應的不同的自動標注策略(即參數配置集合)進行標注,實現待標注數據在不同的場景類型下通過不同的參數配置集合進行自動標注,進而提高了不同場景類型下的偽標注精度;此外,現有技術僅僅只考慮到單一感知器、跟蹤器及三階段修正器的流程涉及,偽標注結果的精度往往比較依賴于單一感知器的檢測精度,而本申請的標注引入了復數個感知器(即自動標注算法),用模型集成的方式使得最終的偽標注結果一定是比單一感知器的檢測精度要高,有利于進一步提高偽標注精度。
1.一種用于深度學習的數據自動標注方法,其特征在于,包括:
2.如權利要求1所述的用于深度學習的數據自動標注方法,其特征在于,通過多種自動標注算法和每種自動標注算法對應的權重,對每一幀待標注數據進行自動標注,得到每一幀待標注數據的偽標注結果,包括:
3.如權利要求1所述的用于深度學習的數據自動標注方法,其特征在于,確定每一幀待標注數據的場景類別,包括:
4.如權利要求1所述的用于深度學習的數據自動標注方法,其特征在于,根據每一幀待標注數據的場景類別,確定多種自動標注算法分別對應的權重,包括:
5.如權利要求1至4中任一項所述的用于深度學習的數據自動標注方法,其特征在于,通過多種自動標注算法和每種自動標注算法對應的權重,對每一幀待標注數據進行自動標注,得到每一幀待標注數據的偽標注結果,包括:
6.如權利要求5所述的用于深度學習的數據自動標注方法,其特征在于,結合所述第一偽標注結果和所述第二偽標注結果,得到每一幀待標注數據的偽標注結果,包括:
7.一種用于深度學習的數據自動標注裝置,其特征在于,包括:
8.如權利要求7所述的用于深度學習的數據自動標注裝置,其特征在于,所述參數配置模塊,用于確定每種自動標注算法對不同場景類別的適用度;針對每種場景類別,根據每種自動標注算法的所述適用度和精度,分別計算每種自動標注算法對應的權重,每種場景類別下多種自動標注算法對應的權重形成參數配置集合,每個參數配置集合中的權重相加的和為1。
9.一種計算機設備,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序,其特征在于,所述處理器執行所述計算機程序時實現權利要求1至6中任一項所述的用于深度學習的數據自動標注方法。
10.一種計算機可讀存儲介質,其特征在于,所述計算機可讀存儲介質存儲有執行權利要求1至6中任一項所述的用于深度學習的數據自動標注方法的計算機程序。