JwumaDữ liệu AI hiện thân và robot, khi chú thích LiDAR gặp lỗi
· 4 phút đọc · specification, robotics
Bản dịch này do máy tạo ra và chưa được người bản ngữ kiểm tra. Khi có điểm chưa rõ, bản tiếng Anh là bản gốc. Hãy cho chúng tôi biết nếu có lỗi và chúng tôi sẽ sửa. English
Chú thích robot bao gồm đám mây điểm, độ sâu và chuyển động qua các chuỗi. Tính nhất quán giữa các khung hình quan trọng hơn độ chính xác từng khung hình, vì một đối tượng được gán nhãn hơi khác nhau giữa các khung hình sẽ dạy mô hình rằng thế giới nhấp nháy. Cần chỉ định rõ yêu cầu về tính nhất quán, vì QA từng khung hình sẽ không phát hiện ra điều này.
Tóm tắt
- Tính nhất quán giữa các khung hình là yếu tố chất lượng chủ đạo.
- Kiểm tra độ chính xác từng khung hình không phát hiện được sự trôi giữa các khung hình.
- Quy ước xử lý che khuất phải được cố định trước khi bắt đầu chú thích.
- Lỗi hiệu chuẩn cảm biến dễ bị nhầm lẫn với lỗi chú thích.
- Cần xem xét cấp độ chuỗi, không chỉ lấy mẫu khung hình.
Bạn đang lên kế hoạch cho dự án tương tự?
Chúng tôi muốn trao đổi về vấn đề hơn là báo giá theo khối lượng.
Xem năng lựcTại sao tính nhất quán giữa các khung hình lại chiếm ưu thế?
Vì mô hình đang học rằng các đối tượng tồn tại liên tục. Nếu cùng một phương tiện được đóng khung hơi khác nhau qua các khung hình liên tiếp, tín hiệu đào tạo cho biết phương tiện đã thay đổi hình dạng, và hành vi theo dõi suy giảm theo những cách mà số liệu từng khung hình không thể hiện.
Mỗi khung hình riêng lẻ có thể nằm trong phạm vi cho phép trong khi toàn bộ chuỗi không sử dụng được. Đây là đặc điểm thất bại của các tập dữ liệu robot được chú thích theo thói quen chú thích hình ảnh.
QA nên khác biệt như thế nào so với chú thích hình ảnh?
Xem xét chuỗi, không lấy mẫu khung hình. Một mẫu khung hình ngẫu nhiên gần như không phát hiện được sự trôi, vì sự trôi là thuộc tính của mối quan hệ giữa các khung hình hơn là của bất kỳ khung hình nào.
Hãy hỏi cụ thể cách nhà cung cấp của bạn xem xét chuỗi và số liệu tính nhất quán của họ là gì. Nếu câu trả lời là độ chính xác từng khung hình, họ đang đo lường sai điều.
- Xem xét cấp độ chuỗi, không lấy mẫu khung hình
- Một số liệu tính nhất quán giữa các khung hình rõ ràng
- Quy ước nhập và thoát che khuất
- Xử lý các đối tượng rời khỏi và tái xuất hiện trong cảnh
Những quy ước nào cần được cố định trước?
Chủ yếu là che khuất. Điều gì xảy ra khi một đối tượng bị che khuất một phần, bị che khuất hoàn toàn trong vài khung hình, sau đó tái xuất hiện. Liệu hộp có được nội suy qua che khuất hay bị loại bỏ và bắt đầu một đường theo dõi mới.
Cả hai câu trả lời đều có thể chấp nhận được. Một câu trả lời không được chỉ định có nghĩa là các người chú thích khác nhau chọn khác nhau trong cùng một tập dữ liệu, điều này tệ hơn bất kỳ lựa chọn nào.
Làm thế nào để tách biệt lỗi cảm biến khỏi lỗi chú thích?
Bằng cách kiểm tra hiệu chuẩn trước khi đổ lỗi cho người chú thích. Sự sai lệch giữa các cảm biến tạo ra các lỗi chú thích rõ ràng nhưng thực ra là các chú thích đúng của dữ liệu không khớp.
Một nhà cung cấp không thể phân biệt hai điều này sẽ tiếp tục chú thích lại dữ liệu mà không bao giờ là vấn đề, và tính phí bạn cho việc đó.
Câu hỏi khác
Điều gì quan trọng nhất trong chất lượng chú thích LiDAR?
Tính nhất quán giữa các khung hình. Một đối tượng được gán nhãn hơi khác nhau giữa các khung hình liên tiếp dạy mô hình rằng các đối tượng thay đổi hình dạng, và các số liệu độ chính xác từng khung hình không phát hiện ra điều này.
Chú thích robot nên được kiểm tra chất lượng như thế nào?
Bằng cách xem xét toàn bộ chuỗi thay vì lấy mẫu từng khung hình, với một số liệu tính nhất quán giữa các khung hình rõ ràng. Lấy mẫu khung hình gần như không phát hiện được sự trôi.
Làm thế nào để phân biệt lỗi hiệu chuẩn cảm biến với lỗi chú thích?
Kiểm tra hiệu chuẩn trước. Sự sai lệch tạo ra những gì trông giống như lỗi chú thích nhưng thực ra là các chú thích đúng của dữ liệu không khớp, và việc chú thích lại sẽ không khắc phục được.