2023北京大数据技能大赛“智能网联创新应用”赛道决赛圆满结束

时间：2023-12-01 15:50 编辑：来源：阅读：513

扫一扫，手机访问

摘要：

2023年11月29日，北京大数据技能大赛“智能网联创新应用”赛道决赛路演在中关村智能网联汽车前沿技术中心召开。北京市大数据中心副主任石志国、中关村科学城管委会产业一处四级调研员王震宇、北京翠湖智能网联科技发展有限公司副总经理吴勇以及参加决赛评审的专家出席了活动。

北京大数据技能竞赛是由北京市经信局、北京市总工会指导，北京市大数据中心数据指导，北京大数据技能大赛组委会主办的赛事。其中，“智能网联创新应用”赛道由北京实创科技园开发建设股份有限公司、北京翠湖智能网联科技发展有限公司主办，北京万集科技股份有限公司、北京智芯原动科技有限公司、TIE国际创新走廊联合主办。“智能网联创新应用”赛道聚焦智能网联、智能交通领域，选取中关村软件园、中关村环保园等重点园区周边道路交通数据，以及路测停车场数据用于比赛，参赛团队对数据进行深度分析，提供优化建议方案。共设计2道赛题，面向参赛团队开放了多个数据项。自7月15日智能网联创新应用赛道启动以来，共计来自高校、企业、科研院所的80多位选手参赛，涌现出大量优秀作品。经过预赛专家评审，共有8个团队和作品进入决赛。

决赛评审以选手线上或线下答辩和专家线下评审相结合的方式进行。来自中科院软件所、中国仿真学会、北京邮电大学、中科院自动化所、北京市大数据中心等单位的5位资深专家组成专家评审委员会。评审过程中，每个选手有12分钟时间展示自己的作品内容，随后由评委专家提出有关赛题内容和选手作品的专业性问题，现场关于选手的回答和对于选手作品的讨论高潮不断，来自不同领域的评委们也都分别给出了自己的专业性意见和评价，整个评审过程流畅进行。下午五点左右，答辩环节结束。赛道组委会统计人员认真核对评委老师的打分，并依据分数进行排名，进而确定各奖项的最终归属。

“BIT-LPrec”队在本次比赛中展示了他们的创新策略，基于车辆检测技术，他们采用实际停放车辆的位置来确定车位范围，而非依赖识别车位线的传统方法。这种方法在解决路边场景下车位线不清晰、难以还原俯视角图像的问题上表现出色。通过自动积累车辆行为产生的停车位位置信息，他们的系统能够实现车位定位的自动化，避免了预先手动定位的困难。这种自动累积学习位置信息的方法不仅解决了车位定位的问题，还赋予了系统持续更新车位信息的能力，为实际应用提供了极大的便利。

“BJTU_Carid”队在解决车辆遮挡问题上展现了独特的策略。他们运用IOU（交并比）关系判断停车状态，考虑到停车过程中车辆与相邻车位较近的区域可能存在重叠，因此选取目标车位内部更小的矩形区域作为IOU计算的区域。当车辆与该矩形区域的交叠达到设定的停车阈值时，即判断车辆为停车状态。此外，他们还采用基于中心点距离的判断方法，通过计算车辆检测框中心与车位中心点的距离，当该距离小于预设阈值时，即判定为停车状态。这两种方法结合，有效地解决了车辆遮挡问题，提升了停车状态检测的准确性。

来自北京交通大学的“BJTU”队，以单一点云作为输入，实现基于深度学习的目标检测任务。这种综合的方法不仅丰富了数据的多样性，还提高了模型对复杂变换的鲁棒性，同时通过轻量网络和特征压缩技术，有效减少了模型的计算负担，使本方案算法更适用于实际部署。

“打不过就加入”队在本次比赛中针对速度问题，成功运用稀疏卷积并实现了在GPU上的加速，使训练速度提升4倍，推断速度提升3倍。为了提高准确率，他们创新地提出了新的角度损失函数，为模型提供了更精确的角度预测能力。此外，为了解决数据问题，他们独创了新的数据增强方法，有效提升了模型的泛化能力。这些突破性的改进使他们在比赛中表现出色，展示了强大的实力和创新能力。

“吾名”队在图像识别方面取得了显著的亮点和突破。为了进一步提高图像识别的准确性和性能，首先采用了分层采样的方法，通过对数据集进行分层采样，使得模型能够更好地学习到不同层次的特征，提高了模型的泛化能力。其次关注输入图像的尺寸，通过调整输入图像的大小，可以使得模型更加专注于图像的内容，而不是被过多的背景信息干扰。此外还采用了数据增强的方法，对输入图像进行旋转、缩放和裁切等操作，增加了模型的泛化能力，使其能够更好地适应不同的环境和条件。最后探索了更多的参数优化方法，如使用更复杂的神经网络结构（如yolov8x）等，这些方法可以使得模型更加精细地调整参数，从而提高模型的性能和准确性。

“专业参赛小队”的方案在目标检测、车牌识别和停车判断算法的应用上具有创新性和突破性设计。通过引入YOLOv8算法和HyperLPR3算法，方案能够实现准确率和处理速度的提升。同时，停车判断算法的设计能够更好地满足停车识别的需求，提高识别的准确性和稳定性。这些创新性的设计使得方案在停车识别算法研究与应用领域具有较高的竞争力和应用价值。

“清华无敌战车”队对于图像目标检测任务，采用当前最先进的基于DETR的目标检测器DINO，该方法引入了对比去噪训练的方法避免模型重复标记同一个目标。此外DINO还改进了初始化查询的方法，并利用了Deformable DETR中的可变形注意力加速训练。对于点云目标检测任务，采用PVRCNN，该方法融合基于点和体素解决pointwise方法特征提取能力弱、voxelwise推理速度慢的问题。此外PVRCNN还沿用了pointrcnn种基于bin的3D框回归损失，降低输出域的复杂度。

“GANZHI”队的亮点主要体现在以下几个方面：首先，他们成功引入了动态蛇形卷积，这种创新方法在不显著增加计算量的同时，显著改善了模型对数据间空间关系的捕获能力。其次，他们通过增加上采样，将图像放大，从而在更高分辨率的图像上进行特征提取，此举进一步增强了模型对细节信息的捕捉能力。最后，他们通过加深卷积层，显著提高了模型的表达能力，进而提高了模型的准确率。他们还指出，在数据量充足的情况下，加深网络层数能够进一步提高模型的泛化能力。

最终，来自清华大学的“清华无敌战车”队获得一等奖；来自北京交通大学的“BJTU_Carid”和来自北京理工大学的“BIT-LPrec”队获得二等奖；来自北京交通大学的“BJTU”队、来自内蒙古大学的“专业参赛小队”以及来自北京交通大学的“吾名”队获得三等奖。来自北京航空航天大学的“GANZHI”和来自北京交通大学的“打不过就加入”队获得了最具潜力奖。

奖项	团队名
一等奖	清华无敌战车
二等奖	BJTU_Carid
二等奖	BIT-LPrec
三等奖	BJTU
三等奖	专业参赛小队
三等奖	吾名
最具潜力奖	GANZHI
最具潜力奖	打不过就加入

上一篇：已是第一篇内容
下一篇：已是最后一篇内容