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：