[發(fā)明專(zhuān)利]基于人工智能的交通數(shù)據(jù)標(biāo)注方法、裝置、設(shè)備及介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010594348.3
• 申請(qǐng)日: 2020-06-28
• 公開(kāi)（公告）號(hào): CN111476324B
• 公開(kāi)（公告）日: 2020-10-02
• 發(fā)明（設(shè)計(jì)）人: 劉桐語(yǔ)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 平安國(guó)際智慧城市科技股份有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識(shí)產(chǎn)權(quán)代理有限公司 44334
• 代理人: 劉麗華;孫芬

1.一種基于人工智能的交通數(shù)據(jù)標(biāo)注方法，其特征在于，所述基于人工智能的交通數(shù)據(jù)標(biāo)注方法包括：

獲取交通數(shù)據(jù)構(gòu)建圖像數(shù)據(jù)集；

對(duì)所述圖像數(shù)據(jù)集進(jìn)行拆分，得到至少一組子數(shù)據(jù)集；

從所述至少一組子數(shù)據(jù)集中隨機(jī)抽取一組子數(shù)據(jù)集進(jìn)行標(biāo)注，得到基礎(chǔ)數(shù)據(jù)集；

對(duì)所述基礎(chǔ)數(shù)據(jù)集進(jìn)行擴(kuò)展，得到訓(xùn)練數(shù)據(jù)集；

利用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到初始網(wǎng)絡(luò)模型；

從排除所述基礎(chǔ)數(shù)據(jù)集后的所述至少一組子數(shù)據(jù)集中隨機(jī)抽取一組子數(shù)據(jù)集作為第一數(shù)據(jù)集；

將所述第一數(shù)據(jù)集輸入至所述初始網(wǎng)絡(luò)模型，輸出所述第一數(shù)據(jù)集的模型標(biāo)注結(jié)果；

將所述第一數(shù)據(jù)集的模型標(biāo)注結(jié)果發(fā)送至指定平臺(tái)進(jìn)行修正，并接收修正結(jié)果，將所述修正結(jié)果確定為所述第一數(shù)據(jù)集中數(shù)據(jù)的標(biāo)注信息；

利用所述修正結(jié)果優(yōu)化所述初始網(wǎng)絡(luò)模型；

從所述至少一組子數(shù)據(jù)集中隨機(jī)獲取任意未標(biāo)注的子數(shù)據(jù)集作為待標(biāo)注數(shù)據(jù)集，并利用優(yōu)化后的初始網(wǎng)絡(luò)模型對(duì)所述待標(biāo)注數(shù)據(jù)集進(jìn)行標(biāo)注，得到所述待標(biāo)注數(shù)據(jù)集的模型標(biāo)注結(jié)果，將所述待標(biāo)注數(shù)據(jù)集的模型標(biāo)注結(jié)果發(fā)送至所述指定平臺(tái)進(jìn)行修正，得到所述待標(biāo)注數(shù)據(jù)集中數(shù)據(jù)的標(biāo)注信息，并利用所述待標(biāo)注數(shù)據(jù)集中數(shù)據(jù)的標(biāo)注信息繼續(xù)優(yōu)化所述初始網(wǎng)絡(luò)模型以利用優(yōu)化后的初始網(wǎng)絡(luò)模型進(jìn)行下一次標(biāo)注，直至所述圖像數(shù)據(jù)集中的所有數(shù)據(jù)都被標(biāo)注；

獲取所述圖像數(shù)據(jù)集中所有數(shù)據(jù)的標(biāo)注信息；

從所述標(biāo)注信息中獲取每個(gè)特征標(biāo)識(shí)對(duì)應(yīng)的位置信息中的最大橫坐標(biāo)、最小橫坐標(biāo)、最大縱坐標(biāo)及最小縱坐標(biāo)；

以每個(gè)特征標(biāo)識(shí)對(duì)應(yīng)的位置信息中的最大橫坐標(biāo)、最小橫坐標(biāo)、最大縱坐標(biāo)及最小縱坐標(biāo)構(gòu)建每個(gè)特征標(biāo)識(shí)對(duì)應(yīng)的數(shù)組信息；

以所述每個(gè)特征標(biāo)識(shí)對(duì)應(yīng)的數(shù)組信息生成標(biāo)注文件。

2.如權(quán)利要求1所述的基于人工智能的交通數(shù)據(jù)標(biāo)注方法，其特征在于，所述從所述至少一組子數(shù)據(jù)集中隨機(jī)抽取一組子數(shù)據(jù)集進(jìn)行標(biāo)注，得到基礎(chǔ)數(shù)據(jù)集包括：

將抽取的子數(shù)據(jù)集發(fā)送至指定人員的終端設(shè)備；

向所述終端設(shè)備發(fā)送提示信息，所述提示信息用于提示所述指定人員對(duì)所述抽取的子數(shù)據(jù)集進(jìn)行標(biāo)注；

接收從所述終端設(shè)備返回的數(shù)據(jù)構(gòu)建所述基礎(chǔ)數(shù)據(jù)集。

3.如權(quán)利要求1所述的基于人工智能的交通數(shù)據(jù)標(biāo)注方法，其特征在于，所述對(duì)所述基礎(chǔ)數(shù)據(jù)集進(jìn)行擴(kuò)展，得到訓(xùn)練數(shù)據(jù)集包括：

采用GAN網(wǎng)絡(luò)對(duì)所述基礎(chǔ)數(shù)據(jù)集進(jìn)行擴(kuò)展，得到所述訓(xùn)練數(shù)據(jù)集；及/或

對(duì)所述基礎(chǔ)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行隨機(jī)翻轉(zhuǎn)，得到翻轉(zhuǎn)后的數(shù)據(jù)，整合所述翻轉(zhuǎn)后的數(shù)據(jù)至所述基礎(chǔ)數(shù)據(jù)集，得到所述訓(xùn)練數(shù)據(jù)集；及/或

對(duì)所述基礎(chǔ)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行隨機(jī)裁剪，得到裁剪后的數(shù)據(jù)，整合所述裁剪后的數(shù)據(jù)至所述基礎(chǔ)數(shù)據(jù)集，得到所述訓(xùn)練數(shù)據(jù)集。

4.如權(quán)利要求1所述的基于人工智能的交通數(shù)據(jù)標(biāo)注方法，其特征在于，所述利用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到初始網(wǎng)絡(luò)模型包括：

利用卷積神經(jīng)網(wǎng)絡(luò)提取所述訓(xùn)練數(shù)據(jù)集中數(shù)據(jù)的特征信息以及所述特征信息對(duì)應(yīng)的位置信息；

將所述特征信息及所述位置信息與所述訓(xùn)練數(shù)據(jù)集中數(shù)據(jù)的標(biāo)注信息進(jìn)行比對(duì)，得到損失函數(shù)；

調(diào)整所述卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重，直至所述損失函數(shù)收斂，得到所述初始網(wǎng)絡(luò)模型。

5.如權(quán)利要求1所述的基于人工智能的交通數(shù)據(jù)標(biāo)注方法，其特征在于，所述將所述第一數(shù)據(jù)集輸入至所述初始網(wǎng)絡(luò)模型，輸出所述第一數(shù)據(jù)集的模型標(biāo)注結(jié)果包括：

通過(guò)卷積運(yùn)算提取出所述第一數(shù)集中數(shù)據(jù)的特征并生成特征圖；

將所述特征圖輸入至所述初始網(wǎng)絡(luò)模型中的全連接層，輸出每個(gè)特征對(duì)應(yīng)的特征標(biāo)識(shí)及位置信息；

將每個(gè)特征對(duì)應(yīng)的特征標(biāo)識(shí)及位置信息確定為所述第一數(shù)據(jù)集的模型標(biāo)注結(jié)果。

6.如權(quán)利要求1所述的基于人工智能的交通數(shù)據(jù)標(biāo)注方法，其特征在于，所述利用所述修正結(jié)果優(yōu)化所述初始網(wǎng)絡(luò)模型包括：

將所述模型標(biāo)注結(jié)果與所述修正結(jié)果進(jìn)行比對(duì)，得到損失函數(shù)；

調(diào)整所述初始網(wǎng)絡(luò)模型的權(quán)重，直至所述損失函數(shù)收斂。