CN115953755A - 数据筛选方法、装置、设备及介质 - Google Patents
数据筛选方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115953755A CN115953755A CN202211627915.6A CN202211627915A CN115953755A CN 115953755 A CN115953755 A CN 115953755A CN 202211627915 A CN202211627915 A CN 202211627915A CN 115953755 A CN115953755 A CN 115953755A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- point cloud
- dimensional
- frame
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及数据处理领域,公开了一种数据筛选方法、装置、设备及介质,所述方法包括:对样本数据进行模态划分,获取对应的图像数据和点云数据;确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;根据所述交并比或深度差,确定对应的目标数据。本发明基于高价值数据筛选的方案解决了如何从海量样本数据中采集到有效且有高价值的样本数据,提升了样本数据的有效性和价值度,提升了算法模型的性能。
Description
技术领域
本发明涉及数据处理领域,尤其是涉及一种数据筛选方法、装置、设备及介质。
背景技术
在大数据领域,通过算法、模型等工具解决各种技术问题成为一种普遍的技术手段,而算法和模型等工具依赖大量的样本数据和标本数据实现其对应产品的迭代进化。
在车辆行驶领域,通常采用各种采集设备获取样本数据,并根据样本数据实现车辆行驶算法的优化,因此,样本数据成为自动驾驶算法能否实现进化和提升的关键因素,进而,如何通过在海量的样本数据中精确筛选出高价值数据,成为一个亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种数据筛选方法、装置、设备及介质,旨在解决如何精确筛选出高价值数据的问题。
为实现上述目的,本发明还提供一种数据筛选方法,所述数据筛选方法,包括:
对样本数据进行模态划分,获取对应的图像数据和点云数据;
确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;
根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;
根据所述交并比或深度差,确定对应的目标数据。
可选地,所述第一目标包围框包括:平面目标包围框,所述第二目标包围框包括:立体目标包围框,
所述根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差的步骤,包括:
对所述立体目标包围框进行平面的维度转换,得到对应的点云平面框,并将所述点云平面框与所述平面目标包围框进行平面对比,得到所述图像数据和点云数据在平面维度对应的交并比;
对所述平面目标包围框进行立体的维度转换,得到所述平面目标包围框的点云深度,并将所述点云深度与所述立体目标包围框的深度值进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差。
可选地,所述对所述立体目标包围框进行平面的维度转换,得到对应的点云平面框,并将所述点云平面框与所述平面目标包围框进行平面对比,得到所述图像数据和点云数据在平面维度对应的交并比的步骤,包括:
将所述立体目标框向对应的图像平面进行投影,以实现对立体目标包围框进行立体向平面的维度转换,得到所述点云数据对应的点云平面框;
根据预设的交并比计算规则,对维度转换后的点云平面框与所述平面目标包围框进行计算,得到平面目标包围框和立体目标包围框在平面维度的并交比。
可选地,所述对所述平面目标包围框进行立体的维度转换,得到所述平面目标包围框的点云深度,并将所述点云深度与所述立体目标包围框的深度值进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差的步骤,包括:
基于预设的深度估计算法,对所述平面目标包围框进行预测计算,得到对应的伪点云;
对所述伪点云进行深度计算,以确定所述平面目标包围框的点云深度;
将所述平面目标包围框对应的伪点云的点云深度与所述立体目标包围框的深度值进行计算,得到平面目标包围框和立体目标包围框在立体维度的深度差值。
可选地,所述预设的目标检测算法包括:2D目标检测算法和3D目标检测算法,
所述确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框的步骤,包括:
根据2D目标检测算法,对所述图像数据进行平面扫描,确定所述图像数据的平面目标物体;
对所述平面目标物体进行平面框选,确定所述图像数据对应的平面目标包围框;
根据3D目标检测算法,对所述点云数据进行立体扫描,确定所述点云数据的立体目标物体;
对所述立体目标物体进行立体框选,确定所述点云数据对应的立体目标包围框。
可选地,所述第一目标包围框还包括:立体目标包围框,所述基于预设的目标检测算法,对所述图像数据进行计算,确定所述图像数据对应的第一目标包围框的步骤,还包括:
若所述图像数据的图像类型为立体类型,则根据所述3D目标检测算法对所述立体类型的图像数据进行立体扫描,确定所述图像数据的立体目标物体;
对所述立体目标物体进行立体框选,确定所述图像数据对应的立体目标包围框。
可选地,所述得到对应的深度差的步骤,还包括:
将所述图像数据对应的立体目标包围框与所述点云数据对应的立体目标包围框进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差。
可选地,所述根据所述交并比或深度差,确定对应的目标数据的步骤,包括:
将所述交并比与预先设定的交并比阈值进行对比,并在所述交并比小于所述交并比阈值时,将所述交并比对应的样本数据作为目标数据;或,
将所述深度差与预先设定的深度差阈值进行对比,并在所述深度差小于所述深度差阈值时,将所述深度差对应的样本数据作为目标数据。
可选地,在所述根据所述交并比或深度差,确定对应的目标数据的步骤之后,所述方法还包括:
根据预设的标注规则,对所述目标数据进行标注,得到目标数据集;
根据所述目标数据集,构建对应的行驶算法或者对已构建的行驶算法进行优化。
为实现上述目的,本发明还提供一种数据筛选装置,所述数据筛选装置,包括:
数据划分模块,用于对样本数据进行模态划分,获取对应的图像数据和点云数据;
目标检测模块,用于确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;
转换对比模块,用于根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;
筛选模块,用于根据所述交并比或深度差,确定对应的目标数据。
其中,本发明数据筛选装置的各个功能模块各自在运行时均实现如上所述的数据筛选方法的步骤。
为实现上述目的,本发明还提供一种设备,所述设备包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的数据筛选程序,所述数据筛选程序被所述处理器执行时实现如上所述的数据筛选方法的步骤。
为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有数据筛选程序,所述数据筛选程序被处理器执行时实现如上所述的数据筛选方法的步骤。
本发明提供一种数据筛选方法、装置、设备及介质,所述方法包括:对样本数据进行模态划分,获取对应的图像数据和点云数据;确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;根据所述交并比或深度差,确定对应的目标数据。
相比于现有的数据清洗方式大都是通过对采集到的样本数据进行手工挑选,抽帧后生成待标注的样本数据集,本方案通过对采集到的样本数据进行模态划分,实现了对海量数据的分级分类,并基于预设的目标检测算法识别样本数据中不同类型数据对应的目标包围框,根据目标包围框进行对比,并获取不同类型数据的对比结果,通过图像数据和点云数据的对比结果对样本数据进行数据筛选,确定目标数据。
本方案高价值数据筛选的方案解决了如何从海量样本数据中采集到有效且有高价值的样本数据,减少了数据筛选过程中的人力成本,通过对样本数据进行分级分类,降低了数据筛选的难度,提升了数据筛选的效率,提升了对样本数据筛选后目标数据的有效性和价值度,并在后续通过有效和高价值的目标样本数据对算法模型进行学习,避免了海量数据对算法模型进行标注出现数据偏见,数据驱动算法模型学习有效且高价值的数据,优化了算法模型迭代进化的效果,并进一步提升了算法模型的性能。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明数据筛选方法的第一实施例的流程示意图;
图3为本发明数据筛选方法的第二实施例的流程示意图;
图4为本发明数据筛选方法第二实施例中步骤S11的子流程示意图;
图5为本发明数据筛选方法第二实施例中步骤S12的子流程示意图;
图6为本发明数据筛选方法的第三实施例的流程示意图;
图7为本发明数据筛选方法的第四实施例的流程示意图;
图8为本发明数据筛选方法第五实施例的流程示意图;
图9为本发明数据筛选方法第五实施例中的一种示例性实施例具体流程示意图;
图10为本发明数据筛选方法涉及到的数据筛选装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案:
本方案通过对采集到的样本数据进行模态划分,实现了对海量数据的分级分类,确定对应的图像数据和点云数据,并基于预设的目标检测算法识别样本数据中图像数据和点云数据对应的目标包围框,根据目标包围框进行平面和立体维度的交叉对比,确定图像数据和点云数据对应的包围框对比的交并比或深度差,通过对交并比或深度差与预设的阈值进行值比对,实现对样本数据的筛选,确定目标数据。
本发明的专有名词解释:
样本数据:通过采集平台采集并存储的数据集,用于对算法、模型进行训练和标注的数据集合。在本实施例中,样本数据是通过预设的采集设备采集到的各类型数据,与对应的时间信息实现同步,具体可以包括:传感器数据、车身状态数据等。
图像数据:(Image Data)是指用数值表示的各像素(pixel)的灰度值的集合,对真实世界的图像一般由图像上每一点光的强弱和频谱(颜色)来表示,把图像信息转换成数据信息时,须将图像分解为很多小区域,这些小区域称为像素,可以用一个数值来表示它的灰度,对于彩色图像常用红、绿、蓝三原色(trichromatic)分量表示,顺序地抽取每一个像素的信息,就可以用一个离散的阵列来代表一幅连续的图像。
点云数据:(point cloud data)是指在一个三维坐标***中的一组向量的集合,以点的形式记录,每一个点包含有三维坐标,有些可能含有颜色信息(RGB)或反射强度信息(Intensity)。点云数据除了具有几何位置以外,有的还有颜色信息,其中,颜色信息通常是通过相机获取彩色影像,然后将对应位置的像素的颜色信息(RGB)赋予点云中对应的点;强度信息的获取是激光扫描仪接收装置采集到的回波强度,此强度信息与目标的表面材质、粗糙度、入射角方向,以及仪器的发射能量,激光波长有关。
交并比:是指在平面维度中,两个平面框重合面积与平面框面积和的比值,当交并比值越大时,说明两个平面框的重合率高,即,两个平面框内的数据来源较为接近,数据价值较低;反之,当交并比值越小时,说明两个平面框的重合率低,即,两个平面框内的数据来源差异较大,数据价值较高,具体计算公式如下:
其中,IOU表示两个平面框的交并比,A为第一平面框,B为第二平面框,C为第一平面框与第二平面框的交汇平面框。
深度差:是指在立体维度中,两个立体框的高度差值,当两个立体框的高度差值越大时,说明两个立体框的高度信息一致性较低(数据不同),即,两个立体框的数据存在数据误差,数据价值较低;反之,当高度差值越小时,说明两个立体框的高度信息一致性较高(数据相同),即两个立体框内的数据不存在误差或误差较小,数据价值较高。
现有的对样本数据进行选取的技术手段:
通过采集平台采集样本数据,存储后通过人工对样本数据进行手工挑选,对样本数据进行抽帧,形成待标注的样本数据集,数据标注人员根据标注规则进行标注,并进行标注结果复核,增加标注好的数据集,进行模型训练,并评估性能。
采用上述现有技术手段存在以下问题:
1)通过人工对样本数据进行手工筛选,增加了样本数据处理过程中的人工成本,增加了对样本数据进行筛选的难度;
2)对于采集得到的样本数据,没有进行分级分类,这导致大量低价值的样本数据并未从样本数据中淘汰,降低了样本数据总体的有效性和价值度;
3)由于低价值数据在样本数据中的数据偏见,阻碍了算法模型学习的有效数据学习,算法模型实现迭代进化的效果差、效率低,阻碍了算法模型的性能提升。
具体地,参照图1,图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。如图1所示,该设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及数据筛选程序。其中,操作***是管理和控制设备硬件和软件资源的程序,支持数据筛选程序以及其它软件或程序的运行;网络通信模块用于管理和控制网络接口1002;用户接口1003主要用于与客户端进行数据通信;网络接口1004主要用于与服务器建立通信连接;而处理器1001可以用于调用存储器1005中存储的数据筛选程序。
其中,上述存储器1005中存储的数据筛选程序被处理器执行时实现以下步骤:
对样本数据进行模态划分,获取对应的图像数据和点云数据;
确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;
根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;
根据所述交并比或深度差,确定对应的目标数据。
进一步地,存储器1005中存储的数据筛选程序被处理器执行时还实现以下步骤:
所述根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差的步骤,包括:
对所述立体目标包围框进行平面的维度转换,得到对应的点云平面框,并将所述点云平面框与所述平面目标包围框进行平面对比,得到所述图像数据和点云数据在平面维度对应的交并比;
对所述平面目标包围框进行立体的维度转换,得到所述平面目标包围框的点云深度,并将所述点云深度与所述立体目标包围框的深度值进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差。
进一步地,存储器1005中存储的数据筛选程序被处理器执行时还实现以下步骤:
将所述立体目标框向对应的图像平面进行投影,以实现对立体目标包围框进行立体向平面的维度转换,得到所述点云数据对应的点云平面框;
根据预设的交并比计算规则,对维度转换后的点云平面框与所述平面目标包围框进行计算,得到平面目标包围框和立体目标包围框在平面维度的并交比。
进一步地,存储器1005中存储的数据筛选程序被处理器执行时还实现以下步骤:
基于预设的深度估计算法,对所述平面目标包围框进行预测计算,得到对应的伪点云;
对所述伪点云进行深度计算,以确定所述平面目标包围框的点云深度;
将所述平面目标包围框对应的伪点云的点云深度与所述立体目标包围框的深度值进行计算,得到平面目标包围框和立体目标包围框在立体维度的深度差值。
进一步地,存储器1005中存储的数据筛选程序被处理器执行时还实现以下步骤:
根据2D目标检测算法,对所述图像数据进行平面扫描,确定所述图像数据的平面目标物体;
对所述平面目标物体进行平面框选,确定所述图像数据对应的平面目标包围框;
根据3D目标检测算法,对所述点云数据进行立体扫描,确定所述点云数据的立体目标物体;
对所述立体目标物体进行立体框选,确定所述点云数据对应的立体目标包围框。
进一步地,存储器1005中存储的数据筛选程序被处理器执行时还实现以下步骤:
若所述图像数据的图像类型为立体类型,则根据所述3D目标检测算法对所述立体类型的图像数据进行立体扫描,确定所述图像数据的立体目标物体;
对所述立体目标物体进行立体框选,确定所述图像数据对应的立体目标包围框。
进一步地,存储器1005中存储的数据筛选程序被处理器执行时还实现以下步骤:
将所述图像数据对应的立体目标包围框与所述点云数据对应的立体目标包围框进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差。
进一步地,存储器1005中存储的数据筛选程序被处理器执行时还实现以下步骤:
将所述交并比与预先设定的交并比阈值进行对比,并在所述交并比小于所述交并比阈值时,将所述交并比对应的样本数据作为目标数据;或,
将所述深度差与预先设定的深度差阈值进行对比,并在所述深度差小于所述深度差阈值时,将所述深度差对应的样本数据作为目标数据。
进一步地,存储器1005中存储的数据筛选程序被处理器执行时还实现以下步骤:
根据预设的标注规则,对所述目标数据进行标注,得到目标数据集;
根据所述目标数据集,构建对应的行驶算法或者对已构建的行驶算法进行优化。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
基于上述终端设备架构但不限于上述架构,提出本发明数据筛选方法的具体实施例。
具体地,参照图2,图2为本发明数据筛选方法第一实施例的流程示意图,所述数据筛选方法包括:
步骤S10,对样本数据进行模态划分,获取对应的图像数据和点云数据;
需要说明的是,样本数据是指通过预设的采集设备得到的不同类型的信息,在本实施例中,样本数据的数据类型至少包括:图像数据和点云数据,具体地,图像数据是指对周围环境数据以平面的或立体的图像进行像素记录的数据类型,能够展示当前环境的视图、色彩等信息;点云数据则是指对当前环境数据以三维坐标系中的向量集合的形式进行记录的数据类型,能够展示当前环境的长度、宽度和高度等具体的属性值。
示例性地,例如,本实施例可以具体应用于飞行汽车、飞行器等设备的采集装置在对样本数据进行采集后的数据筛选的应用场景中,当飞行汽车的采集设备对当前飞行环境的空间进行样本数据采集,样本数据可以是:拍摄装置对飞行汽车前侧下方的平面进行拍摄的图片信息、对周围环境信息录像得到的影像信息;还可以是:激光雷达设备对飞机所在空间发射激光,通过激光反射信息得到的点云信息,该点云信息能够展示飞行汽车在空间的三维坐标数据,以及在该三维坐标空间内各目标物体的坐标数据。
可选地,在本实施例中,样本数据的数据类型并不相同,而数据的数据类型大致分为图像数据和点云数据,其中,图像数据包括平面图像和处理后的立体图像;点云数据则只能是立体的坐标数据,因此,本实施例在样本数据存在各个不同的类型数据时,对样本数据进行模态划分,将各种类型的数据进行统一标准的划分,确定其中的立体数据和平面数据,实现了自动对样本数据进行分级分类,以统一标准划分标本数据,有益于数据进行后续的统一处理,提升样本数据进行有效性和价值度划分的便易程度。
步骤S20,确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;
需要说明的是,在本实施例中,预设的目标检测算法是对样本数据分类好的图像数据和点云数据进行目标检测,识别图像数据和点云数据中存在的客体目标,并对该客体目标进行平面和立体的定位框选,生成图像数据对应的第一目标包围框和点云数据对应的第二目标包围框。
示例性地,例如,本实施例可以具体应用于飞行汽车、飞行器等设备采集到的图像数据和点云数据进行目标检测,定位各类数据中的客体目标,具体地,对一张包含长和宽的平面维度的图片信息进行2D目标检测,则对图片中的各像素进行识别,确定表示具体客体的像素块,通过对该像素块进行框选,确定对应的平面目标包围框,该平面目标包围框属于上述包含长和宽的平面维度的图片信息中的一个子集;对某一时刻内飞行汽车所在一个空间内的点云信息进行3D目标检测,则对该空间内的各反射接收点进行识别,确定表示具体立体客体的反射属性,并根据具体立体客体的反射属性确定对应的坐标位置,并对该具体立体客体所在的坐标位置进行框选,生成对应的立体目标包围框,该立体目标包围框属于上述某一时刻所在空间内点云信息中的一个子集。
可选地,在本实施例中,从空间维度意义上将图像数据和点云数据划分为对应的平面样本数据和立体样本数据,并分别对平面样本数据和立体样本数据进行目标检测,并将检测后的数据中的有效目标客体进行框选,将该框选后的有效目标客体作为进行后续筛选计算的计算参数,提升了样本数据的有效性,保证了在后续计算过程中样本数据的价值度。
步骤S30,根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;
需要说明的是,在本实施例中,通过对第一目标包围框和第二目标包围框内的目标数据进行各个维度的交叉比对,实现对样本数据中图像数据和点云数据的维度对比,并在数据对比后,得到对应的交并比或深度差。具体地,在本实施例中,第一目标包围框包括:平面目标包围框和立体目标包围框,第二目标包围框包括:立体目标包围框(点云数据为立体维度的样本数据,因此对应的目标包围框一定是立体目标包围框)。
示例性地,例如,图像数据和点云数据进行对比的场景包括:一、平面目标包围框和立体目标包围框的数据对比;二、立体目标包围框和立体目标包围框的数据对比。
具体地,示例性场景一:根据预设的深度估计算法,对平面目标包围框进行深度预估计算,确定对应的伪点云,并得到对应的伪点云深度,将该伪点云深度与立体目标包围框的深度进行计算,确定在立体维度的平面目标包围框和立体目标包围框的深度差;根据预设的平面投影算法,将所述立体目标包围框进行平面压缩,确定对应的平铺框,将该平铺框的平面面积与平面目标包围框的面积进行计算,在平面维度的立体目标包围框和平面目标包围框的交并比。
示例性场景二:将图像数据对应的立体目标包围框的深度值和点云数据对应的立体目标包围框的深度值进行深度对比,计算得到图像数据和点云数据对应的深度差。
可选地,本实施例通过对包含目标客体的目标包围框进行多个维度的交叉比对,并对应获取平面维度各项数据的交并比以及立体维度各项数据的深度差,从多个维度对样本数据的图像数据和点云数据进行对比,提升数据的有效性和价值度。
步骤S40,根据所述交并比或深度差,确定对应的目标数据。
需要说明的是,在本实施例中,通过预先设定对应的交并比阈值和深度差阈值与样本数据计算对应得到的交并比或深度差进行比对,从海量的标本数据中筛选出具有高价值的目标数据。
示例性地,通过上述具体的应用场景计算得到的立体目标包围框和平面目标包围框的交并比,通过将该立体目标包围框和平面目标包围框的交并比与预设的交并比阈值进行值比对,当样本数据对应的交并比小于交并比阈值时,样本数据的重合率低、数据来源差异较大,数据价值较高;通过在立体维度的平面目标包围框和立体目标包围框的深度差或图像数据和点云数据对应的深度差与预设的深度差阈值进行值比对,当样本数据对应的深度差小于深度差阈值时,样本数据的高度信息一致性较高,样本数据不存在误差或误差较小,数据价值较高。
本实施例基于高价值数据筛选的方案解决了如何从海量样本数据中采集到有效且有高价值的样本数据,减少了数据筛选过程中的人力成本,通过对样本数据进行分级分类,降低了数据筛选的难度,提升了数据筛选的效率,提升了对样本数据筛选后目标数据的有效性和价值度。
进一步地,基于上述本发明数据筛选方法的第一实施例,提出本发明数据筛选方法的第二实施例。
在本实施例是对步骤S30,根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差的细化,其中,所述第一目标包围框包括:平面目标包围框,所述第二目标包围框包括:立体目标包围框,参照图3,具体包括:
步骤S11,对所述立体目标包围框进行平面的维度转换,得到对应的点云平面框,并将所述点云平面框与所述平面目标包围框进行平面对比,得到所述图像数据和点云数据在平面维度对应的交并比;
需要说明的是,在本实施例中,图像数据为平面维度的二维坐标数据,在对平面维度的图像数据进行目标检测后,选取了对应的平面目标包围框;点云数据为立体维度的三维坐标数据,通过目标检测选取对应的立体目标包围框,因此,平面维度的图像数据以及立体维度的点云数据分别在两个立体维度上进行对比需要先进行维度转换,再将转换后的各维度数据进行对应的交并比和/或深度值。
平面维度地,在将图像数据对应的平面目标包围框与点云数据的立体目标包围框进行平面维度的对比时,需要对点云数据对应的立体数据包围框进行平面转换。
具体地,参照图4,步骤S11,对所述立体目标包围框进行平面的维度转换,得到对应的点云平面框,并将所述点云平面框与所述平面目标包围框进行平面对比,得到所述图像数据和点云数据在平面维度对应的交并比,包括:
步骤S111,将所述立体目标框向对应的图像平面进行投影,以实现对立体目标包围框进行立体向平面的维度转换,得到所述点云数据对应的点云平面框;
需要说明的是,在本实施例中,需要对点云数据对应的立体目标包围框进行平面的维度转换,以得到点云数据在平面维度上对应的点云平面框,具体地,实现立体目标包围框的平面维度转换的方式可以是将立体目标包围框在三维坐标系中的坐标点投影至平面内,实现三维坐标数据向二维坐标数据的转换。
示例性地,例如,本实施例可以具体应用于飞行汽车、飞行器、自动驾驶车辆等设备对当前环境中采集到对应的样本数据进行目标检测的具体应用场景,在某一时刻内,当识别到飞行汽车立体维度中,斜下方存在一只鸟(此时忽略鸟的实质体积,将其作为一个点进行平面投影)在空间的三维坐标为(x,y,z)时,通过以下计算公式对三维坐标进行投影,以实现维度转换,得到对应的平面的二维坐标(X,Y)。
X=x+x*cosβ-y*sinα(α,β□(0,90°))
Y=z+x*sinβ+y*cosα(α,β□(0,90°))
具体地,本实施例通过对立体目标包围框上的每一个立体的三维坐标点进行二维投影,确定点云数据中立体目标包围框对应的点云平面框。
步骤S112,根据预设的交并比计算规则,对维度转换后的点云平面框与所述平面目标包围框进行计算,得到平面目标包围框和立体目标包围框在平面维度的并交比。
需要说明的是,在本实施例中,通过对点云平面框与平面目标包围框进行预设的交并比计算,得到平面目标包围框和立体目标包围框在平面维度的并交比。
步骤S12,对所述平面目标包围框进行立体的维度转换,得到所述平面目标包围框的点云深度,并将所述点云深度与所述立体目标包围框的深度值进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差。
立体维度地,在将点云数据对应的立体目标包围框与图像数据的平面目标包围框进行立体维度的对比时,需要对点云数据对应的立体数据包围框进行平面转换。
进一步地,参照图5,步骤S12,对所述平面目标包围框进行立体的维度转换,得到所述平面目标包围框的点云深度,并将所述点云深度与所述立体目标包围框的深度值进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差,具体包括:
步骤S121,基于预设的深度估计算法,对所述平面目标包围框进行预测计算,得到对应的伪点云;
步骤S122,对所述伪点云进行深度计算,以确定所述平面目标包围框的点云深度;
需要说明的是,在本实施例中,需要对图像数据对应的平面目标包围框进行立体的维度转换,以得到图像数据在立体维度上对应的伪点云的点云深度,具体地,实现平面目标包围框的立体维度转换的方式可以是根据预设的深度预测算法,对图像数据对应的平面目标包围框进行深度预测,得到平面目标包围框的伪点云,并得到伪点云在立体维度的伪点云高度,实现平面数据向立体数据的切换。
示例性地,例如,本实施例可以具体应用于飞行汽车、自动驾驶车辆等设备对当前环境中采集到对应的样本数据进行维度转换的应用场景,基于深度估计算法,对图像信息的平面目标包围框进行高度估计,并还原出对应的伪点云,具体进行高度估计的方式可以是通过对图片信息中的色彩进行深度估计,也可以是通过图片信息中的映射维度计算得到对应的深度值,本实施例在此不对深度估计算法的具体实施方式进行限定。具体地,根据预设的深度估计算法,对图像信息中的平面目标包围框进行深度预估计算,确定对应的伪点云,并得到对应的伪点云深度,其中平面目标包围框为图像信息的一个子数据集,包含图像信息的对应属性信息。
步骤S123,将所述平面目标包围框对应的伪点云的点云深度与所述立体目标包围框的深度值进行计算,得到平面目标包围框和立体目标包围框在立体维度的深度差值。
需要说明的是,在本实施例中,将上述计算得到的伪点云深度与立体目标包围框的深度进行计算,确定在立体维度的平面目标包围框和立体目标包围框的深度差。具体地,深度差的计算规则为平面目标包围框对应的伪点云的深度值与立体目标包围框的深度值的差值。
本实施例通过对平面维度的图像数据以及立体维度的点云数据分别在两个立体维度上进行对比需要先进行维度转换,再将转换后的各维度数据进行对应的交并比和/或深度值筛选对应的目标数据,提升了数据筛选的效率,提升了对样本数据筛选后目标数据的有效性和价值度。
进一步地,基于上述本发明数据筛选方法的第一、第二实施例,提出本发明数据筛选方法的第三实施例。
本实施例是对步骤S20,确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框的细化方案,其中,所述预设的目标检测算法包括:2D目标检测算法和3D目标检测算法,参照图6,具体包括:
步骤S21,根据2D目标检测算法,对所述图像数据进行平面扫描,确定所述图像数据的平面目标物体;
步骤S22,对所述平面目标物体进行平面框选,确定所述图像数据对应的平面目标包围框;
需要说明的是,在本实施例中,图像数据为平面维度数据,第一目标包围框为平面目标包围框。具体地,通过2D目标检测算法,对平面维度的图像数据进行目标检测,扫描图像数据中的目标客体,并对该目标客体进行定位,确定该目标客体在该图像数据中的二维坐标数据。
示例性地,例如,本实施例可以应用于对图像数据进行目标检测的具体应用场景,对汽车预设的拍摄装置拍摄到的一张路面图片进行平面的目标检测,可以精确地对图片中的车辆、行人、建筑物等进行识别,并且能够对车辆和行人等完整的目标客体进行平面框选,生成图像数据中对应的平面目标包围框,该平面目标包围框是能够表示在图片数据中选取矩形子集的由坐标数据构成的平面子集。
步骤S23,根据3D目标检测算法,对所述点云数据进行立体扫描,确定所述点云数据的立体目标物体;
步骤S24,对所述立体目标物体进行立体框选,确定所述点云数据对应的立体目标包围框。
需要说明的是,在本实施例中,点云数据为立体维度数据,第二目标包围框为立体目标包围框,具体地,通过3D目标检测算法,对立体维度的点云数据进行目标检测,扫描点云数据中的目标客体,并对该目标客体进行定位,确定该目标客体在该图像数据中的三维坐标数据。
示例性地,例如,本实施例可以应用于对点云数据进行目标检测的具体应用场景,对飞行汽车获取到的某一时刻下的点云数据进行立体的目标检测,可以精确地识别出飞行汽车所在时空内存在的电线杆、树木等目标物体,并对识别出的电线杆、树木等物体进行立体框选,生成点云数据中对应的立体目标包围框,该立体目标包围框能够表示在该点云空间内立体目标物在空间内的以三维坐标数据构成的立体子集。
本实施例通过对图像数据和点云数据进行目标检测,并将检测后的数据中的有效目标客体进行框选,将该框选后的有效目标客体作为进行后续筛选计算的计算参数,提升了样本数据的有效性,保证了在后续计算过程中样本数据的价值度。
进一步地,基于上述本发明数据筛选方法的第一实施例,提出本发明数据筛选方法的第四实施例。
本实施例是当图像数据对应的第一目标包围框为立体目标包围框时,步骤S20,所述基于预设的目标检测算法,对所述图像数据进行计算,确定所述图像数据对应的第一目标包围框的步骤,参照图7,具体包括:
步骤S21,若所述图像数据的图像类型为立体类型,则根据所述3D目标检测算法对所述立体类型的图像数据进行立体扫描,确定所述图像数据的立体目标物体;
步骤S22,对所述立体目标物体进行立体框选,确定所述图像数据对应的立体目标包围框。
需要说明的是,在本实施例中,图像数据为立体维度数据,第一目标包围框为立体目标包围框,点云数据为立体数据,第二目标包围框为立体目标包围框。具体地,则通过3D目标检测算法对立体维度的图像数据进行目标检测,扫描图像数据中的目标客体,并对该目标客体进行定位,确定该目标客体在该图像数据中的三维坐标数据。具体地,立体维度的图像数据可以是以延续时长存在的图像数据,如录像信息等。
进一步地,当图像数据对应的第一目标包围框为立体目标包围框时,步骤S30,得到对应的深度差的步骤,具体包括:
步骤S23,将所述图像数据对应的立体目标包围框与所述点云数据对应的立体目标包围框进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差。
需要说明的是,在本实施例中,通过将图像数据对应的立体包围框和点云数据对应的立体包围框进行直接的深度对比,并进行对应的深度差计算,得到立体的图像数据和立体的点云数据在立体维度上的深度差。
本实施例是当需进行对比的两个类型数据都为对应的立体数据时,则无需对相同维度的样本数据进行维度转换,直接计算对应的是深度差用于后续的高价值数据筛选。
本实施例通过直接对立体维度的数据进行对比计算,得到对应的深度差进行高价值数据筛选提升了样本数据的有效性,保证了在后续计算过程中样本数据的价值度。
进一步地,基于上述本发明数据筛选方法的第一实施例,提出本发明数据筛选方法的第五实施例。
本实施例是对步骤S40,根据所述交并比或深度差,确定对应的目标数据的细化,参照图8,具体包括:
步骤S41,将所述交并比与预先设定的交并比阈值进行对比,并在所述交并比小于所述交并比阈值时,将所述交并比对应的样本数据作为目标数据;或,
需要说明的是,在本实施例中,图像数据和点云数据的交并比能够说明样本数据的数据来源差异,通过将该图像数据和点云数据的交并比与预设的交并比阈值进行值比对,确定样本数据中图像数据与点云数据的重合率、数据来源,并最终确定样本数据的数据价值,交并比与预设的交并比阈值进行值比对,确定对应的样本数据是否为高价值数据。
具体地,例如,预先设定并交比阈值为0.2,则当图像数据和点云数据的交并比<0.2时,则该图像数据和点云数据的交并比对应的样本数据可作为目标的高价值数据,其中,预先设定并交比阈值为可调节阈值。当交并比值越大时,说明图像数据和点云数据的重合率高,即,图像数据和点云数据的数据来源较为接近,数据价值较低;反之,当交并比值越小时,说明图像数据和点云数据的重合率低,即,图像数据和点云数据的数据来源差异较大,数据价值较高。
步骤S42,将所述深度差与预先设定的深度差阈值进行对比,并在所述深度差小于所述深度差阈值时,将所述深度差对应的样本数据作为目标数据。
需要说明的是,在本实施例中,图像数据和点云数据的交并比能够说明样本数据的数据相似程度,通过将该图像数据和点云数据的深度差与预设的深度差阈值进行值比对,确定样本数据中图像数据与点云数据的一致性和误差率,并最终确定样本数据的数据价值,深度差与预设的深度差阈值进行值比对,确定对应的样本数据是否为高价值数据。
具体地,例如,预先设定深度差阈值为0.3,则当图像数据和点云数据的深度差<0.3时,则该图像数据和点云数据的深度差对应的样本数据可作为目标的高价值数据,其中,预先设定深度差阈值为可调节阈值。当高度差越大时,图像数据和点云数据的高度信息一致性较低,即,图像数据和点云数据存在数据误差,数据价值较低;反之,当高度差值越小时,图像数据和点云数据的高度信息一致性较高,即图像数据和点云数据不存在误差或误差较小,数据价值较高。
本实施例通过将交并比阈值和深度差阈值设定为可调节的筛选阈值,提高了高价值数据筛选的灵活性,提高了调节数据来源差异和高度信息一致性对高价值数据影响的灵活性。
进一步地,在步骤S40,根据所述交并比或深度差,确定对应的目标数据之后,所述数据筛选方法还包括根据筛选到的目标数据进行算法模型训练的方案,参照图9,具体包括:
步骤S401,根据预设的标注规则,对所述目标数据进行标注,得到目标数据集;
步骤S402,根据所述目标数据集,构建对应的行驶算法或者对已构建的行驶算法进行优化。
需要说明的是,本实施例根据预设的标注规则对高价值数据进行标注,并基于该高价值数据对标注结果进行复核,实现算法模型的评估,在模型训练过程中增加标注好的数据集,通过高价值的数据集进行模型训练,实现算法模型的性能评估,并最终获取一个由高价值数据训练得到的对应的算法模型。
本实施例通过将有效和高价值的目标样本数据对算法模型进行学习,避免了海量数据对算法模型进行标注出现数据偏见,数据驱动算法模型学习有效且高价值的数据,优化了算法模型迭代进化的效果,并进一步提升了算法模型的性能。
此外,本发明实施例还提出一种数据筛选装置,参照图10,图10为本发明数据筛选装置的各个功能模块示意图,所述数据筛选装置包括:
数据划分模块10,用于对样本数据进行模态划分,获取对应的图像数据和点云数据;
目标检测模块20,用于确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;
转换对比模块30,用于根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;
筛选模块40,用于根据所述交并比或深度差,确定对应的目标数据。
此外,本发明实施例还提出一种设备,所述设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的数据筛选程序,所述数据筛选程序被所述处理器执行时实现如上所述的数据筛选方法的步骤。
本发明数据筛选装置和计算机可读存储介质的各实施例,均可参照本发明数据筛选方法各个实施例,此处不再赘述。
本发明计算机程序产品的具体实施例与上述数据筛选方法的各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (12)
1.一种数据筛选方法,其特征在于,所述数据筛选方法,包括:
对样本数据进行模态划分,获取对应的图像数据和点云数据;
确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;
根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;
根据所述交并比或深度差,确定对应的目标数据。
2.如权利要求1所述的数据筛选方法,其特征在于,所述第一目标包围框包括:平面目标包围框,所述第二目标包围框包括:立体目标包围框,
所述根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差的步骤,包括:
对所述立体目标包围框进行平面的维度转换,得到对应的点云平面框,并将所述点云平面框与所述平面目标包围框进行平面对比,得到所述图像数据和点云数据在平面维度对应的交并比;
对所述平面目标包围框进行立体的维度转换,得到所述平面目标包围框的点云深度,并将所述点云深度与所述立体目标包围框的深度值进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差。
3.如权利要求2所述的数据筛选方法,其特征在于,所述对所述立体目标包围框进行平面的维度转换,得到对应的点云平面框,并将所述点云平面框与所述平面目标包围框进行平面对比,得到所述图像数据和点云数据在平面维度对应的交并比的步骤,包括:
将所述立体目标框向对应的图像平面进行投影,以实现对立体目标包围框进行立体向平面的维度转换,得到所述点云数据对应的点云平面框;
根据预设的交并比计算规则,对维度转换后的点云平面框与所述平面目标包围框进行计算,得到平面目标包围框和立体目标包围框在平面维度的并交比。
4.如权利要求2所述的数据筛选方法,其特征在于,所述对所述平面目标包围框进行立体的维度转换,得到所述平面目标包围框的点云深度,并将所述点云深度与所述立体目标包围框的深度值进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差的步骤,包括:
基于预设的深度估计算法,对所述平面目标包围框进行预测计算,得到对应的伪点云;
对所述伪点云进行深度计算,以确定所述平面目标包围框的点云深度;
将所述平面目标包围框对应的伪点云的点云深度与所述立体目标包围框的深度值进行计算,得到平面目标包围框和立体目标包围框在立体维度的深度差值。
5.如权利要求2所述的数据筛选方法,其特征在于,所述确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框的步骤,包括:
根据2D目标检测算法,对所述图像数据进行平面扫描,确定所述图像数据的平面目标物体;
对所述平面目标物体进行平面框选,确定所述图像数据对应的平面目标包围框;
根据3D目标检测算法,对所述点云数据进行立体扫描,确定所述点云数据的立体目标物体;
对所述立体目标物体进行立体框选,确定所述点云数据对应的立体目标包围框。
6.如权利要求5所述的数据筛选方法,其特征在于,所述第一目标包围框还包括:立体目标包围框,所述基于预设的目标检测算法,对所述图像数据进行计算,确定所述图像数据对应的第一目标包围框的步骤,还包括:
若所述图像数据的图像类型为立体类型,则根据所述3D目标检测算法对所述立体类型的图像数据进行立体扫描,确定所述图像数据的立体目标物体;
对所述立体目标物体进行立体框选,确定所述图像数据对应的立体目标包围框。
7.如权利要求6所述的数据筛选方法,其特征在于,所述得到对应的深度差的步骤,还包括:
将所述图像数据对应的立体目标包围框与所述点云数据对应的立体目标包围框进行深度对比,得到所述图像数据和点云数据在立体维度对应的深度差。
8.如权利要求1所述的数据筛选方法,其特征在于,所述根据所述交并比或深度差,确定对应的目标数据的步骤,包括:
将所述交并比与预先设定的交并比阈值进行对比,并在所述交并比小于所述交并比阈值时,将所述交并比对应的样本数据作为目标数据;或,
将所述深度差与预先设定的深度差阈值进行对比,并在所述深度差小于所述深度差阈值时,将所述深度差对应的样本数据作为目标数据。
9.如权利要求1所述的数据筛选方法,其特征在于,在所述根据所述交并比或深度差,确定对应的目标数据的步骤之后,所述方法还包括:
根据预设的标注规则,对所述目标数据进行标注,得到目标数据集;
根据所述目标数据集,构建对应的行驶算法或者对已构建的行驶算法进行优化。
10.一种数据筛选装置,其特征在于,所述数据筛选装置包括:
数据划分模块,用于对样本数据进行模态划分,获取对应的图像数据和点云数据;
目标检测模块,用于确定所述图像数据对应的第一目标包围框和所述点云数据对应的第二目标包围框;
转换对比模块,用于根据所述第一目标包围框和第二目标包围框,对所述图像数据和点云数据进行对比,得到对应的交并比或深度差;
筛选模块,用于根据所述交并比或深度差,确定对应的目标数据。
11.一种设备,其特征在于,所述设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的数据筛选程序,所述数据筛选程序被所述处理器执行时实现如权利要求1至9中任一项所述的数据筛选方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有数据筛选程序,所述数据筛选程序被处理器执行时实现如权利要求1至9中任一项所述的数据筛选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627915.6A CN115953755A (zh) | 2022-12-16 | 2022-12-16 | 数据筛选方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627915.6A CN115953755A (zh) | 2022-12-16 | 2022-12-16 | 数据筛选方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115953755A true CN115953755A (zh) | 2023-04-11 |
Family
ID=87281974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211627915.6A Pending CN115953755A (zh) | 2022-12-16 | 2022-12-16 | 数据筛选方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953755A (zh) |
-
2022
- 2022-12-16 CN CN202211627915.6A patent/CN115953755A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163904B (zh) | 对象标注方法、移动控制方法、装置、设备及存储介质 | |
CN110869974B (zh) | 点云处理方法、设备及存储介质 | |
US9426449B2 (en) | Depth map generation from a monoscopic image based on combined depth cues | |
EP2731075B1 (en) | Backfilling points in a point cloud | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
US10043097B2 (en) | Image abstraction system | |
EP2494525B1 (en) | A method for automatic material classification and texture simulation for 3d models | |
US11443454B2 (en) | Method for estimating the pose of a camera in the frame of reference of a three-dimensional scene, device, augmented reality system and computer program therefor | |
CN110879994A (zh) | 基于形状注意力机制的三维目测检测方法、***、装置 | |
US10477178B2 (en) | High-speed and tunable scene reconstruction systems and methods using stereo imagery | |
JP7205613B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
US11380111B2 (en) | Image colorization for vehicular camera images | |
CN113240734B (zh) | 一种基于鸟瞰图的车辆跨位判断方法、装置、设备及介质 | |
TWI716874B (zh) | 影像處理裝置、影像處理方法、及影像處理程式 | |
JP5546998B2 (ja) | 三次元地図作成方法および装置 | |
CN115690524B (zh) | 语义信息指导的点云目标检测正样本筛选方法 | |
CN116977963A (zh) | 基于bev视角的自动驾驶多模态协同感知方法及*** | |
CN109641351B (zh) | 一种物体特征的识别方法、视觉识别装置及机器人 | |
CN115953755A (zh) | 数据筛选方法、装置、设备及介质 | |
CN112364693B (zh) | 基于双目视觉的障碍识别方法、装置、设备及存储介质 | |
EP4078087A1 (en) | Method and mobile entity for detecting feature points in an image | |
CN111862106A (zh) | 基于光场语义的图像处理方法、计算机装置、及存储介质 | |
US12046055B2 (en) | Associating two dimensional label data with three-dimensional point cloud data | |
Gerke | Dense image matching in airborne video sequences | |
Hummel | On synthetic datasets for development of computer vision algorithms in airborne reconnaissance applications |
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 |