[发明专利]基于人工智能的交通数据标注方法、装置、设备及介质

权利要求书

1.一种基于人工智能的交通数据标注方法，其特征在于，所述基于人工智能的交通数据标注方法包括：

获取交通数据构建图像数据集；

对所述图像数据集进行拆分，得到至少一组子数据集；

从所述至少一组子数据集中随机抽取一组子数据集进行标注，得到基础数据集；

对所述基础数据集进行扩展，得到训练数据集；

利用所述训练数据集训练卷积神经网络，得到初始网络模型；

从排除所述基础数据集后的所述至少一组子数据集中随机抽取一组子数据集作为第一数据集；

将所述第一数据集输入至所述初始网络模型，输出所述第一数据集的模型标注结果；

将所述第一数据集的模型标注结果发送至指定平台进行修正，并接收修正结果，将所述修正结果确定为所述第一数据集中数据的标注信息；

利用所述修正结果优化所述初始网络模型；

从所述至少一组子数据集中随机获取任意未标注的子数据集作为待标注数据集，并利用优化后的初始网络模型对所述待标注数据集进行标注，得到所述待标注数据集的模型标注结果，将所述待标注数据集的模型标注结果发送至所述指定平台进行修正，得到所述待标注数据集中数据的标注信息，并利用所述待标注数据集中数据的标注信息继续优化所述初始网络模型以利用优化后的初始网络模型进行下一次标注，直至所述图像数据集中的所有数据都被标注；

获取所述图像数据集中所有数据的标注信息；

从所述标注信息中获取每个特征标识对应的位置信息中的最大横坐标、最小横坐标、最大纵坐标及最小纵坐标；

以每个特征标识对应的位置信息中的最大横坐标、最小横坐标、最大纵坐标及最小纵坐标构建每个特征标识对应的数组信息；

以所述每个特征标识对应的数组信息生成标注文件。

2.如权利要求1所述的基于人工智能的交通数据标注方法，其特征在于，所述从所述至少一组子数据集中随机抽取一组子数据集进行标注，得到基础数据集包括：

将抽取的子数据集发送至指定人员的终端设备；

向所述终端设备发送提示信息，所述提示信息用于提示所述指定人员对所述抽取的子数据集进行标注；

接收从所述终端设备返回的数据构建所述基础数据集。

3.如权利要求1所述的基于人工智能的交通数据标注方法，其特征在于，所述对所述基础数据集进行扩展，得到训练数据集包括：

采用GAN网络对所述基础数据集进行扩展，得到所述训练数据集；及/或

对所述基础数据集中的数据进行随机翻转，得到翻转后的数据，整合所述翻转后的数据至所述基础数据集，得到所述训练数据集；及/或

对所述基础数据集中的数据进行随机裁剪，得到裁剪后的数据，整合所述裁剪后的数据至所述基础数据集，得到所述训练数据集。

4.如权利要求1所述的基于人工智能的交通数据标注方法，其特征在于，所述利用所述训练数据集训练卷积神经网络，得到初始网络模型包括：

利用卷积神经网络提取所述训练数据集中数据的特征信息以及所述特征信息对应的位置信息；

将所述特征信息及所述位置信息与所述训练数据集中数据的标注信息进行比对，得到损失函数；

调整所述卷积神经网络的权重，直至所述损失函数收敛，得到所述初始网络模型。

5.如权利要求1所述的基于人工智能的交通数据标注方法，其特征在于，所述将所述第一数据集输入至所述初始网络模型，输出所述第一数据集的模型标注结果包括：

通过卷积运算提取出所述第一数集中数据的特征并生成特征图；

将所述特征图输入至所述初始网络模型中的全连接层，输出每个特征对应的特征标识及位置信息；

将每个特征对应的特征标识及位置信息确定为所述第一数据集的模型标注结果。

6.如权利要求1所述的基于人工智能的交通数据标注方法，其特征在于，所述利用所述修正结果优化所述初始网络模型包括：

将所述模型标注结果与所述修正结果进行比对，得到损失函数；

调整所述初始网络模型的权重，直至所述损失函数收敛。