自动驾驶难度很大，标记数据不应当那么无以。像素级语义掩码在2D和3D投影之间极致关联据麦姆斯咨询报导，激光雷达（LiDAR）新一代厂商Ouster近日与Playment和Scale.AI一起宣告了一项激光雷达数据标记合作伙伴计划，以为Ouster快速增长的客户群（目前已多达300家，并且还在大大快速增长中！）修改并提升激光雷达数据标记的效率。

Ouster期望其研发的数据标记技术不仅可以服务于Ouster的客户，还能惠及辽阔的机器学习行业。几个月来，Ouster与Playment和Scale.AI合作开发了一种新的数据标记工具，利用Ouster激光雷达数据自身的2D-3D特性，将数据标记成本减少了50%，并能获取更高精度、更加较慢的标记以及更好的标记选项，还能大大简化从数据捕捉到开始模型训练的过程。此外，Ouster还为激光雷达数据研发了一种对外开放格式，使客户的数据记录、存储、传输、读取和标记显得更为非常简单。

Ouster对外开放了这种数据格式，期望产业其它厂商需要环绕Ouster早已开始的工作展开标准化（尽管它只反对结构化激光雷达数据）。这种激光雷达格式将包括在Ouster开源驱动的改版中，使客户的OS-1传感器数据需要必要以这种格式记录，以便将其移往到Playment、Scale.AI或其他厂商展开数据标记。

结构化激光雷达数据的优势OS-1传感器结构化激光雷达数据的可视化传统激光雷达一般来说使用机械转动单元或者是光束扫瞄单元。典型的机械转动激光雷达偏向于以非恒定的速度转动，造成每帧的点间隔不均匀分布。同时，MEMS或扫瞄激光雷达偏向于有部分光束以非线性S形曲线扫瞄。这些都有利于将激光雷达数据存储在相同网格中，用作2D深度自学、传输数据格式和更容易标记。

归功于Ouster的多光束flash激光雷达设计，Ouster的OS-1传感器需要输入结构化激光雷达数据，其中水平和横向角度间距就像照相机一样，始终保持恒定。这就能使激光雷达输入2048x64像素尺寸相同的深度图以及每帧上的强度和环境光图像，从而可以用于卷积神经网络，并大规模修改图像存储和标记。虽然RGB-D照相机和传统flash激光雷达也需要输入结构化深度数据，但与OusterOS-1比起，这两类传感器在室外环境中的观测距离、深度分辨率、视场或稳定性都不如OS-1。

不过，这些短距离结构化3D照相机依然可以从Ouster正在研发的工作中获益，Ouster希望这些产品的制造商考虑到应用于Ouster的方案。结构化激光雷达数据的标记工作流Ouster通过与标记合作伙伴合作，在其标记工具中利用Ouster的结构化数据优势，最大限度地减少了标记成本，提升其功能性，并明显提升了注解精度。例如：-为注解器获取实时的2D和3D视图，作为当前任务的直观视觉证实；-在2D激光雷达图像中注解像素级掩码，并用于3D点云检查掩码精度，通过加到或去除单个点或自由选择点簇并改版2D掩码，来优化3D点云内的掩码；-用于3D边界板自动分解100%精确的2D掩码（语义或实例拆分）、长方体或2D图像中的边界板。

一旦亲身理解过这种标记流程的运营，就不会确切它有多高效和精确。

本文来源：jbo竞博官网-www.jennafelderevents.com