[发明专利]一种连续帧数据的标注系统、方法和装置

权利要求书

1.一种连续帧数据的标注系统，其特征在于，包括云端和标注端；其中，

所述云端被配置为：获取标注任务，所述标注任务中包括待标注物体的类别、位置和输出文件格式；

所述云端读取连续帧数据，并根据所述标注任务，对所述连续帧数据中的每一帧数据进行目标检测，将得到的每帧数据中待标注物体的类别和位置作为检测结果，其中，所述云端在对单帧数据进行目标检测时所采用的是预设目标检测模型，所述预设目标检测模型在训练过程中所采用的损失函数为所述待标注物体的位置按照归一化误差的大小进行排序后的加权和，所述归一化误差的权重为w的k次方，所述w为超参数，所述k为归一化误差排序后的位序值；

所述云端根据所述检测结果和各帧数据间的时序信息，建立各帧数据中同一个待标注物体间的关联关系，所述关联关系为所述连续帧数据的预标注结果；

所述云端将所述预标注结果按照所述输出文件格式生成可扩展的预标注文件，并将所述预标注文件和所述连续帧数据发送到所述标注端；

所述标注端被配置为：接收所述云端发送的连续帧数据及对应的预标注文件，并在接收到对所述预标注文件的修正指令后，按照所述修正指令对所述预标注文件进行修正，并将修正后的标注结果作为所述连续帧数据的目标标注结果。

2.一种连续帧数据的标注方法，应用于云端，其特征在于，包括：

获取标注任务，所述标注任务中包括待标注物体的类别和位置；

读取连续帧数据，并根据所述标注任务，对所述连续帧数据中的每一帧数据进行目标检测，将得到的每帧数据中待标注物体的类别和位置作为检测结果，其中，在对单帧数据进行目标检测时所采用的是预设目标检测模型，所述预设目标检测模型在训练过程中所采用的损失函数为所述待标注物体的位置按照归一化误差的大小进行排序后的加权和，所述归一化误差的权重为w的k次方，所述w为超参数，所述k为归一化误差排序后的位序值；

根据所述检测结果和各帧数据间的时序信息，建立各帧数据中同一个待标注物体间的关联关系，其中，所述关联关系作为所述连续帧数据的预标注结果，用于在标注端根据修正指令进行修正，所述标注端修正后的标注结果为所述连续帧数据的目标标注结果。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于机器学习方法，对所述检测结果进行修正，使得同一个待标注物体具有相同的尺寸，其中，所述机器学习方法包括卡尔曼滤波算法。

4.根据权利要求2所述的方法，其特征在于，所述标注任务中还包括输出文件格式；

相应的，所述方法还包括：

将所述预标注结果按照所述输出文件格式生成可扩展的预标注文件，并将所述预标注文件和所述连续帧数据发送到所述标注端，以供标注人员在所述标注端进行修正。

5.根据权利要求2-4任一所述的方法，其特征在于，所述连续帧数据为图片或3D激光雷达点云。

6.一种连续帧数据的标注装置，应用于云端，其特征在于，包括：

标注任务获取模块，被配置为获取标注任务，所述标注任务中包括待标注物体的类别和位置；

目标检测模块，被配置为读取连续帧数据，并根据所述标注任务，对所述连续帧数据中的每一帧数据进行目标检测，将得到的每帧数据中待标注物体的类别和位置作为检测结果，其中，在对单帧数据进行目标检测时所采用的是预设目标检测模型，所述预设目标检测模型在训练过程中所采用的损失函数为所述待标注物体的位置按照归一化误差的大小进行排序后的加权和，所述归一化误差的权重为w的k次方，所述w为超参数，所述k为归一化误差排序后的位序值；

关联模块，被配置为根据所述检测结果和各帧数据间的时序信息，建立各帧数据中同一个待标注物体间的关联关系，其中，所述关联关系作为所述连续帧数据的预标注结果，用于在标注端根据修正指令进行修正，所述标注端修正后的标注结果为所述连续帧数据的目标标注结果。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

修正模块，被配置为基于机器学习方法，对所述检测结果进行修正，使得同一个待标注物体具有相同的尺寸，其中，所述机器学习方法包括卡尔曼滤波算法。