让算法看懂城市，远比识别一辆汽车复杂。道路施工会临时改变车道，树影遮住标线，雨夜把灯光拉成长条，骑行者与外卖车在路口交错。传感器只记录像素和点云，模型需要通过标注，才知道哪些区域是道路、谁在移动、物体之间有什么关系。
数据标注因此不是简单“打标签”，而是在建立一套城市机器可读的描述语言。场景越复杂，描述方式越需要随任务创新。
## 先从任务决定标什么
同一张街景图可以服务不同系统。道路养护关注裂缝、坑洼和标志牌状态；交通分析关注车流、行人和轨迹；无障碍地图关注坡道、台阶、路面宽度和临时障碍。
如果目标是统计车辆，矩形框可能足够。要判断可通行区域，就需要语义分割，把每个像素划分为道路、人行道、建筑、植被等类别。要区分相互遮挡的多个行人，需要实例分割。要理解运动，则要在视频多帧之间保持同一个目标 ID。
标注方案应从业务决策反推：系统最终要预测什么，错误会造成什么影响，传感器能观察到什么。类别越多并不一定越好；含义重叠、边界模糊的标签会降低标注一致性。
## 城市场景需要一套可执行的本体
“车道”“临时路障”“可骑行区域”看似直观，不同标注员却可能有不同理解。标注本体要说明类别定义、包含关系、可见边界、遮挡规则和困难样例。
Mapillary Vistas、Cityscapes、BDD100K 等公开数据集都通过明确类别和多任务标注，推动了道路场景理解研究。它们提醒我们：标签并非天然存在，而是根据目标定义出来的。
例如一辆被货车挡住一半的自行车，框应该覆盖可见部分还是推断完整轮廓？积水反射出的行人算不算实例？施工区域的临时黄线是否覆盖原车道线？把这些问题写进指南，才能让数据跨时间、跨团队保持一致。
## 从二维框走向时空标注
城市系统越来越多地结合摄像头、激光雷达、定位和地图。创新点不再是单张图片上多画几个框，而是把对象放入时间和空间。
多传感器标注可以把二维图像中的车辆与三维点云中的位置对齐，形成三维框、速度和朝向。视频标注可以记录对象从进入路口到离开的轨迹，分析等待、转向和冲突关系。地图要素则描述车道中心线、连接关系和可通行拓扑。
nuScenes 和 Waymo Open Dataset 等自动驾驶研究数据集展示了相机、激光雷达与时序信息结合的价值。智慧城市不必复制自动驾驶的全部成本，但可以按任务选择最小必要表示，例如只对高风险路口做高精度三维标注。
## 地理与天气长尾比平均准确率更重要
城市数据分布极不均匀。商业区白天样本容易收集，凌晨的配送车辆、暴雨中的积水、节日期间的临时设施和郊区无标线道路却很少。
如果训练集主要来自晴天主干道，模型在总体测试集上可能很漂亮，遇到真实长尾仍会失败。采样计划应覆盖地区、季节、时段、天气、道路结构和设备类型，并记录这些元数据。
还要警惕地域迁移。一个城市训练出的“人行道”模型，换到铺装材料、路缘石高度和交通工具不同的地方，标签定义和视觉特征都可能变化。跨城市扩展应先抽样评测，再决定补标哪些场景。
## 主动学习把人力投向最有价值的样本
城市视频数量巨大，全部精细标注既昂贵也没有必要。主动学习可以先让模型处理未标数据，再挑选不确定、罕见或与已有样本差异较大的片段交给人工。
模型预标注还能提供初始框和掩码，标注员负责修正。效率提升的前提是记录人工修改，而不是默认预标结果正确。否则模型的系统性偏差会被原样写回训练集。
一个实用循环是：采集新场景，模型预标，按不确定性和覆盖度抽样，人工复核，运行一致性检查，再把新增数据加入版本化训练集。每轮都比较新增数据带来的边际收益。
## 质量控制要观察一致性与下游效果
抽检准确率只是起点。像素级任务要关注边界质量，小目标要单独统计召回率，轨迹标注要检查 ID 是否跳变，多传感器数据要检查时间同步和坐标偏移。
可以让两名标注员独立处理一小批样本，计算一致性，并由资深人员裁决分歧。高频分歧往往说明指南含糊，而不只是个人失误。
最终还要做下游验证：加入这批标注后，模型在目标城市和困难场景上的指标是否改善？某些标签虽然精细，却可能几乎不影响任务；另一些少见标签，则可能显著改善关键场景。
## 标签本身也有生命周期
城市会变化。道路翻修、交通工具更新、摄像头更换，旧标签体系可能不再适用。数据集需要记录采集时间、设备、标注规范和版本，并为类别合并、拆分和废弃保留映射。
把“模型失败样本”与城市现场反馈接回标注队列，能形成持续更新的闭环。发现模型总把共享单车堆识别为普通停车区时，团队既要补数据，也要检查本体是否能表达“阻塞通行”。
智慧城市的数据标注创新，不在于把每个画面标得越来越满，而在于用恰当的时空表示描述真实任务，把有限人力投入长尾场景，并让标签随城市与模型共同迭代。
## 参考资料