自动驾驶核心竞争力

自动驾驶核心竞争力

 

 

 应用案例

交通对象的检测和定位

在道路影像中使用2D框、折线或多边形标注与自动驾驶相关的对象，例如不同车型的车辆、交通指示牌、车道线、行人等；类型列表（Class List）可自行定义或参照公开数据集（Cityspaces Dataset ）

  

交通影像全景语义分割

依据客户对于交通图像相关对象的类型列表（Class List），以及所需RGB颜色对照表（Colour Map）对图中每个类型的对象进行像素染色。

语义分割是目前图像标注领域最精准的标注类型，标注员需要对图像中的所有区域进行标注。通常来说一张大小和复杂度适中的图片需要45分钟至1小时才能完成。虽说标注时间长，但与其他标注类型相比，模型通常仅需少量的语义分割图片训练便可达到精准的识别。语义分割在近些年已经变得越来越普遍，主要有两个原因： 首先是因为绘制精细，对于许多计算机视觉模型来说，当然越精细训练效果越好，其次，如果您没有大量的原始数据，语义分割能使您最有效的利用有限的数据源。

 

 交通灯标注

定位图中的交通信号灯并对其指示信息进行标注，例如颜色、方向、种类等

 

 关键点标注

关键点标注正如其字面含义，标注员需要在规定的位置标注关键点，这类标注通常用于统计模型以及姿势或面部识别模型。统计模型借助关键点标注表示特定场景内目标物体的密度，例如商场人流统计模型。除此之外，姿势和面部识别模型借助关键点标注理解各个点在运动中的移动轨迹，从而实现更复杂的判断。

 

 多边形标注

与矩形框标注不同，多边形标注较为精确，避免了大量白色空间和额外噪音导致的视觉模型偏差。当然，多边形绘制需要更多的工作量，所以其价格也会有所不同。常见的多边形标注应用包括机器人抓取、医学影像识别、卫星图片识别等。

 

 图像分类

对于所有基于图片识别的应用开发，图像分类是十分关键的第一步数据清洗工作。分类可以帮助您了解原始数据中的实际内容，从而为后期更加复杂的标注工作奠定基础。

 

 矩形框标注

矩形框标注是最简单的图像标注类型，价格也相较其他类型较低（价格会随标签数量的增加而提高）。实践证明大量的矩形框标注数据可以训练出模型来识别您需要的对象。如果您能够获取大量的原始数据集，我们建议在产品迭代的初期试验使用矩形框进行标注。

 

 折线标注

折线标注通常用于自动驾驶应用当中的车道线标注，与矩形框标注不同，折线标注能够更精确的表示线性对象的位置，不会包含过多的噪音和空白，是介于多边形与关键点标注之间的一种标注形式。