一种深度学习算法中数据兼容的处理方法及装置制造方法及图纸

本申请提供了一种深度学习算法中数据兼容的处理方法及装置，所述处理方法包括：获取预处理后的多个待训练视频数据；所述待训练视频数据为智能驾驶领域相关数据；针对每个待训练视频数据，对该待训练视频数据进行样本构建处理，获取该待训练视频数据的多个样本视频数据；针对每个样本视频数据，对该样本视频数据进行数据增强处理，生成包括该样本视频数据的多个具有不同频率的目标样本数据；使用多个待训练视频数据的多个目标样本数据进行模型训练，得到用于处理不同频率视频数据的目标处理模型。这样，通过本申请的技术方案，可有效解决深度学习算法中数据不兼容的问题，从而提高输出结果的准确性。出结果的准确性。出结果的准确性。

【技术实现步骤摘要】
一种深度学习算法中数据兼容的处理方法及装置


[0001]本申请涉及数据处理
，尤其是涉及一种深度学习算法中数据兼容的处理方法及装置。

技术介绍

[0002]智驾技术通过数据采集系统为后续的算法、设计提供大量的原始数据，该系统主要包含采集车及其安装的不同传感器(相机、雷达等)。运用计算机视觉领域的先进算法能够较准确地检测到采集车附近车辆、行人、车道线、交通标识等信息。然而对于采集车采集到的数据会有大量一般的场景(比如周围无环境车或者环境车匀速形式)，对于仿真系统来说这一类数据意义不大并不能有效测试自动驾驶算法的能力，因此需要利用上述的信息提取关键场景(例如切入、切出、超车、盲区遮挡、路口转弯避让等)来进行泛化仿真渲染进而测试。
[0003]现有技术中，所述采样的提取方法通常包括：1、基于规则，如在每一帧判断切入切出场景：通过当前帧前车所在车道和前n帧同车所在车道来判断前方车辆是否有变道行为。以此类推，通过人为设定相应标准参数对不同场景进行定义从而提取场景。2、基于机器学习/深度学习算法，根据周围障碍物、车道线等信息构建时序特征，再通过不同的算法框架以有监督/无监督的方式训练把不同场景提取分类。
[0004]但是，基于规则的场景提取技术，存在以下缺点：需要人为定义具体场景以及手动设定参数；参数设定泛化性不强并且难以标定，需要考虑不同情况增加不同限制条件(如上游检测算法输入出现误差需要作相应条件判断)。
[0005]现有基于机器学习/深度学习算法的场景提取技术，其缺点包括：一般使用固定n秒数据进行训练和测试，要求训练和测试数据维度一致(即数据的大小为(n*m)*f，其中m为数据的频率，f为特征的长度)，但在实际情况中m往往不一致(由于采集硬件不同、对接不同数据源等等)，影响算法精度甚至导致算法不适用。

技术实现思路

[0006]有鉴于此，本申请的目的在于提供一种深度学习算法中数据兼容的处理方法及装置，可有效解决深度学习算法中数据不兼容的问题，从而提高输出结果的准确性。
[0007]本申请实施例提供了一种深度学习算法中数据兼容的处理方法，所述处理方法包括：
[0008]获取预处理后的多个待训练视频数据；所述待训练视频数据为智能驾驶领域相关数据；
[0009]针对每个待训练视频数据，对该待训练视频数据进行样本构建处理，获取该待训练视频数据的多个样本视频数据；
[0010]针对每个样本视频数据，对该样本视频数据进行数据增强处理，生成包括该样本视频数据的多个具有不同频率的目标样本数据；
[0011]使用多个待训练视频数据的多个目标样本数据进行模型训练，得到用于处理不同频率视频数据的目标处理模型。
[0012]可选的，所述预处理包括：车道线拼接处理，主车、环境参与者、车道线、交通灯特征构建处理，重复帧删除、缺失帧线性插值补全处理，以及特征归一化处理。
[0013]可选的，所述对该样本视频数据进行数据增强处理，生成该样本数据的多个具有不同频率的目标样本数据，包括：
[0014]对该样本视频数据进行上采样处理，生成至少一个频率高于该样本视频数据的第一样本数据；
[0015]对该样本视频数据进行下采样处理，生成至少一个频率低于该样本视频数据的第二样本数据；
[0016]将所述第一样本数据、第二样本数据以及该样本视频数据确定为目标样本数据。
[0017]可选的，所述使用多个待训练视频数据的多个目标样本数据进行模型训练，得到用于处理不同频率视频数据的目标处理模型，包括：
[0018]对所述多个目标样本数据中的原始数据和数据增强处理后生成的数据设置不同的权重；
[0019]使用设置不同的权重后的目标样本数据进行有监督模型训练或无监督模型训练，得到用于处理不同频率视频数据的目标处理模型。
[0020]可选的，所述对该待训练视频数据进行样本构建处理，获取该待训练视频数据的多个样本视频数据，包括：
[0021]按预设时长对该待训练视频数据进行顺序分割，获得多个具有相同时长的子视频，其中，所述多个子视频为该待训练视频数据的多个样本视频数据。
[0022]可选的，所述多个待训练视频数据为具有相同频率的数据。
[0023]本申请实施例还提供了一种深度学习算法中数据兼容的处理装置，所述处理装置包括：
[0024]获取模块，用于获取预处理后的多个待训练视频数据；所述待训练视频数据为智能驾驶领域相关数据；
[0025]样本构建模块，用于针对每个待训练视频数据，对该待训练视频数据进行样本构建处理，获取该待训练视频数据的多个样本视频数据；
[0026]数据增强模块，用于针对每个样本视频数据，对该样本视频数据进行数据增强处理，生成包括该样本视频数据的多个具有不同频率的目标样本数据；
[0027]训练模块，用于使用多个待训练视频数据的多个目标样本数据进行模型训练，得到用于处理不同频率视频数据的目标处理模型。
[0028]可选的，所述处理装置还包括预处理模块，所述预处理模块用于：车道线拼接处理，主车、环境参与者、车道线、交通灯特征构建处理，重复帧删除、缺失帧线性插值补全处理，以及特征归一化处理。
[0029]可选的，所述数据增强模块在用于对该样本视频数据进行数据增强处理，生成该样本数据的多个具有不同频率的目标样本数据时，所述数据增强模块用于：
[0030]对该样本视频数据进行上采样处理，生成至少一个频率高于该样本视频数据的第一样本数据；
[0031]对该样本视频数据进行下采样处理，生成至少一个频率低于该样本视频数据的第二样本数据；
[0032]将所述第一样本数据、第二样本数据以及该样本视频数据确定为目标样本数据。
[0033]可选的，所述训练模块在用于使用多个待训练视频数据的多个目标样本数据进行模型训练，得到用于处理不同频率视频数据的目标处理模型时，所述训练模块用于：
[0034]对所述多个目标样本数据中的原始数据和数据增强处理后生成的数据设置不同的权重；
[0035]使用设置不同的权重后的目标样本数据进行有监督模型训练或无监督模型训练，得到用于处理不同频率视频数据的目标处理模型。
[0036]可选的，所述样本构建模块在用于对该待训练视频数据进行样本构建处理，获取该待训练视频数据的多个样本视频数据时，所述样本构建模块用于：
[0037]按预设时长对该待训练视频数据进行顺序分割，获得多个具有相同时长的子视频，其中，所述多个子视频为该待训练视频数据的多个样本视频数据。
[0038]可选的，所述多个待训练视频数据为具有相同频率的数据。
[0039]本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的处理方法的步骤。
[0040]本申请实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习算法中数据兼容的处理方法，其特征在于，所述处理方法包括：获取预处理后的多个待训练视频数据；所述待训练视频数据为智能驾驶领域相关数据；针对每个待训练视频数据，对该待训练视频数据进行样本构建处理，获取该待训练视频数据的多个样本视频数据；针对每个样本视频数据，对该样本视频数据进行数据增强处理，生成包括该样本视频数据的多个具有不同频率的目标样本数据；使用多个待训练视频数据的多个目标样本数据进行模型训练，得到用于处理不同频率视频数据的目标处理模型。2.根据权利要求1所述的处理方法，其特征在于，所述预处理包括：车道线拼接处理，主车、环境参与者、车道线、交通灯特征构建处理，重复帧删除、缺失帧线性插值补全处理，以及特征归一化处理。3.根据权利要求1所述的处理方法，其特征在于，所述对该样本视频数据进行数据增强处理，生成该样本数据的多个具有不同频率的目标样本数据，包括：对该样本视频数据进行上采样处理，生成至少一个频率高于该样本视频数据的第一样本数据；对该样本视频数据进行下采样处理，生成至少一个频率低于该样本视频数据的第二样本数据；将所述第一样本数据、第二样本数据以及该样本视频数据确定为目标样本数据。4.根据权利要求1所述的处理方法，其特征在于，所述使用多个待训练视频数据的多个目标样本数据进行模型训练，得到用于处理不同频率视频数据的目标处理模型，包括：对所述多个目标样本数据中的原始数据和数据增强处理后生成的数据设置不同的权重；使用设置不同的权重后的目标样本数据进行有监督模型训练或无监督模型训练，得到用于处理不同频率视频数据的目标处理模型。5.根据权利要求1所述的处理方法，其特征在于，所述对该待训练视频数据进行样本构建处理，获取该待训练视频数据的多个样本视频数据，包括：按预设时长对该待训练视频数据进行顺序分割，获得多...

【专利技术属性】
技术研发人员：何丰，叶云飞，徐显涛，杨强，
申请(专利权)人：北京赛目科技股份有限公司，
类型：发明
国别省市：