【技术实现步骤摘要】
本专利技术涉及自动泊车，尤其涉及一种基于少样本学习的车位标注方法。
技术介绍
1、近年来，以卷积神经网络为代表的深度学习技术凭借其强大的特征学习能力，在图像目标检测领域的应用越来越广泛。深度学习模型需要通过大量的数据来训练，不同的数据集需要标注不同的数据。例如，在图像识别任务中，需要标注每个图像中的物体、人物、场景等信息。这些训练数据通常需要将数据与其对应的标签一一对应，以便深度学习模型能够从中学习到正确的模式和规律，从而提高预测准确率。
2、标注数据需要专业人员进行标注，且标注过程需严格按照标注规范进行，以避免标注错误对深度学习模型的学习产生不良影响。此外，标注数据需要有一定的规模和多样性，以便深度学习模型能够学习到更多的模式和规律，提高预测准确率。
3、目前，训练数据的制备通常依靠人力标注，配合一些交互式的辅助标注工具(如labelme,labelimg等)可以在一定程度上减轻了标注者的负担。这些标注工具提供了在图片上画多边形边界、注释物体类别等基本功能。尽管如此，但目前几乎所有的标注工具，都需要人工干预，当涉及到关键点和分割点标注，单个目标的标注耗时达到了数十秒甚至几分钟，整体的标注效率仍然非常低下；另外，标注软件的标注结果受到标注规则的限制，无法处理规则之外的特殊情况；且标注软件的标注规则通常是固定的，无法随着领域的变化而动态调整。
技术实现思路
1、本专利技术提供一种基于少样本学习的车位标注方法，旨在解决现有技术中的缺陷，提高车位标注的效率。>
2、为达到上述目的，本专利技术所采取的技术方案为：
3、一种基于少样本学习的车位标注方法，包括：
4、步骤1、对目标训练库中车位图像样本的初定标注数据根据预设规则进行泛化筛选，生成目标车位图像样本；
5、步骤2、对所述目标车位图像样本进行少样本标注，得到目标车位标注图像；
6、步骤3、单个网络模型根据所述目标车位标注图像进行少样本学习；
7、步骤4、将所述目标车位图像样本按照第五规则五等分，按照五折交叉验证方法根据预设参数对所述单个网络模型进行少样本训练，输出对应的训练后的单个网络模型，并将所述训练后的单个网络模型拼接为目标大模型；
8、步骤5、使用所述目标大模型对新采集的车位图像进行标注，生成标注文件。
9、具体地，所述步骤1包括：
10、步骤101、根据第一预设规则计算每张所述车位图像样本的md5值，并将md5值作为对应车位图像样本的名称；
11、步骤102、根据第二规则从所述车位图像样本中筛选出中间车位图像样本；
12、步骤103、根据第三规则从所述中间车位图像样本中生成目标车位图像样本。
13、具体地，所述第一预设规则为：利用哈希函数n*512+r按照512bit作为一个分组。
14、具体地，所述第二规则为：计算出所有所述md5值最后一位数字的众数，并将所有所述md5值对所述众数取余，筛选余数为0的md5值对应的车位图像样本作为中间车位图像样本。
15、具体地，所述第三规则为：计算每张所述中间车位图像样本的梯度，并将梯度差值小于预设值的一对中间车位图像样本的其中一张删除。
16、具体地，所述步骤2包括：
17、步骤201、利用标注工具确定所述目标车位图像样本中每条车位边框线的关键点个数，按照预设标注规则对所述车位边框线顺时针依次进行五点标注，分别得到上边框标注线、下边框标注线，所述预设标注规则为：第一标注点、第五标注点连线的斜率与第三标注点、第四标注点连线的斜率相同；
18、步骤202、将相邻的所述上边框标注线、下边框标注线配对为同一回归框，得到目标车位标注图像。
19、具体地，所述步骤3包括：
20、步骤301、对所述目标训练库中车位图像样本进行数据增强后生成倍增车位图像样本；
21、步骤302、通过神经网络对所述倍增车位图像样本进行特征图提取，并对所述特征图进行归一化处理，生成目标特征图；
22、步骤303、单个网络模型根据所述目标特征图按照第四规则进行少样本学习。
23、具体地，所述第四规则为：对于所述倍增车位图像样本中任意一车位图像样本，根据预设损失函数在其余车位图像样本中确定对应的特异性车位图像样本，所述特异性车位图像样本为：所述任意一车位图像样本与其距离最近，同时与所述特异性车位图像样本之外的图片距离最远。
24、具体地，所述预设损失函数为：
25、
26、
27、其中，lsup表示总损失，表示车位图像样本i的损失，yi代表样本的真实标签，zi代表样本预测的概率值，zj代表同类样本预测的概率值，zk代表不同类样本预测的概率值，exp()表示指数运算，log()表示对数运算，n表示样本总数，τ表示温度系数。
28、具体地，所述第五规则为：对所述回归框统计求和，并将其五等分，每份数据中所述回归框的数量相差在预设数量内。
29、本专利技术的有益效果在于：本专利技术针对目前包含回归框检测和关键点检测的车位检测技术中的手工标注训练数据耗时问题，通过使用少部分已标注的停车位信息，使用少样本学习和多模型集成的方式，提取并利用少量已有信息自动标注，其召回率、查准率皆优于单个网络模型，从而提高了车位标注的效率。
本文档来自技高网...【技术保护点】
1.一种基于少样本学习的车位标注方法，其特征在于，包括：
2.根据权利要求1所述的基于少样本学习的车位标注方法，其特征在于，所述步骤1包括：
3.根据权利要求2所述的基于少样本学习的车位标注方法，其特征在于，所述第一预设规则为：利用哈希函数N*512+R按照512bit作为一个分组。
4.根据权利要求3所述的基于少样本学习的车位标注方法，其特征在于，所述第二规则为：计算出所有所述MD5值最后一位数字的众数，并将所有所述MD5值对所述众数取余，筛选余数为0的MD5值对应的车位图像样本作为中间车位图像样本。
5.根据权利要求4所述的基于少样本学习的车位标注方法，其特征在于，所述第三规则为：计算每张所述中间车位图像样本的梯度，并将梯度差值小于预设值的一对中间车位图像样本的其中一张删除。
6.根据权利要求1所述的基于少样本学习的车位标注方法，其特征在于，所述步骤2包括：
7.根据权利要求1所述的基于少样本学习的车位标注方法，其特征在于，所述步骤3包括：
8.根据权利要求7所述的基于少样本学习的车位标注方法
9.根据权利要求8所述的基于少样本学习的车位标注方法，其特征在于，所述预设损失函数为：
10.根据权利要求6所述的基于少样本学习的车位标注方法，其特征在于，所述第五规则为：对所述回归框统计求和，并将其五等分，每份数据中所述回归框的数量相差在预设数量内。
...【技术特征摘要】
1.一种基于少样本学习的车位标注方法，其特征在于，包括：
2.根据权利要求1所述的基于少样本学习的车位标注方法，其特征在于，所述步骤1包括：
3.根据权利要求2所述的基于少样本学习的车位标注方法，其特征在于，所述第一预设规则为：利用哈希函数n*512+r按照512bit作为一个分组。
4.根据权利要求3所述的基于少样本学习的车位标注方法，其特征在于，所述第二规则为：计算出所有所述md5值最后一位数字的众数，并将所有所述md5值对所述众数取余，筛选余数为0的md5值对应的车位图像样本作为中间车位图像样本。
5.根据权利要求4所述的基于少样本学习的车位标注方法，其特征在于，所述第三规则为：计算每张所述中间车位图像样本的梯度，并将梯度差值小于预设值的一对中间车位图像样本的其中一张删除。
6.根据权利...
【专利技术属性】
技术研发人员：陈向荣，
申请(专利权)人：惠州华阳通用电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。