CN109635853A - 基于计算机图形技术自动生成人工智能训练样本的方法 - Google Patents
基于计算机图形技术自动生成人工智能训练样本的方法 Download PDFInfo
- Publication number
- CN109635853A CN109635853A CN201811415320.8A CN201811415320A CN109635853A CN 109635853 A CN109635853 A CN 109635853A CN 201811415320 A CN201811415320 A CN 201811415320A CN 109635853 A CN109635853 A CN 109635853A
- Authority
- CN
- China
- Prior art keywords
- training sample
- artificial intelligence
- computer graphics
- article
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于计算机图形技术自动生成人工智能训练样本的方法,所述方法包括:根据所需训练样本的需求搭建虚拟场景、调整镜头参数;通过输入控制参数动态生成训练样本;获取训练样本中包含的特定信息生成相应训练样本的标签。本发明基于计算机图形技术自动生成人工智能训练样本的方法通过搭建虚拟场景,能够高效率、全自动获得人工智能像识别在训练过程中需要的图像、视频样本及标签,并且通过可视化引擎实现全自由度、多角度画面,获得精确的对象蒙版(又称实例语义标签),极大方便了样本收集,解决了高危场景难以获得样本的问题,大大降低了训练样本获取成本,具有广阔的市场前景。
Description
技术领域
本发明涉及计算机图形技术和人工智能领域,尤其涉及一种基于计算机图形技术自动生成人工智能训练样本的方法。
背景技术
人工智能依靠对神经网络进行训练获得对结果进行预测的能力,而训练本身依赖大量的已知结果的样本,大量样本数据的获取本身就是制约人工智能发展的一个瓶颈,而在获得预测模型前,标记结果(又称打标签)又只能通过大量的人工手段来完成,这给人工智能带来了庞大的成本,更加限制了人工智能的发展和应用。
图像识别是人工智能的一大分支,其中又包括静态图像和动态视频两个类别,两个分支的样本都基于通过人工拍摄获得的数字化图像,标签也全是靠人工标记,尤其是对视频打标签由于其连续性要求及每秒就产生30张图片,标签成本更加高昂。另外,在无人驾驶、智慧城市等领域,一旦涉及到需要车祸、火灾的样本,高昂的代价可能导致项目无法执行。
因此,现有技术有待于进一步发展。
发明内容
针对上述技术问题,本发明实施例提供了一种基于计算机图形技术自动生成人工智能训练样本的方法,其方案具体如下:
一种基于计算机图形技术自动生成人工智能训练样本的方法,其中,所述方法包括:
根据所需训练样本的需求搭建虚拟场景、调整镜头参数;
通过输入控制参数动态生成训练样本;
获取训练样本中包含的特定信息生成相应训练样本的标签。
所述的基于计算机图形技术自动生成人工智能训练样本的方法,其中,所述根据所需训练样本的需求搭建虚拟场景具体为:基于真实拍摄的样本制作三维场景并利用计算机图形技术建立场景中物品的三维模型,并模拟镜头参数,从而通过计算机图形技术渲染生成逼真的样本。
所述的基于计算机图形技术自动生成人工智能训练样本的方法,其中,所制作的三维场景中,动态化模拟自然因素、随机规则、行为法则及镜头参数。
所述的基于计算机图形技术自动生成人工智能训练样本的方法,其中,所述通过输入控制参数动态生成训练样本具体为:
基于输入的控制参数对场景及场景中的对象进行重新构建并渲染,生成样本图片。
所述的基于计算机图形技术自动生成人工智能训练样本的方法,其中,控制参数的输入通过预设规则下的随机算法随机生成或者通过输入预定控制参数生成。
所述的基于计算机图形技术自动生成人工智能训练样本的方法,其中,所述获取训练样本中包含的特定信息生成相应训练样本的标签,具体为:
渲染生成的样本图片中包含训练后人工智能所要识别的特定物品,获取虚拟场景中该物品的空间位置、在样本图片中的区域、物品类型及属性信息,并利用这些信息自动生成相应样本图片的标签。
所述的基于计算机图形技术自动生成人工智能训练样本的方法,其中,所述渲染生成的样本图片中包含训练后人工智能所要识别的特定物品,获取虚拟场景中该物品的空间位置、在样本图片中的区域、物品类型及属性信息,并利用这些信息自动生成相应样本图片的标签,具体为:
渲染生成的样本图片中包含的各物品并从图形渲染Buffer中提取各物品在样本图片中的像素点位;
基于计算结果生成对应样本物品独立的蒙版图片组,获取各物品在蒙版图片中位置信息;
对识别出的物品在三维模型生成信息表中查询其对应信息;
利用计算得到位置信息和查询到的对应信息生成标签。
所述的基于计算机图形技术自动生成人工智能训练样本的方法,其中,将计算得到的物品的位置信息和查询到的三维模型生成信息表中的对应信息按标准数据格式写入xml或json文档作为标签。
有益效果
本发明基于计算机图形技术自动生成人工智能训练样本的方法通过搭建虚拟场景,能够高效率、全自动获得人工智能像识别在训练过程中需要的图像、视频样本及标签,并且通过可视化引擎实现全自由度、多角度画面,获得精确的对象蒙版(又称实例语义标签),极大方便了样本收集,解决了高危场景难以获得样本的问题,大大降低了训练样本获取成本,具有广阔的市场前景。
附图说明
图1为本发明实施例的基于计算机图形技术自动生成人工智能训练样本的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示的一种基于计算机图形技术自动生成人工智能训练样本的方法,其中,所述方法包括:
S100、根据所需训练样本的需求搭建虚拟场景。
基于实拍样本范例制作三维场景并利用计算机图形技术建立场景中物品的三维模型。在虚拟场景中模拟真实效果,例如新零售的售货机、船行驶的河道、汽车行驶的城市街道等等,一比一场景搭建,实时光照渲染等技术使场景达到拟真效果,并动态化模拟自然因素,如河面的波浪,天气的变化等多种状态,减少训练样本的固定性和单一性。
S200、通过输入控制参数动态生成训练样本。
基于输入的控制参数对场景进行渲染,利用渲染后场景生成样本图片。
其中,控制参数的输入通过预设随机算法随机生成或者通过输入预定控制参数生成。这样就使得本发明构建的***具有交互和模拟功能,以无人驾驶样本及标签生成为例:在大街上来来往往的人和车辆,通过交互功能能够实现手动控制每个人、每辆车行驶的速度和路线,实时的对场景进行控制、修改。通过模拟功能实时模拟场景物品交互,比如车辆撞到路边的垃圾桶,垃圾桶被撞飞等情景,通过可视化引擎进行实时的模拟运算来实现效果模拟。
完成场景搭建后,则放入需要进行识别的对象实例,动态生成包含该对象的样本。例如在无人驾驶中,动态添加其他车辆在马路上行驶并记录信息。将用于采样的车辆实例也添加进场景中,并设好镜头位置与视角等参数,在规定的路线上进行录像并存储。这里存储的样本视频不但包含模拟主摄像头的RGB画面,还包括模拟渲染的距离感知画面、语义图画面内容。
S300、获取训练样本中包含的特定信息生成相应训练样本的标签。
识别样本图片中包含训练后人工智能所要识别的特定物品,获取虚拟场景中该物品的空间位置、在样本图片中的区域、物品类型及属性信息,并利用这些信息自动生成相应样本图片的标签。该步骤可进一步表述为:
识别样本图片中包含的各物品并从图形渲染Buffer中提取各物品在样本图片中的像素点位;
基于计算结果生成对应样本物品独立的蒙版图片组,获取各物品在蒙版图片中位置信息;
对识别出的物品在三维模型生成信息表中查询其对应信息;
利用计算得到位置信息和查询到的对应信息生成标签。
例如无人驾驶训练样本获取过程中,首先虚拟场景模拟拍摄到车辆进行三维渲染生成样本,继而每个车辆在生成时都有自带信息,包含:车辆类型、车辆规格、车辆位置等信息,获得车辆信息后即得到所需标签内容,最后生成标签。
进一步的,将计算得到的物品的位置信息和查询到的三维模型生成信息表中的对应信息按标准数据格式写入xml或json文档作为标签。
本发明方法可应用于自动驾驶、桥梁防撞***相关的人工智能训练样本的生成中,自动驾驶、桥梁防撞***人工智能训练过程中需要大量的负样本,即撞车、撞桥的视频样本,利用传统方法获取这些样本不但成本高昂,而且充满危险。而本发明方法则利用计算机图形技术建立车辆、船舶、桥梁以及各种环境物品的三维模型,三维模型建立后对照真实拍摄的视频样本来制作高逼真度的三维场景,渲染出与真实拍摄样本高度相似的渲染图像,实现这样的基础环境后,要通过程序控制汽车、船舶的三维模型来在计算机渲染出的虚拟环境中,实现对车祸、船舶撞击桥梁的模拟,这其中涉及可参数控制的动画技术以及物理仿真技术,从而就能自动的、大量的生成撞车、撞桥的负样本,甚至可以通过图像分层融合技术将这些样本融合进拍摄获得的正样本中生成更为逼真的负样本,提供给人工智能训练使用。而由于整个撞车、撞桥过程是由计算机程序控制模拟生成的,整个过程所有对象都是纯数字对象,而非现实对象,因此这些数字对象的速度、位置、加速度、航向、甚至它们在画面中占用的像素点位(又称为蒙版)信息都可以直接获得生成标注,而无需进行人工标注。人工打标签的方式对于视频每秒30张图片无法确保精确打标签,而且还需要先蒙版再标签,工作效率低且标签精确度低。
再以智能零售柜的人工智能训练样本生成为例对本发明方法进行说明,样本生成需要3步,1、随机生成饮料数量并根据算法设定随机生成摆放位置,再对场景进行渲染生成样本图片。2、生成样本图片后,程序自动计算每个物品在样本图片的像素位置,画出一幅独立的蒙版图片。3、根据黑白蒙版图计算出每个物品在图片中的方框范围,并附上物品对应信息(如物品是可乐还是雪碧),再将这些信息按标准数据格式写入xml、json或其他格式文档记录作为标签,完成整个样本和标签生成的过程。
本发明基于计算机图形技术自动生成人工智能训练样本的方法通过搭建虚拟场景,能够高效率、全自动获得人工智能像识别在训练过程中需要的图像、视频样本及标签,并且通过可视化引擎实现全自由度、多角度画面,获得精确的对象蒙版(又称实例语义标签),极大方便了样本收集,解决了高危场景难以获得样本的问题,大大降低了训练样本获取成本,具有广阔的市场前景。可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及本发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于计算机图形技术自动生成人工智能训练样本的方法,其特征在于,所述方法包括:
根据所需训练样本的需求搭建虚拟场景、调整镜头参数;
通过输入控制参数动态生成训练样本;
获取训练样本中包含的特定信息生成相应训练样本的标签。
2.根据权利要求1所述的基于计算机图形技术自动生成人工智能训练样本的方法,其特征在于,所述根据所需训练样本的需求搭建虚拟场景具体为:基于真实场景下拍摄的图片、视频样本制作三维场景并利用计算机图形技术建立场景中物品的三维模型。
3.根据权利要求2所述的基于计算机图形技术自动生成人工智能训练样本的方法,其特征在于,所制作的三维场景中,动态化模拟自然因素、随机规则、行为法则及镜头参数。
4.根据权利要求3所述的基于计算机图形技术自动生成人工智能训练样本的方法,其特征在于,所述通过输入控制参数动态生成训练样本具体为:
基于输入的控制参数对场景及场景中的对象进行重新构建并渲染,生成样本图片。
5.根据权利要求4所述的基于计算机图形技术自动生成人工智能训练样本的方法,其特征在于,控制参数的输入通过预设规则下的随机算法随机生成或者通过输入预定控制参数生成。
6.根据权利要求5所述的基于计算机图形技术自动生成人工智能训练样本的方法,其特征在于,所述获取训练样本中包含的特定信息生成相应训练样本的标签,具体为:
渲染生成的样本图片中包含训练后人工智能所要识别的特定物品,获取虚拟场景中该物品的空间位置、在样本图片中的区域、物品类型及属性信息,并利用这些信息自动生成相应样本图片的标签。
7.根据权利要求6所述的基于计算机图形技术自动生成人工智能训练样本的方法,其特征在于,所述渲染生成的样本图片中包含训练后人工智能所要识别的特定物品,获取虚拟场景中该物品的空间位置、在样本图片中的区域、物品类型及属性信息,并利用这些信息自动生成相应样本图片的标签,具体为:
渲染生成的样本图片中包含的各物品并从图形渲染Buffer中提取各物品在样本图片中的像素点位;
基于计算结果生成对应样本物品独立的蒙版图片组,获取各物品在蒙版图片中位置信息;
对识别出的物品在三维模型生成信息表中查询其对应信息;
利用计算得到位置信息和查询到的对应信息生成标签。
8.根据权利要求7所述的基于计算机图形技术自动生成人工智能训练样本的方法,其特征在于,将计算得到的物品的位置信息和查询到的三维模型生成信息表中的对应信息按标准数据格式写入xml或json文档作为标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415320.8A CN109635853A (zh) | 2018-11-26 | 2018-11-26 | 基于计算机图形技术自动生成人工智能训练样本的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415320.8A CN109635853A (zh) | 2018-11-26 | 2018-11-26 | 基于计算机图形技术自动生成人工智能训练样本的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635853A true CN109635853A (zh) | 2019-04-16 |
Family
ID=66069126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811415320.8A Pending CN109635853A (zh) | 2018-11-26 | 2018-11-26 | 基于计算机图形技术自动生成人工智能训练样本的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635853A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188790A (zh) * | 2019-04-17 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 图片样本的自动化生成方法和*** |
CN110378999A (zh) * | 2019-06-24 | 2019-10-25 | 南方电网科学研究院有限责任公司 | 训练样本中目标物体的目标框标注方法、装置及存储介质 |
CN110378336A (zh) * | 2019-06-24 | 2019-10-25 | 南方电网科学研究院有限责任公司 | 训练样本中目标物体的语义级标注方法、装置及存储介质 |
CN110852332A (zh) * | 2019-10-29 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 训练样本的生成方法、装置、存储介质及电子设备 |
CN111160261A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 用于自动售货柜的样本图像标注方法、装置及存储介质 |
CN111222416A (zh) * | 2019-12-24 | 2020-06-02 | 杭州威佩网络科技有限公司 | 一种样本数据生成方法、装置及*** |
CN111274927A (zh) * | 2020-01-17 | 2020-06-12 | 北京三快在线科技有限公司 | 一种训练数据的生成方法、装置、电子设备和存储介质 |
CN111325984A (zh) * | 2020-03-18 | 2020-06-23 | 北京百度网讯科技有限公司 | 样本数据的获取方法、装置和电子设备 |
CN111539178A (zh) * | 2020-04-26 | 2020-08-14 | 成都市深思创芯科技有限公司 | 一种基于神经网络的芯片版图设计方法和***及制作方法 |
CN112529022A (zh) * | 2019-08-28 | 2021-03-19 | 杭州海康威视数字技术股份有限公司 | 一种训练样本的生成方法及装置 |
CN112699906A (zh) * | 2019-10-22 | 2021-04-23 | 杭州海康威视数字技术股份有限公司 | 获取训练数据的方法、装置及存储介质 |
CN112712098A (zh) * | 2019-10-25 | 2021-04-27 | 北京四维图新科技股份有限公司 | 图像数据处理方法及装置 |
CN113642595A (zh) * | 2020-05-11 | 2021-11-12 | 北京金山数字娱乐科技有限公司 | 一种基于图片的信息提取方法及装置 |
CN114637882A (zh) * | 2022-05-17 | 2022-06-17 | 深圳市华世智能科技有限公司 | 基于计算机图形技术生成带标记样本的方法 |
CN117114013A (zh) * | 2023-10-12 | 2023-11-24 | 北京大学深圳研究生院 | 一种基于小样本的语义标注方法及装置 |
CN117689980A (zh) * | 2024-02-04 | 2024-03-12 | 青岛海尔科技有限公司 | 构建环境识别模型的方法、识别环境的方法及装置、设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070127811A1 (en) * | 2005-12-07 | 2007-06-07 | Trw Automotive U.S. Llc | Virtual reality scene generator for generating training images for a pattern recognition classifier |
CN106022213A (zh) * | 2016-05-04 | 2016-10-12 | 北方工业大学 | 一种基于三维骨骼信息的人体动作识别方法 |
CN107862300A (zh) * | 2017-11-29 | 2018-03-30 | 东华大学 | 一种基于卷积神经网络的监控场景下行人属性识别方法 |
CN108563742A (zh) * | 2018-04-12 | 2018-09-21 | 王海军 | 自动创建人工智能图像识别训练素材与标注文件的方法 |
CN108596259A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种用于物体识别的人工智能训练数据集生成的方法 |
-
2018
- 2018-11-26 CN CN201811415320.8A patent/CN109635853A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070127811A1 (en) * | 2005-12-07 | 2007-06-07 | Trw Automotive U.S. Llc | Virtual reality scene generator for generating training images for a pattern recognition classifier |
CN106022213A (zh) * | 2016-05-04 | 2016-10-12 | 北方工业大学 | 一种基于三维骨骼信息的人体动作识别方法 |
CN107862300A (zh) * | 2017-11-29 | 2018-03-30 | 东华大学 | 一种基于卷积神经网络的监控场景下行人属性识别方法 |
CN108563742A (zh) * | 2018-04-12 | 2018-09-21 | 王海军 | 自动创建人工智能图像识别训练素材与标注文件的方法 |
CN108596259A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种用于物体识别的人工智能训练数据集生成的方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188790B (zh) * | 2019-04-17 | 2023-09-29 | 创新先进技术有限公司 | 图片样本的自动化生成方法和*** |
CN110188790A (zh) * | 2019-04-17 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 图片样本的自动化生成方法和*** |
CN110378999A (zh) * | 2019-06-24 | 2019-10-25 | 南方电网科学研究院有限责任公司 | 训练样本中目标物体的目标框标注方法、装置及存储介质 |
CN110378336A (zh) * | 2019-06-24 | 2019-10-25 | 南方电网科学研究院有限责任公司 | 训练样本中目标物体的语义级标注方法、装置及存储介质 |
CN112529022A (zh) * | 2019-08-28 | 2021-03-19 | 杭州海康威视数字技术股份有限公司 | 一种训练样本的生成方法及装置 |
CN112529022B (zh) * | 2019-08-28 | 2024-03-01 | 杭州海康威视数字技术股份有限公司 | 一种训练样本的生成方法及装置 |
CN112699906B (zh) * | 2019-10-22 | 2023-09-22 | 杭州海康威视数字技术股份有限公司 | 获取训练数据的方法、装置及存储介质 |
CN112699906A (zh) * | 2019-10-22 | 2021-04-23 | 杭州海康威视数字技术股份有限公司 | 获取训练数据的方法、装置及存储介质 |
CN112712098A (zh) * | 2019-10-25 | 2021-04-27 | 北京四维图新科技股份有限公司 | 图像数据处理方法及装置 |
EP3989120A4 (en) * | 2019-10-29 | 2022-08-24 | Tencent Technology (Shenzhen) Company Limited | METHOD AND DEVICE FOR PRODUCING A TRAINING SAMPLE FOR A SEMANTIC SEGMENTATION MODEL, STORAGE MEDIA AND ELECTRONIC DEVICE |
CN110852332A (zh) * | 2019-10-29 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 训练样本的生成方法、装置、存储介质及电子设备 |
CN110852332B (zh) * | 2019-10-29 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 训练样本的生成方法、装置、存储介质及电子设备 |
US11934485B2 (en) | 2019-10-29 | 2024-03-19 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for generating training sample of semantic segmentation model, storage medium, and electronic device |
WO2021082885A1 (zh) * | 2019-10-29 | 2021-05-06 | 腾讯科技(深圳)有限公司 | 语义分割模型的训练样本的生成方法、装置、存储介质及电子设备 |
CN111222416A (zh) * | 2019-12-24 | 2020-06-02 | 杭州威佩网络科技有限公司 | 一种样本数据生成方法、装置及*** |
CN111160261A (zh) * | 2019-12-30 | 2020-05-15 | 北京每日优鲜电子商务有限公司 | 用于自动售货柜的样本图像标注方法、装置及存储介质 |
CN111274927A (zh) * | 2020-01-17 | 2020-06-12 | 北京三快在线科技有限公司 | 一种训练数据的生成方法、装置、电子设备和存储介质 |
CN111325984A (zh) * | 2020-03-18 | 2020-06-23 | 北京百度网讯科技有限公司 | 样本数据的获取方法、装置和电子设备 |
CN111539178A (zh) * | 2020-04-26 | 2020-08-14 | 成都市深思创芯科技有限公司 | 一种基于神经网络的芯片版图设计方法和***及制作方法 |
CN113642595A (zh) * | 2020-05-11 | 2021-11-12 | 北京金山数字娱乐科技有限公司 | 一种基于图片的信息提取方法及装置 |
CN114637882A (zh) * | 2022-05-17 | 2022-06-17 | 深圳市华世智能科技有限公司 | 基于计算机图形技术生成带标记样本的方法 |
CN114637882B (zh) * | 2022-05-17 | 2022-08-19 | 深圳市华世智能科技有限公司 | 基于计算机图形技术生成带标记样本的方法 |
CN117114013A (zh) * | 2023-10-12 | 2023-11-24 | 北京大学深圳研究生院 | 一种基于小样本的语义标注方法及装置 |
CN117114013B (zh) * | 2023-10-12 | 2024-02-02 | 北京大学深圳研究生院 | 一种基于小样本的语义标注方法及装置 |
CN117689980A (zh) * | 2024-02-04 | 2024-03-12 | 青岛海尔科技有限公司 | 构建环境识别模型的方法、识别环境的方法及装置、设备 |
CN117689980B (zh) * | 2024-02-04 | 2024-05-24 | 青岛海尔科技有限公司 | 构建环境识别模型的方法、识别环境的方法及装置、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635853A (zh) | 基于计算机图形技术自动生成人工智能训练样本的方法 | |
Prakash et al. | Structured domain randomization: Bridging the reality gap by context-aware synthetic data | |
Tian et al. | Training and testing object detectors with virtual images | |
US20190377981A1 (en) | System and Method for Generating Simulated Scenes from Open Map Data for Machine Learning | |
CN113009506B (zh) | 一种虚实结合的实时激光雷达数据生成方法、***及设备 | |
CN107229329A (zh) | 用于具有深度地面实况注释的虚拟传感器数据生成的方法和*** | |
US10242264B1 (en) | System and method for training a machine-learning model to identify real-world elements | |
CN111738908A (zh) | 结合实例分割和循环生成对抗网络的场景转换方法及*** | |
Paulin et al. | Review and analysis of synthetic dataset generation methods and techniques for application in computer vision | |
CN115841559A (zh) | 一种基于神经辐射场的城市大场景重建方法 | |
WO2024016877A1 (zh) | 一种面向车路协同的路测感知仿真*** | |
KR20180067506A (ko) | 무인 차량 시뮬레이터 | |
Li et al. | The paralleleye-cs dataset: Constructing artificial scenes for evaluating the visual intelligence of intelligent vehicles | |
CN115186473A (zh) | 一种基于平行智能的场景感知建模与验证方法 | |
Li et al. | The ParallelEye dataset: Constructing large-scale artificial scenes for traffic vision research | |
D’Amico et al. | TrainSim: A railway simulation framework for LiDAR and camera dataset generation | |
Xu et al. | Toward a Smart Metaverse City: Immersive Realism and 3D Visualization of Digital Twin Cities | |
Bu et al. | Carla simulated data for rare road object detection | |
Galazka et al. | CiThruS2: Open-source photorealistic 3D framework for driving and traffic simulation in real time | |
Zhuo et al. | A novel vehicle detection framework based on parallel vision | |
CN109934907A (zh) | 一种样本生成方法、装置、介质和设备 | |
Koduri et al. | AUREATE: An Augmented Reality Test Environment for Realistic Simulations | |
CN113223146A (zh) | 一种基于三维仿真场景的数据标注方法、装置及存储介质 | |
Laux et al. | Build Your Own Training Data--Synthetic Data for Object Detection in Aerial Images | |
Mantler et al. | GEARViewer: A state of the art real-time geospatial visualization framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |