一种融合深度主动学习的道路图像标注方法和系统技术方案

本发明专利技术涉及一种融合深度主动学习的道路图像标注方法和系统，通过训练深度学习模型实现AI自动标注的方法,并在此基础上通过主动学习策略减少训练模型所需要的标注样本数量,最终实现了一个基于深度主动学习的人机交互方法,既考虑了当前任务模型对所有道路图像的不确定性,还有挑选更具代表性的道路图像，可以用于多种道路图像的分割标注数据集构建，在无人驾驶行业与人工智能技术联系日益紧密的今天,本发明专利技术实施例的方法为推动道路图像标注与构建高质量带标注的道路图像数据集的智能化助力。助力。助力。

【技术实现步骤摘要】
一种融合深度主动学习的道路图像标注方法和系统


[0001]本专利技术涉及智能驾驶领域，尤其涉及一种融合深度主动学习的道路图像标注方法和系统。

技术介绍

[0002]在自动驾驶模型训练中主要包含算法和训练数据两大部分，因各家厂商算法大同小异，且存在很多开源的，算法难以区分高下。根据英特尔推算，在全自动驾驶时代,每辆汽车每天产生的数据量将高达4000GB，但这些数据中，可用于训练的价值数据约只占不到5％，使得海量数据处理具有难度，因此在算法拉不开差距的情况下，训练数据就成了关键，且模型训练过程中涉及的数据集覆盖面越广，标注越精细，分类越准确、类型越多，自动驾驶性能就越好。目前自动驾驶标注行业面临两个问题：一是道路图像由于其复杂性,标注工作往往需要有相关经验的专人,并且图像的标注主观性强,不同经验的人可能会给出不同的结果；二是标注工作本身需要耗费相当大的人力成本,不应该将大量时间投入到这种重复而低效的劳动中。

技术实现思路

[0003]本专利技术针对现有技术中存在的技术问题，提供一种融合深度主动学习的道路图像标注方法和系统，通过深度主动学习,优化人工标注的工作流程和深度学习模型的训练流程,以较小的人力成本训练得到一个相对高精度的深度学习模型。
[0004]本专利技术解决上述技术问题，第一方面，本专利技术实施例提供技术方案如下：一种融合深度主动学习的道路图像标注方法，包括：
[0005]步骤S1、基于第一样本集合进行深度学习训练，得到标注模型，其中，所述第一样本集合中包括若干带标注的道路图像；
[0006]步骤S2、基于所述标注模型对第二样本集合进行特征提取，获取所述第二样本集合中每个道路图像的特征图；所述第二根本集合中包括若干未标注的道路图；
[0007]步骤S3、基于所述特征图对所述第二样本集合进行高价值筛选，得到高价值样本图像；基于所述高价值样本图像的标注图像对所述标注模型进行训练，得到用于道路图像标注的标注模型。
[0008]作为优选的，还包括：
[0009]步骤S4、重复步骤S1至步骤S3直至带标注的道路图像达到预设数量或所述标注模型的标注成功率达到预设阈值，基于所述标注模型进行对道路图像进行标注。
[0010]作为优选的，所述步骤S1具体包括：
[0011]获取初始样本集合，所述初始样本集合中包括若干未标注的道路图像，随机对所述初始样本集合中的多个道路图像进行图像标注，以组成第一样本集合；
[0012]初始化深度学习模型，并基于所述第一样本集合对所述深度学习模型进行训练，得到标注模型。
[0013]作为优选的，所述步骤S2中，所述第二样本集合为删除所述初始样本集合中已进行图像标注的道路图像后，得到的更新后的初始样本集合。
[0014]作为优选的，所述步骤S3具体包括：
[0015]获取所述第二样本集合中K个不确定性最高的特征图，并在K个不确定性最高的特征图中选取k个相互间最不相似的特征图，获取k个相互间最不相似的特征图对应的道路图像作为高价值图像；获取所述高价值样本图像的标注图像并加入至所述第一样本集合，基于所述第一样本集合对所述标注模型进行训练。
[0016]第二方面，本专利技术实施例提供技术方案如下：一种融合深度主动学习的道路图像标注系统，包括：
[0017]一阶训练模块，基于第一样本集合进行深度学习训练，得到标注模型，其中，所述第一样本集合中包括若干带标注的道路图像；
[0018]特征提取模块，基于所述标注模型对第二样本集合进行特征提取，获取所述第二样本集合中每个道路图像的特征图；所述第二根本集合中包括若干未标注的道路图；
[0019]二阶训练模块，基于所述特征图对所述第二样本集合进行高价值筛选，得到高价值样本图像；基于所述高价值样本图像的标注图像对所述标注模型进行训练，得到用于道路图像标注的标注模型。
[0020]作为优选的，还包括循环训练模块，所述循环训练模块连接所述一阶训练模块、特征提取模块、二阶训练模块，用于循环运行一阶训练模块、特征提取模块、二阶训练模块，所述直至带标注的道路图像达到预设数量或所述标注模型的标注成功率达到预设阈值，基于所述标注模型进行对道路图像进行标注。
[0021]作为优选的，所述二阶训练模块具体用于获取所述第二样本集合中K个不确定性最高的特征图，并在K个不确定性最高的特征图中选取k个相互间最不相似的特征图，获取k个相互间最不相似的特征图对应的道路图像作为高价值图像；获取所述高价值样本图像的标注图像并加入至所述第一样本集合，基于所述第一样本集合对所述标注模型进行训练。
[0022]第三方面，本专利技术实施例提供技术方案如下：一种电子设备，包括：
[0023]存储器，用于存储计算机软件程序；
[0024]处理器，用于读取并执行所述计算机软件程序，进而实现第一方面实施例所述的融合深度主动学习的道路图像标注方法。
[0025]第四方面，本专利技术实施例提供技术方案如下：一种非暂态计算机可读存储介质，所述存储介质中存储有用于实现如第一方面实施例所述的融合深度主动学习的道路图像标注方法的计算机软件程序。
[0026]本专利技术的有益效果是：通过训练深度学习模型实现AI自动标注的方法,并在此基础上通过主动学习策略减少训练模型所需要的标注样本数量,最终实现了一个基于深度主动学习的人机交互方法,既考虑了当前任务模型对所有道路图像的不确定性,还有挑选更具代表性的道路图像，可以用于多种道路图像的分割标注数据集构建，在无人驾驶行业与人工智能技术联系日益紧密的今天,本专利技术实施例的方法为推动道路图像标注与构建高质量带标注的道路图像数据集的智能化助力。
附图说明
[0027]图1为本专利技术实施例的融合深度主动学习的道路图像标注方法流程图；
[0028]图2为本专利技术实施例的深度主动学习流程图；
[0029]图3为本专利技术提供的电子设备的实施例示意图；
[0030]图4为本专利技术提供的计算机可读存储介质的实施例示意图。
具体实施方式
[0031]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0032]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0033]目前自动驾驶标注行业面临两个问题：一是道路图像由于其复杂性,标注工作往往需要有相关经验的专人,并且图像的标注主观性强,不同经验的人可能会给出不同的结果；二是标注工作本身需要耗费相当大的人力成本,不应该将大量时间投入到这种重复而低效的劳动中。
[0034]因此，本专利技术实施例提供一种融合深度主动学习的道路图像标注方法和系统，通过深度主动学习和人机协作,优化人工标注的工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合深度主动学习的道路图像标注方法，其特征在于，包括：步骤S1、基于第一样本集合进行深度学习训练，得到标注模型，其中，所述第一样本集合中包括若干带标注的道路图像；步骤S2、基于所述标注模型对第二样本集合进行特征提取，获取所述第二样本集合中每个道路图像的特征图；所述第二根本集合中包括若干未标注的道路图；步骤S3、基于所述特征图对所述第二样本集合进行高价值筛选，得到高价值样本图像；基于所述高价值样本图像的标注图像对所述标注模型进行训练，得到用于道路图像标注的标注模型。2.根据权利要求1所述的融合深度主动学习的道路图像标注方法，其特征在于，还包括：步骤S4、重复步骤S1至步骤S3直至带标注的道路图像达到预设数量或所述标注模型的标注成功率达到预设阈值，基于所述标注模型进行对道路图像进行标注。3.根据权利要求1所述的融合深度主动学习的道路图像标注方法，其特征在于，所述步骤S1具体包括：获取初始样本集合，所述初始样本集合中包括若干未标注的道路图像，随机对所述初始样本集合中的多个道路图像进行图像标注，以组成第一样本集合；初始化深度学习模型，并基于所述第一样本集合对所述深度学习模型进行训练，得到标注模型。4.根据权利要求3所述的融合深度主动学习的道路图像标注方法，其特征在于，所述步骤S2中，所述第二样本集合为删除所述初始样本集合中已进行图像标注的道路图像后，得到的更新后的初始样本集合。5.根据权利要求1所述的融合深度主动学习的道路图像标注方法，其特征在于，所述步骤S3具体包括：获取所述第二样本集合中K个不确定性最高的特征图，并在K个不确定性最高的特征图中选取k个相互间最不相似的特征图，获取k个相互间最不相似的特征图对应的道路图像作为高价值图像；获取所述高价值样本图像的标注图像并加入至所述第一样本集合，基于所述第一样本集合对所述标注模型进行训练。6.一种融合深度主动...

【专利技术属性】
技术研发人员：秦峰，尹玉成，张志军，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：