图像数据集处理方法技术

本公开实施例提供了一种图像数据集处理方法

【技术实现步骤摘要】
图像数据集处理方法、装置、设备及存储介质


[0001]本公开实施例涉及图像处理
，尤其涉及一种图像数据集处理方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]众所周知，自动驾驶的发展和人工智能技术进步密不可分，数据
、
算力和算法作为人工智能的三要素显著影响着自动驾驶技术的成熟度，而在这三要素中，数据有着举足轻重的作用
。
人工智能只有经过大量数据的训练，才能总结出规律
。
人工智能在实际应用中，如果出现了训练集中从未有过的场景，则人工智能基本处于盲猜状态，从而出现预测错误的情况，因此可靠并且高质量的数据在自动驾驶开发过程中的作用就显得尤为重要
。
[0003]虽然高等级自动驾驶测试车每天采集的数据量是太字节
(TB)
级别的容量，且需要拍字节
(PB)
级的存储空间，但这些数据中，可用于训练自动驾驶的价值数据大约小于或等于5％
。
如何在海量的数据中找到当前最有价值的困难样本，并优先对这些困难样本进行标注，加速自动驾驶模型迭代及算法量产化，是亟需待解决的问题
。

技术实现思路

[0004]本公开实施例提供一种图像数据集处理方法
、
装置
、
设备及存储介质，可以提高图像数据集处理的准确率
。
[0005]第一方面，本公开实施例提供了一种图像数据集处理方法，包括：获取初始自动驾驶图像数据集；其中，所述初始自动驾驶图像数据集包括多个初始自动驾驶图像以及对应的标注；将所述初始图像数据集分别输入至第一自动驾驶检测模型和第二自动驾驶检测模型中，分别获得第一图像检测结果和第二图像检测结果；比对所述第一图像检测结果和所述第二图像检测结果，获得比对结果；根据所述比对结果确定比对类型；其中，所述第一图像检测结果作为基准检测结果；所述比对类型包括真正例
、
假正例及假反例；根据所述比对类型确定所述多个初始自动驾驶图像的评估得分；根据所述多个初始自动驾驶图像的评估得分从所述初始自动驾驶图像数据集中筛选出目标自动驾驶图像数据集，并对所述目标自动驾驶图像数据集中的标注进行调整
。
[0006]第二方面，本公开实施例还提供了一种图像数据集处理装置，包括：初始自动驾驶图像数据集获取模块，用于获取初始自动驾驶图像数据集；其中，所述初始自动驾驶图像数据集包括多个初始自动驾驶图像以及对应的标注；图像检测结果获得模块，用于将所述初始图像数据集分别输入至第一自动驾驶检测模型和第二自动驾驶检测模型中，分别获得第一图像检测结果和第二图像检测结果；图像检测结果比对模块，用于比对所述第一图像检测结果和所述第二图像检测结果，获得比对结果；比对类型确定模块，用于根据所述比对结果确定比对类型；其中，所述第一图像检测结果作为基准检测结果；所述比对类型包括真正例
、
假正例及假反例；评估得分确定模块，用于根据所述比对类型确定所述多个初始自动驾驶图像的评估得分；目标自动驾驶图像数据集筛选模块，用于根据所述多个初始自动驾驶
图像的评估得分从所述初始自动驾驶图像数据集中筛选出目标自动驾驶图像数据集，并对所述目标自动驾驶图像数据集中的标注进行调整
。
[0007]第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
[0008]一个或多个处理器；
[0009]存储装置，用于存储一个或多个程序，
[0010]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例所述的图像数据集处理方法
。
[0011]第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的图像数据集处理方法
。
[0012]本实施例公开的技术方案，获取初始自动驾驶图像数据集；其中，初始自动驾驶图像数据集包括多个初始自动驾驶图像以及对应的标注；将初始图像数据集分别输入至第一自动驾驶检测模型和第二自动驾驶检测模型中，分别获得第一图像检测结果和第二图像检测结果；比对第一图像检测结果和第二图像检测结果，获得比对结果；根据比对结果确定比对类型；其中，第一图像检测结果作为基准检测结果；比对类型包括真正例
、
假正例及假反例；根据比对类型确定多个初始自动驾驶图像的评估得分；根据多个初始自动驾驶图像的评估得分从初始自动驾驶图像数据集中筛选出目标自动驾驶图像数据集，并对目标自动驾驶图像数据集中的标注进行调整
。
本公开实施例，通过根据第一图像检测结果和第二图像检测结果之间的比对结果确定比对类型，根据比对类型确定初始自动驾驶图像的评估得分；根据初始自动驾驶图像的评估得分筛选出目标自动驾驶图像数据集的方式，可以提高图像数据集处理的准确率
。
附图说明
[0013]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征
、
优点及方面将变得更加明显
。
贯穿附图中，相同或相似的附图标记表示相同或相似的元素
。
应当理解附图是示意性的，原件和元素不一定按照比例绘制
。
[0014]图1为本专利技术实施例提供的一种图像数据集处理方法流程示意图；
[0015]图2为本专利技术实施例提供的另一种图像数据集处理方法的流程图；
[0016]图3为本专利技术实施例提供的交并比与交并比评估得分的效果示意图；
[0017]图4为本专利技术实施例提供的一种置信度与第二评估得分之间的效果示意图；
[0018]图5为本专利技术实施例提供的一种置信度与第一评估得分之间的效果示意图；
[0019]图6为本专利技术实施例提供的一种面积与第二评估得分之间的效果示意图；
[0020]图7为本专利技术实施例提供的一种面积与第一评估得分之间的效果示意图；
[0021]图8为本专利技术实施例提供的第一图像检测结果的效果示意图；
[0022]图9为本专利技术实施例提供的第二图像检测结果的效果示意图；
[0023]图
10
为本公开实施例所提供的一种图像数据集处理装置结构示意图；
[0024]图
11
为本公开实施例所提供的一种电子设备的结构示意图
。
具体实施方式
[0025]下面将参照附图更详细地描述本公开的实施例
。
虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开
。
应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围
。
[0026]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像数据集处理方法，其特征在于，包括：获取初始自动驾驶图像数据集；其中，所述初始自动驾驶图像数据集包括多个初始自动驾驶图像以及对应的标注；将所述初始图像数据集分别输入至第一自动驾驶检测模型和第二自动驾驶检测模型中，分别获得第一图像检测结果和第二图像检测结果；比对所述第一图像检测结果和所述第二图像检测结果，获得比对结果；根据所述比对结果确定比对类型；其中，所述第一图像检测结果作为基准检测结果；所述比对类型包括真正例
、
假正例及假反例；根据所述比对类型确定所述多个初始自动驾驶图像的评估得分；根据所述多个初始自动驾驶图像的评估得分从所述初始自动驾驶图像数据集中筛选出目标自动驾驶图像数据集，并对所述目标自动驾驶图像数据集中的标注进行调整
。2.
根据权利要求1所述的方法，其特征在于，其中，每个初始自动驾驶图像包括至少一个目标对象；所述第一图像检测结果包括至少一个目标对象的第一检测框信息
、
所述至少一个目标对象分别对应的第一类别
、
所述第一类别的第一置信度及所述第一检测框信息对应的第一面积；所述第二图像检测结果包括至少一个目标对象的第二检测框信息
、
所述至少一个目标对象分别对应的第二类别
、
所述第二类别对应的第二置信度
、
所述第二检测框信息对应的第二面积；所述比对结果包括类别比对结果，比对所述第一图像检测结果和所述第二图像检测结果，获得比对结果，包括：比对所述第一类别和所述第二类别，获得类别比对结果；其中，所述类别比对结果包括类别比对一致和类别比对不一致
。3.
根据权利要求2所述的方法，其特征在于，根据所述比对结果确定比对类型，包括：根据第一检测框信息和所述第二检测框信息确定交并比；根据所述第一面积和
/
或第二面积确定第一交并比设定值；若所述交并比大于或等于第一交并比设定值，且所述类别比对结果为类别比对一致，则将所述比对类型确定为真正例；若所述交并比小于第一交并比设定值和或所述类别比对结果为类别比对不一致，则将所述比对类型确定为假正例及假反例；或者；所述第一图像检测结果中包括目标对象的第一检测框信息，所述第二图像检测结果中不包括所述目标对象的第二检测框信息，则将所述比对类型确定为假反例；所述第一图像检测结果中不包括目标对象的第一检测框信息，所述第二图像检测结果中包括所述目标对象的第二检测框信息，则将所述比对类型确定为假正例
。4.
根据权利要求3所述的方法，其特征在于，根据所述比对类型确定所述多个初始自动驾驶图像的评估得分，包括：对于任意一个初始自动驾驶图像的评估得分，根据比对类型确定初始自动驾驶图像中目标对象的评估得分；确定所述初始自动驾驶图像的场景得分；根据所述目标对象的评估得分和所述场景得分确定初始自动驾驶图像的评估得分
。5.
根据权利要求4所述的方法，其特征在于，根据比对类型确定初始自动驾驶图像中目
标对象的评估得分，包括：根据比对类型确定目标对象的交并比得分
、
置信度得分及面积得分中的至少一个；获取目标对象对应的预先设置的类别得分；根据所述交并比得分
、
所述置信度得分
、
所述面积得分以及所述类别得分中的至少一项确定目标对象的评估得分
。6.
根据权利要求5所述的方法，其特征在于，根据比对类型确定目标对象的交并比得分，包括：根据所述第一面积和
/
或第二面积确定第二交并比设定值；其中，所述第二交并比设定值大于所述第一交并比设定值；根据所述比对类型
、
所述第一交并比设定值
、
第二交并比设定值以及所述交并比确定交并比评估得分
。7.
根据权利要求6所述的方法，其特征在于，根据所述比对类型
、
所述第一交并比设定值
、
第二交并比设定值以及所述交并比确定交并比评估得分，包括：若所述比对类型为假正例或假反例，且所述交并比小于所述第一交并比设定值，则交并比评估得分为第一设定交并比评估得分；若所述比对类型为真正例，且所述交并比大于或等于所述第二交并比设定值，则交并比评估得分为第二设定交并比评估得分；若所述比对类型为真正例，且所述交并比落入所述第一交并比设定值和第二交并比设定值构成的区间之内，则根据第二交并比设定值和所述交并比确定第一交并比评估得分；根据所述第二交并比设定值和所述第一交并比设定值确定第二交并比评估得分；根据所述第一交并比评估得分和所述第二交并比评估得分确定交并比评估得分
。8.
根据权利要求5所述的方法，其特征在于，根据比对类型确定目标对象的置信度得分，包括：若所述比对类型为假正例，则确定第二置信度的第一评估得分，将所述第二置信度的第一评估得分作为目标对象的置信度得分；若所述比对类型为假反例，则确定第一置信度的第一评估得分，将所述第一置信度的第一评估得分作为目标对象的置信度得分；若所述比对类型为真正例，则分别确定第一置信度的第二评估得分和第二置信度的第二评估得分，根据第一置信度的第二评估得分和第二置信度的第二评估得分确定目标对象的置信度得分
。9.
根据权利要求8所述的方法，其特征在于，确定第一置信度的第一评估得分，或者，确定第二置信度的第一评估得分，包括：获取第一置信度阈值和第二置信度阈值；其中，所述第二置信度阈值大于所述第一置信度阈值；若所述第一置信度或所述第二置信度小于第一置信度阈值，则将第一设定置信度得分作为第一置信度的第一评估得分或者第二置信度的第一评估得分；若所述第一置信度大于或等于第二置信度阈值，或者，所述第二置信度大于或等于第二置信度阈，则将第二设定置信度得分作为第一置信度的第一评估得分或者第二置信度的第一评估得分；
若所述第一置信度落入所述第一置信度阈值和所述第二置信度阈值构成的区间之内，则根据所述第一置信度
、
所述第二置信度阈值和所述第一置信度阈值确定第一置信度得分；根据所述第二置信度阈值和所述第一置信度阈值确定第二置信度得分；根据所述第一置信度得分和所述第二置信度得分确定第一置信度的第一评估得分；或者；若所述第二置信度落入所述第一置信度阈值和所述第二置信度阈值构成的区间之内，则根据所述第二置信度
、
所述第二置信度阈值和所述第一置信度阈值确定第三置信度得分；根据...

【专利技术属性】
技术研发人员：徐倩，杨鑫，贾楠，熊光银，
申请(专利权)人：成都市卡蛙科技有限公司，
类型：发明
国别省市：