Системы помощи водителю ADAS на основе ИИ

Модель компьютерного зрения автоматически определяет тип дорожной сцены (город, шоссе, тоннель и др.) и погодные условия (облачно, дождь, снег и др.) на кадрах с регистраторов, снижая нагрузку на ручную разметку.

Задачи

Разработать модель, определяющую сцену и погоду на кадре регистратора.
Достичь точности ≥ 90 % на валидации.
Минимизировать ложно-положительные срабатывания с помощью пост-обработки (скользящее окно).
Сократить объём ручной разметки и ускорить формирование датасетов.

Preview Системы помощи водителю ADAS на основе ИИ

О проекте

До проекта качество данных обеспечивали асессоры, которые вручную просматривали и классифицировали миллионы кадров. Это требовало значительных ресурсов и увеличивало время подготовки датасетов.

Разработана система автоматической классификации на базе PyTorch и семейства сетей ResNeXt/ResNet, чтобы быстро отсеивать некорректные кадры и поставлять разметку в потоке практически без участия человека.

Результаты

90%точность на тестовой выборке

>2раз сокращение удельного времени работы аксессуаров

25%снижение единичных ошибок за счёт пост-обработки методом скользящего окна

РеализованаCNN-модель ResNeXt (PyTorch) со сложным классификатором «сцена + погода».

Вызовы и решения

Разнородность данных: Кадры сильно различались по освещению, времени суток и качеству. Применяли аугментации (цветовые сдвиги, шум, кроп) и балансировку классов для устойчивости модели.
Нечёткие границы классов: «Город» и «шоссе» иногда смешивались (например, пригород). Для повышения контраста классов ввели смешанные категории и уточнили разметочные инструкции.
Спорадические ошибки модели: Одиночные кадры могли классифицироваться неверно из-за бликов или артефактов. Внедрили скользящее окно по последовательности кадров: решение принимается по моде предсказаний в окне, что устранило большинство всплесков ошибок.