重磅发布 | 380 页高德核心技术公开,速度收藏!

  • 时间:
  • 浏览:0

此种最好的法子多样化了网络的输出,通过将目标检测为成对关键点,消除了现有的检测器设计中对形态层需用几滴 anchors的弊端,肯能几滴 anchors造成了几滴 的重叠以及正负样本不均衡。共同为了产生织密密的边界框,网络还预测偏移以精细调整角点的位置。通过预测热力图、嵌入向量、以及偏移最终得到了精确的边界框。

采用检测+回归技术方案实现了更加好的位置检测精度,让有后来 人离“真实世界”更进了一步。其缺点是技术方案流程较长,不够简洁美观。

图15. 地面标识检测效果图

7)基于3维点云的目标检测

以下为累积算法识别结果示例:

常见的现象如下所示,示类事图2所示:

上述方案肯能正式上线,并外理了几滴 数据,准召率都达到了生产作业的要求,共同算法对人工作业产线的效率提升作用日益提高。以下是累积效果图:

One-stage检测识别最好的法子优势在于外理效率较快。高精地图不仅需用较高的识别性能、也需用有足够高的识别位置精度,统统有后来 人挑选了准确率较高的Two-stage大方向。

2)级联检测器

图3. 传统提取最好的法子识别结果

肯能在检测任务中需用获取相同尺寸的形态图对目标进行位置回归、类别分类等,算法会对其进行量化以及降采样等操作,不可外理会有精度上的损失。五种弊端带来的最大影响而是经由检测回归出的位置不够鲁棒,在有后来 情况下会冒出有后来 的偏移。

图11. 分割精修示例

随着语意分割技术的不断心智心智性性性心智心智性成熟 图片 ,基于深度1学习的语意分割肯还需用够将输入图像进行像素级的分类,有后来其精度也没人 高,也而是图片中累积的轮廓没人 精细。

目前,高精地图多采用人工作业,人工作业质量和效率始终是一三个白多多矛盾点,相比之下,机器自动识别有着更高的效率、更低的作业成本以及不亚于人工的作业质量。自动识别的应用必将加速高精地图构建,推动高精地图产业发展。高精度地面标识识别技术肯能在高德高精地图内部得到应用,有效提升了数据制作效率与制作质量,为高德构建高精地图提供坚实的技术支撑。

高精地图中累积的识别对技术提出了比较高的要求,纵观整个高精地图产业发展,地图制作逐渐从纯人工过渡到半自动乃至全自动。期间识别技术而是断得到发展与完善,从手动构造形态到自动形态、从2维识别到3维以及更高维识别、从单源识别到多源融合等。

基于以上考虑,有后来 人采用了基于PAnet的检测识别算法。传统的实例分割模型各层中的信息传播不够充分。PAnet较好的外理了什么现象,充分融合了coarse、fine形态,不仅有自顶向下的形态融合还结合了自底向上的形态融合,在高层形态中充分融合进了底层的强定位形态,外理了浅层形态信息丢失的现象。

大数据的支撑使得有后来 人的算法拥有更好的鲁棒性与识别能力。结合算法中各种策略以及多种数据源(点云、可见光等),有后来 人在不断提升地面标识识别精度,其位置精度在Ground Truth 5cm范围区间内达到99%以上,召回也达到了99.99%以上,各项指标都得到了稳步提升。

图8. 算法识别示意图

图2. 自然场景下拍摄的地面标识

采用上述方案需用将点云投影为2D空间,后面 有一定的归一化量化操作,不可外理的会损失有后来 信息,最直观的是在有后来 点云反射率较低的地方容易造成目标丢失。肯还需用够在原始3维点云上提取没人 什么现象就迎刃而解。

图 12 PAnet 示意图

另外还结合了自适应形态降采样将不同形态层进行融合提取roi形态做预测,以及加上额外mask前景背景分类分支,使得预测mask更加精确,什么手段结合对于目标检测位置精度有比较大的收益。共同,分割和检测任务结合不能互相助于取得更好的结果。

原文发布时间:2020-01-10

作者:渔哓

本文来自阿里云合作伙伴“阿里技术”,了解相关信息还需用关注“阿里技术”。

2)磨损压盖多:地面元素长年累月受车辆、行人等碾压会造成磨损,以及突然发生的堵车等场景更是加大了地面累积被遮挡的肯能。统统从激光雷达获取的点云数据和由相机获取的可见光图像数据的质量均参差不齐,对地面标志识别带来了极大的挑战。

有后来五种最好的法子稍显繁琐,有后来检测和分割任务都需用耗费几滴 GPU资源,也而是说一张图片需用共同多次GPU运算加上后续的CPU后外理融合才不能得到最终的结果,肯还需用够将什么步骤优化,没人 必然不能多样化流程同八时省几滴 运算资源。

语义分割的引入使得地面标识的识别位置精度得到了改善,外理了由检测带来的识别位置精度不鲁棒的现象,使得高精地图地面标识自动化效果上了一三个白多多新的台阶。

图4. R-FCN算法示意图

图 13 检测识别实例

有后来 人探索了多种3维点云识别算法,比如基于bird-view、voxel等的3维点云识别。肯能PointRCNN在原始3维点云目标检测上的良好表现,有后来 人采用基于PointRCNN的最好的法子提取地面标识,整个检测框架包括一三个白多多阶段:第一阶段将整个场景的点云分割为前景点和背景点,以自下而上的最好的法子直接从点云生成几滴 高质量的3D proposal。

图 14 3维点云检测

目前检测识别技术主要分为两大方向:Two-Stage(如RCNN系列)和One-stage(SSD、YOLO等)。Two-Stage网络优势在于效果整体较好,识别位置较精确,对小目标检测全是一定的竞争力。

结合位置敏感得分图(position-sensitive score map)和位置敏感降采样(position-sensitiveroi pooling)等操作,R-FCN算法在目标检测识别上获得了较高的性能和位置精度,有后来 人挑选了R-FCN检测算法实现对地面标识的检测识别。

设想一下,肯能有后来 人在地面标识区域进行局部的位置回归,没人 网络就不能聚焦到更加细微的地面标识区域,最终得到更加接近边界的位置。结合实际在做地面标志识别时,有后来 人将容易造成精度现象的累积单独做位置精修,得到了更加精细的位置。

以下为有后来 算法识别结果示例:

高精地图被称作自动驾驶系统的“眼睛“,与普通地图最大的不同点在于使用主体不同。普通导航地图的使用者是人,用于导航、搜索,而高精地图的使用者是计算机,用于高精度定位、辅助环境感知、规划与决策。因而高精地图对地图累积不仅需用极高的召回率,还需用非常高的位置精度。

有后来 人采用以resnet 为主干的分割模型,并结合了自适应感受野、多尺度融合、Coarse-Fine融合、感兴趣区域注意力机制等技术实现了对地面标识的像素级分割。

引入深度1学习极大的改善了高精地图地面标识自动识别的性能,地面标识召回得到了很大提升,美中不够的是R-FCN发生着一三个白多多弊端而是其输出的最终检测位置是基于地面标识类别的得分,但往往得分最高的位置不要一定跟实际位置最贴合,统统在位置预测精度上,R-FCN不要完美。

1)地面标识种类繁多:实际场景中地面标识种类繁多,在内容、颜色、形态、尺寸等方面均有不同分布。

另外有后来 人也尝试了GrabCut等算法在地面标志上的提取,GrabCut算法对前景和背景分别聚类,得到k组类事的像素集合,有后来对前景和背景分别进行高斯混合模型(GMM)建模,判断像素属于地面标志还是背景。在提取疑似地面标识区域后,再经过机器学习模型(SVM等)进行细分类以获得更好的识别效果。

地面标识识别,发生地图道路中识别出各种类型的地面标识元素,如地面箭头、地面文字、时间、地面数字、低速带、车距确认线、低速丘、人行横道、停止让行线、低速让行线等。什么自动化识别结果将作为生产数据交付给地图生产产线,经过制作后演变成服务于自动驾驶、车载导航、移动导航的地图。

4)基于角点的检测

1)R-FCN检测

图6.级联检测算法原理图

图10.地面标识分割示意图

图1. 累积地面标识

地面标识识别需用做的是将地面标识这累积区域提取出来,则最直观的是对其进行阈值分割、骨架提取、连通域分析等传统最好的法子。首先获取点云中地面点集合,接着获取集合中高反射率累积的骨架集合,有后来对每个局部骨架区域计算效率截断阈值,最后对区域进行连通区域搜索以及附加降噪最好的法子等。

高精地图一般对各个地图累积精度大约有着厘米级的要求,统统相对于普通地图来说需用更高的位置精度,这也是与普通地图识别的最大不同,统统探索怎样将地面标识识别得又全又准是有后来 人突然努力的方向。

3)级联检测 + 局部回归

该算法不同于传统算法对roi进行一次预测回归得到最终位置,而是通过级联的形式不断修正预测的位置和实际位置的偏差,每经过一三个白多多级联回归器,算法识别结果均会更加贴合真值,这非常助于提高识别精度,契合高精地图对目标位置精度的高要求,最后在召回和位置精度上都达到更好的效果。

点击此处即可下载全本电子书。

地面标识识别有两大难点:一是地面标识五种的种类、大小繁多,二是地面标识易被磨损遮挡,清晰度参差不齐,这给高精度识别带来了巨大的挑战。

以下为有后来 算法的识别结果示例。还需用看完算法对累积磨损模糊的地面标识全是了一定的宽容度,其位置精度有了巨大的改善。(图中地面标识外框为检测得到的大约位置,内框为根据像素级分割得到的位置,取内框为地面标识最终位置)。

以下为累积检测结合精修示例图:

现在,《高德技术2019年刊合辑》免费推出,6大章节全年盘点,为你揭晓有“温度”的科技!本篇文章《高精地图中面标识别技术历程与实践》是电子书收录的文章之一,介绍了高德在高精地图地面标识识别上的技术演进,什么技术手段在不共同期服务了高精地图产线需求,为高德地图构建高精度地图提供了基础的技术保证。

图7. 级联检测算法识别示例

图5. R-FCN算法地面标识识别示例

以下为有后来 地面标识检测识别示例:

6)PAnet

2012年Hinton团队提出的Alexnet网络赢得了2012年图像识别大赛冠军,相比传统最好的法子获得显著提升,CNN在图像领域有了明显优势。近几年,基于深度1学习的检测识别技术也得到了很大发展。

为了获取地面标识的实体信息,有后来 人仍然用检测来挑选地面标识大致位置,有后来不同的是最终由对应区域的地面标识分割语义信息获取最终精确的地面标识位置。

图 9 角点检测示意图

随着深度1学习的发展以及业界对目标检测识别位置精度的要求不断提高,更多高精度检测识别算法被提了出来,如Iou-Net等。

5)级联检测 + 分割精修

由上图还需用看完,对于有后来 前后景区分比较好的地面标识提取的比较好,有后来针对有磨损、模糊、前景背景类事、背景多样化等情况均效果欠佳,容易漏召回且位置精度不高,鲁棒性不强。

阿里妹导读:回首2019年,作为首个日活过亿的国民出行平台,高德地图to C和to B的用户数都再攀新高。在肩头支撑和驱动业务快速发展的,正是数千名日夜奋战的高德技术人。

2019年,人工智能技术在高德地图全面落地,在视觉、搜索、导航、定位等业务场景发挥了没人 大的作用;客户端&移动、汽车技术、服务架构、数据研发、质量等技术领域,也实现了深化、融合、智能、创新和突破,为用户提供更准确、更高效的地图服务和交互体验。

第二阶段在规范坐标中修改候选区域获得最终的检测结果,将每个proposal经池化后转换为规范坐标,以便更好地学习局部空间形态,共同与第一阶段中全局语义形态相结合,用于预测Box优化和置信度预测。

基于角点回归的目标检测最好的法子,使用单个卷积神经网络预测两组热力图来表示不同物体类别的角的位置,即将目标边界框检测为一对关键点(即边界框的左上角和右下角),以及每个检测到的角点的嵌入向量。其中角点用于挑选目标位置,嵌入向量用于对属于同一目标的一对角点进行分组。

深度1学习时代是数据和硬件驱动的时代,结合累积人工标注以及自动化生成,有后来 人拥有百万级的数据,有后来各种场景的数据还在不断宽裕,结合算法探索与创新,有后来 人取得了没人 好的技术与业务效果。

有后来 人适时采用了更加先进的识别算法,以期获得更加精准的位置精度来满足产线业务需求,结合级联检测,利用Deformable-Conv自适应感受野等技术提升算法识别精度。

基于后面 的考虑,有后来 人探索原始点云上的3D物体检测,3D点云识别是各种真实世界应用的一三个白多多重要组成累积,如自主导航、重建、VR/AR等。与基于图像的检测相比,激光雷达提供可靠的深度1信息,还需用用于精挑选位物体并表征它们的形态。

R-FCN算法基于深度1学习的最好的法子,通过学习几滴 实际场景样本,统统在泛化性上取得了比较大的提升,自动化识别对于不同场景的识别能力有所提高,地面标识召回率得到了较大的改善。算法示意图如下所示:

通过引入级联形式的检测识别模型令高精产线自动识别能力在识别精度上得到了不错的提升,但有后来 人对自动识别位置精度提升的挖掘是无止尽的,统统了以下的方案。