自動駕駛核心競爭力

應用案例

交通對象的檢測和定位

在道路影像中使用2D框、折線或多邊形標注與自動駕駛相關的對象，例如不同車型的車輛、交通指示牌、車道線、行人等；類型列表（Class List）可自行定義或參照公開數據集（Cityspaces Dataset ）

交通影像全景語義分割

依據客戶對于交通圖像相關對象的類型列表（Class List），以及所需RGB顏色對照表（Colour Map）對圖中每個類型的對象進行像素染色。

語義分割是目前圖像標注領域最精準的標注類型，標注員需要對圖像中的所有區域進行標注。通常來說一張大小和復雜度適中的圖片需要45分鐘至1小時才能完成。雖說標注時間長，但與其他標注類型相比，模型通常僅需少量的語義分割圖片訓練便可達到精準的識別。語義分割在近些年已經變得越來越普遍，主要有兩個原因： 首先是因為繪制精細，對于許多計算機視覺模型來說，當然越精細訓練效果越好，其次，如果您沒有大量的原始數據，語義分割能使您最有效的利用有限的數據源。

交通燈標注

定位圖中的交通信號燈并對其指示信息進行標注，例如顏色、方向、種類等

關鍵點標注

關鍵點標注

關鍵點標注正如其字面含義，標注員需要在規定的位置標注關鍵點，這類標注通常用于統計模型以及姿勢或面部識別模型。統計模型借助關鍵點標注表示特定場景內目標物體的密度，例如商場人流統計模型。除此之外，姿勢和面部識別模型借助關鍵點標注理解各個點在運動中的移動軌跡，從而實現更復雜的判斷。

多邊形標注

與矩形框標注不同，多邊形標注較為精確，避免了大量白色空間和額外噪音導致的視覺模型偏差。當然，多邊形繪制需要更多的工作量，所以其價格也會有所不同。常見的多邊形標注應用包括機器人抓取、醫學影像識別、衛星圖片識別等。

圖像分類

對于所有基于圖片識別的應用開發，圖像分類是十分關鍵的第一步數據清洗工作。分類可以幫助您了解原始數據中的實際內容，從而為后期更加復雜的標注工作奠定基礎。

矩形框標注

矩形框標注是最簡單的圖像標注類型，價格也相較其他類型較低（價格會隨標簽數量的增加而提高）。實踐證明大量的矩形框標注數據可以訓練出模型來識別您需要的對象。如果您能夠獲取大量的原始數據集，我們建議在產品迭代的初期試驗使用矩形框進行標注。

折線標注

折線標注通常用于自動駕駛應用當中的車道線標注，與矩形框標注不同，折線標注能夠更精確的表示線性對象的位置，不會包含過多的噪音和空白，是介于多邊形與關鍵點標注之間的一種標注形式。

總結

以上是生活随笔為你收集整理的自动驾驶核心竞争力的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。