METHOD AND APPARATUS FOR PREDICTING VIRTUAL ROAD SIGN LOCATIONS
Provided are a computer-implemented method and apparatus for predicting virtual road sign locations of virtual road signs that may be superimposed onto environmental data of a vehicle. The method includes collecting, as a first training data subset, one or more aerial and/or satellite images of a p...
Gespeichert in:
Hauptverfasser: | , , |
---|---|
Format: | Patent |
Sprache: | eng ; fre |
Schlagworte: | |
Online-Zugang: | Volltext bestellen |
Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
Zusammenfassung: | Provided are a computer-implemented method and apparatus for predicting virtual road sign locations of virtual road signs that may be superimposed onto environmental data of a vehicle. The method includes collecting, as a first training data subset, one or more aerial and/or satellite images of a pre-determined region; obtaining, as a second training data subset, geocentric positions of key point markers in the pre-determined region; supplying the first training data subset and the second training data subset to a deep neural network as training dataset; training the deep neural network on the training dataset to predict key point marker locations in a region of interest, the key point marker locations corresponding to virtual road sign locations; defining a region of interest as input dataset; and processing the input dataset by the trained deep neural network to predict key point marker locations within the defined region of interest, the key point marker locations corresponding to virtual road sign locations.
L'invention concerne un procédé et un appareil mis en œuvre par ordinateur pour prédire des emplacements de panneau de route virtuelle de panneaux de route virtuels qui peuvent être superposés sur des données environnementales d'un véhicule. Le procédé consiste à collecter, sous la forme d'un premier sous-ensemble de données d'apprentissage, une ou plusieurs images aériennes et/ou satellites d'une région prédéterminée ; à obtenir, en tant que second sous-ensemble de données d'apprentissage, des positions géocentriques de marqueurs de point clé dans la région prédéterminée ; à fournir le premier sous-ensemble de données d'apprentissage et le second sous-ensemble de données d'apprentissage à un réseau neuronal profond en tant qu'ensemble de données d'apprentissage ; à entraîner le réseau neuronal profond sur l'ensemble de données d'apprentissage pour prédire des emplacements de marqueur de point clé dans une région d'intérêt, les emplacements de marqueur de point clé correspondant à des emplacements de panneau de route virtuelle ; à définir une région d'intérêt en tant qu'ensemble de données d'entrée ; et à traiter l'ensemble de données d'entrée par le réseau neuronal profond entraîné pour prédire des emplacements de marqueur de point clé dans la région d'intérêt définie, les emplacements de marqueur de point clé correspondant à des emplacements de panneau de route virtuelle. |
---|