導(dǎo)讀

數(shù)據(jù)對于地圖來說十分重要，沒有數(shù)據(jù)，就沒有地圖服務(wù)。用戶在使用地圖服務(wù)時(shí)，不太會(huì)想到數(shù)據(jù)就像冰山一樣，用戶可見只是最直接、最顯性的產(chǎn)品功能部分，而支撐顯性部分所需要的根基，往往更龐大。

地圖數(shù)據(jù)最先是從專業(yè)采集來的，采集工具就是車、自行車、飛機(jī)和衛(wèi)星影像等，近兩年有了利用智能硬件的眾包采集。采集之后，就是把數(shù)據(jù)更新的速度和精準(zhǔn)度都無限提升。因?yàn)榈孛嫔献兓炝?#xff0c;用戶越來越依賴于地圖應(yīng)用。所以數(shù)據(jù)更新的速度和數(shù)據(jù)的準(zhǔn)確度就是在乎用戶體驗(yàn)的地圖公司的第一要?jiǎng)?wù)了。而數(shù)據(jù)更新的第一步，就是交通標(biāo)志檢測。

本文將主要介紹機(jī)器學(xué)習(xí)技術(shù)在高德的地圖數(shù)據(jù)生產(chǎn)的具體應(yīng)用，這些技術(shù)方案和設(shè)計(jì)都已經(jīng)過驗(yàn)證，取得了不錯(cuò)的效果，并且為高德地圖數(shù)據(jù)的快速更新提供了基礎(chǔ)的技術(shù)保證。

“交通標(biāo)志檢測”定義

交通標(biāo)志檢測，特指在普通街景圖像上通過自動(dòng)化手段檢測出各種類型的交通標(biāo)志，如限速、禁止掉頭、人行橫道和電子眼等。這些檢測結(jié)果將作為生產(chǎn)數(shù)據(jù)交付給地圖數(shù)據(jù)制作流程，最終演變?yōu)榉?wù)于廣大用戶的地圖數(shù)據(jù)。

難點(diǎn)與挑戰(zhàn)

交通標(biāo)志檢測的主要難點(diǎn)有樣式繁雜，且在拍攝過程中受自然環(huán)境的影響較大。此外，為滿足數(shù)據(jù)更新的速度和數(shù)據(jù)準(zhǔn)確度的要求，對于算法的性能要求也格外嚴(yán)格。

樣本形態(tài)差異大

交通標(biāo)志的形態(tài)差異主要體現(xiàn)在：

類型繁多：國標(biāo)定義的交通標(biāo)志有幾百個(gè)類型；

形狀多樣：常見交通標(biāo)志的形狀有三角形、圓形、方形、菱形、八邊形等，還有地面標(biāo)線、電子眼、信號燈，以及限高桿、柵欄等物理設(shè)施；

顏色分布廣泛：常見的有黃色、紅色、藍(lán)色、綠色、黑色、白色等；

圖像內(nèi)尺寸差異大：從幾百像素（如方牌、人行橫道等）到十幾像素（如電子眼）不均勻分布；

圖1 常見道路交通標(biāo)志(標(biāo)牌類）

自然場景下變化多端

在自然場景下，交通標(biāo)志存在樹木或車輛遮擋、磨損等情況；天氣、季節(jié)等也會(huì)影響到圖像采集過程中，造成圖像模糊、顏色失真等。

圖2 自然場景下拍攝的交通標(biāo)志

一些外形與交通標(biāo)志相似的標(biāo)牌，如商戶的招牌、交通公益廣告牌等，對算法的準(zhǔn)確率造成極大的挑戰(zhàn)。

圖3 類似交通標(biāo)志的噪聲示例

性能要求

準(zhǔn)召率：我們的應(yīng)用場景中對于召回率和準(zhǔn)確率的要求極高，任何未召回都會(huì)導(dǎo)致數(shù)據(jù)更新的延遲，而錯(cuò)召回則會(huì)影響作業(yè)效率與作業(yè)周期，最終對數(shù)據(jù)的快速更新造成影響；

吞吐量：高德每天需要處理上億張圖片，這就要求我們的算法不僅效果要好，處理速度也必須夠快，以免造成數(shù)據(jù)積壓，影響地圖數(shù)據(jù)的更新時(shí)效；

擴(kuò)展性：交通標(biāo)志的類型不是一成不變的(國標(biāo)會(huì)存在調(diào)整，不同國家和地區(qū)之間各有特色)，因此需要算法環(huán)節(jié)具有非常好的擴(kuò)展性，能夠快速適應(yīng)新增的各種交通標(biāo)志類型；

高德地圖中的交通標(biāo)志檢測方案

當(dāng)前學(xué)術(shù)界針對目標(biāo)檢測任務(wù)常用的深度學(xué)習(xí)模型一般都采用End2End的方式進(jìn)行訓(xùn)練，以得到全局最優(yōu)的檢測效果。這個(gè)方案在使用時(shí)非常簡單，只需要標(biāo)注好“幾百類物體的樣本”，然后放到深度學(xué)習(xí)的框架里進(jìn)行迭代訓(xùn)練，就可以獲得最終模型，主要可以分為Two Stage(FasterRCNN[1])和One Stage(YOLO[2],SSD[3])兩大類。

但是在實(shí)際使用過程中，需要應(yīng)對如下問題：

樣本標(biāo)注成本高：所有訓(xùn)練樣本都需要進(jìn)行全類別標(biāo)注，當(dāng)有新增類別時(shí)需要將歷史訓(xùn)練樣本全量補(bǔ)標(biāo)，成本極高；

無法單類迭代：由于交通標(biāo)志出現(xiàn)的頻率和重要性不等，業(yè)務(wù)上對于部分類型(如電子眼、限速牌等)的準(zhǔn)召率要求更高。但是End2End的模型必須針對所有類型全量迭代，無法優(yōu)化單一類型，導(dǎo)致算法迭代和測試成本極高；

模型訓(xùn)練難度大：我們需要處理的交通標(biāo)志有幾百類，且各自出現(xiàn)頻率差異很大，使用單一目標(biāo)檢測模型完成如此巨大的分類任務(wù)，模型訓(xùn)練難度太大，收斂緩慢，召回率、準(zhǔn)確率上難以平衡；

結(jié)合通用目標(biāo)檢測技術(shù)的發(fā)展以及高德地圖對于交通標(biāo)志檢測的需要，我們最終選擇了Faster-RCNN作為基礎(chǔ)檢測框架，它的檢測效果更好(尤其是針對小目標(biāo))，獨(dú)立的RPN網(wǎng)路也可以滿足擴(kuò)展性要求。速度方面，我們也進(jìn)行了針對性的優(yōu)化調(diào)整。

在實(shí)際使用時(shí)，我們將檢測框架分為目標(biāo)檢測與精細(xì)分類兩階段：

圖4 交通標(biāo)志檢測的目標(biāo)檢測和精細(xì)分類階段

目標(biāo)檢測階段

目標(biāo)檢測階段的目的是通過Faster-RCNN在圖片中檢測所有的交通標(biāo)志，并進(jìn)行粗分類，要求極高的召回率和執(zhí)行速度。在實(shí)際使用時(shí)，我們采用了如下策略來提升算法能力：

效果方面：將檢測目標(biāo)根據(jù)外形特征分為N大類(如圓形、三角形、方形，以及高寬比異常的人行橫道等)，再為每一類配置專屬的RPN網(wǎng)絡(luò)，各個(gè)RPN根據(jù)對應(yīng)的尺寸特性設(shè)計(jì)Anchor的Ratio和Scale；不同RPN根據(jù)需要使用不同層的特征圖，設(shè)計(jì)更有針對性；

效果方面，針對各個(gè)類型樣本分布不均勻問題，使用多種樣本增強(qiáng)手段，并在訓(xùn)練過程中使用OHEM等方式進(jìn)一步調(diào)整樣本分布；

效果方面，還借鑒了IoU-Net、Soft-NMS等方案，進(jìn)一步提升檢測效果；

性能方面，各個(gè)大類之間共享基礎(chǔ)卷積層，保證檢測時(shí)間不會(huì)過分增長；

擴(kuò)展性方面，對于新增類型，理想情況下只需要新增一個(gè)RPN網(wǎng)絡(luò)單獨(dú)迭代，可以不對其他類型的效果造成任何影響(如下圖，RPN1和RPN2完全獨(dú)立)；

圖5 多RPN設(shè)計(jì)示意圖

精細(xì)分類階段

精細(xì)分類階段的目的是對目標(biāo)檢測階段得到候選框進(jìn)行精細(xì)分類并濾除噪聲，保證極高的召回率和準(zhǔn)確率。在實(shí)際實(shí)現(xiàn)中，還使用以下策略來提升效果：

為每個(gè)大類配置獨(dú)立的精細(xì)分類網(wǎng)絡(luò)，互相之間不干擾；各個(gè)大類的迭代完全獨(dú)立和并行，可以多人并行研發(fā)，有效縮短研發(fā)周期；

針對各個(gè)大類的難易程度，選擇不同計(jì)算復(fù)雜度的網(wǎng)絡(luò)來完成精細(xì)分類和噪聲抑制，避免因?yàn)槟承╊愋蛷?fù)雜度過高產(chǎn)生效率瓶頸；

樣本方面，各個(gè)大類可以獨(dú)立收集樣本，可以針對特定類型進(jìn)行收集和標(biāo)注，訓(xùn)練和測試集合的構(gòu)建效率大幅提升；

如下圖，針對圓形標(biāo)牌，其差異比較明確，可以使用簡單網(wǎng)絡(luò)；針對方牌，需要根據(jù)文字布局和內(nèi)容來區(qū)分正負(fù)樣本，分類難度大，因此必須使用較深的網(wǎng)絡(luò)：

圖6 精細(xì)分類模塊示意圖

由于同時(shí)使用了多個(gè)模型，上述方案會(huì)導(dǎo)致服務(wù)器的顯存占用顯著增加，對計(jì)算資源產(chǎn)生額外要求。針對該問題，我們針對深度學(xué)習(xí)框架進(jìn)行優(yōu)化，動(dòng)態(tài)分配并在各模型間共享臨時(shí)緩沖區(qū)，并裁剪框架的反向傳播功能，最終使得顯存占用降低50%以上。

效果與收益

上述方案已經(jīng)正式上線，準(zhǔn)召率都達(dá)到了生產(chǎn)作業(yè)的要求，日均圖片吞吐量在千萬以上。以下是部分效果圖(不同框代表不同檢測結(jié)果)：

?

?

圖7 交通標(biāo)志檢測效果圖

?

小結(jié)

交通標(biāo)志檢測技術(shù)已經(jīng)在高德地圖內(nèi)部得到應(yīng)用，有效提升了高德地圖的數(shù)據(jù)制作效率，達(dá)成地圖數(shù)據(jù)更新速度接近T+0（時(shí)間差為零）的目標(biāo)。

目前我們也在把機(jī)器學(xué)習(xí)技術(shù)用于數(shù)據(jù)的自動(dòng)化制作，進(jìn)一步減少現(xiàn)實(shí)世界和地圖數(shù)據(jù)之間的差異，做到“連接真實(shí)世界，讓出行更美好”。

https://www.toutiao.com/a6717453873637753352/

總結(jié)

以上是生活随笔為你收集整理的机器学习在交通标志检测与精细分类中的应用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。