CN109948683A - 点云数据的难易度划分方法、装置及其相关设备 - Google Patents
点云数据的难易度划分方法、装置及其相关设备 Download PDFInfo
- Publication number
- CN109948683A CN109948683A CN201910184424.0A CN201910184424A CN109948683A CN 109948683 A CN109948683 A CN 109948683A CN 201910184424 A CN201910184424 A CN 201910184424A CN 109948683 A CN109948683 A CN 109948683A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- data
- disaggregated model
- under
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种点云数据的难易度划分方法、装置及其相关设备。其中,该点云数据的难易度划分方法包括:获取点云数据;根据预先训练得到的N个分类模型分别对点云数据进行检测,得到点云数据在N个分类模型下的检测分类结果;将点云数据在N个分类模型下的检测分类结果分别与点云数据的标注数据进行比对评估,得到点云数据的N个评估得分;根据N个评估得分,计算点云数据的难易度得分。该方法通过计算点云数据的N个评估得分,然后根据评估得分,计算点云数据的难易度得分,从而可以通过该点云数据的难易度得分即可合理的对该点云数据进行难易度划分,可以有效地提高点云数据的利用价值和利用率。
Description
技术领域
本发明涉及电子数据处理领域,尤其涉及一种点云数据的难易度划分方法、装置、计算机设备和计算机可读存储介质。
背景技术
随着社会经济全方位的发展对空间信息需求不断扩大,在当今自动驾驶感知技术中,通常运用3D(Three Dimensions,三维)激光雷达点云数据进行感知,为了使激光雷达能够获取更多结构信息,并能够进行高精度的数据扫描以及处理,采用了激光雷达点云数据进行计算,而对于点云数据进行采集和标注是算法训练中的关键点。
目前,传统方式在使用点云数据进行训练和评测时,会将全部数据投入使用,未对数据的难易度进行划分,这样,在训练数据中会导致数据冗余,大量无用数据加入会对模型无明显提升,而在评测数据中,过量简单数据的存在会导致无法有效评测算法模型的能力。因此,如何实现对点云数据进行难易度划分以有效提高数据的利用价值和利用率,已经成为亟待解决的问题。
发明内容
本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
为此,本发明的第一个目的在于提出一种点云数据的难易度划分方法,该方法通过计算点云数据的N个评估得分,然后根据评估得分,计算点云数据的难易度得分,从而可以合理的对点云数据进行难易度程度的划分,有效地提高点云数据的利用价值和利用率。
本发明的第二个目的在于提出一种点云数据的难易度划分装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的,本发明第一方面实施例提出的点云数据的难易度划分方法,包括:获取点云数据,其中,所述点云数据为经过标注的点云数据;根据预先训练得到的N个分类模型分别对所述点云数据进行检测,得到所述点云数据在所述N个分类模型下的检测分类结果,其中,N为正整数;将所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据进行比对评估,得到所述点云数据的N个评估得分;根据所述N个评估得分,计算所述点云数据的难易度得分。
根据本发明实施例的点云数据的难易度划分方法,可获取点云数据,然后根据预先训练得到的N个分类模型分别对点云数据进行检测,得到点云数据在N个分类模型下的检测分类结果,之后将点云数据在N个分类模型下的检测分类结果分别与点云数据的标注数据进行比对评估,得到点云数据的N个评估得分,最后根据N个评估得分,计算点云数据的难易度得分。即通过N个分类模型分别对点云数据进行检测,并将得到的N个检测结果分别与该点云数据的标注数据进行比对评估,以得到点云数据的N个评估得分,然后根据评估得分,计算点云数据的难易度得分,从而可以通过该点云数据的难易度得分即可合理的对该点云数据进行难易度划分,可以有效地提高点云数据的利用价值和利用率。
为达到上述目的,本发明第二方面实施例提出的点云数据的难易度划分装置,包括:数据获取模块,用于获取点云数据,其中,所述点云数据为经过标注的点云数据;数据检测模块,用于根据预先训练得到的N个分类模型分别对所述点云数据进行检测,得到所述点云数据在所述N个分类模型下的检测分类结果,其中,N为正整数;数据评估模块,用于将所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据进行比对评估,得到所述点云数据的N个评估得分;得分计算模块,用于根据所述N个评估得分,计算所述点云数据的难易度得分。
根据本发明实施例的点云数据的难易度划分装置,可获取点云数据,然后根据预先训练得到的N个分类模型分别对点云数据进行检测,得到点云数据在N个分类模型下的检测分类结果,之后将点云数据在N个分类模型下的检测分类结果分别与点云数据的标注数据进行比对评估,得到点云数据的N个评估得分,最后根据N个评估得分,计算点云数据的难易度得分。即通过N个分类模型分别对点云数据进行检测,并将得到的N个检测结果分别与该点云数据的标注数据进行比对评估,以得到点云数据的N个评估得分,然后根据评估得分,计算点云数据的难易度得分,从而可以通过该点云数据的难易度得分即可合理的对该点云数据进行难易度划分,可以有效地提高点云数据的利用价值和利用率。
为达到上述目的,本发明第三方面实施例提出的计算机设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本发明第一方面实施例所述的点云数据的难易度划分方法。
为达到上述目的,本发明第四方面实施例提出的计算机可读存储介质,所述计算机程序被处理器执行时实现本发明第一方面实施例所述的点云数据的难易度划分方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的点云数据的难易度划分方法的流程图。
图2是根据本发明一个具体实施例的点云数据的难易度划分方法的流程图
图3是根据本发明一个实施例的点云数据的难易度划分装置的结构示意图。
图4是根据本发明一个实施例的点云数据的难易度划分装置的结构示意图。
图5是根据本发明一个实施例的点云数据的难易度划分装置的结构示意图。
图6是根据本发明一个实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面先介绍下本发明实施例中的名词解释:
点云数据是指在一个三维坐标系统中的一组向量的集合,点云数据除了代表的几何位置信息之外,还可以表示一个点的RGB(Red-Green-Blue,三原色)颜色,灰度值,深度,分割结果等。该点云数据展现的形式相当于一个3D样本数据,比如,图像。本发明中的点云数据是以3D激光雷达所采集到的数据为例进行的描述。其中,该示例仅是为例方便本领域技术人员的理解,并不能作为本发明的具体限定。
目前,传统方式在使用点云数据进行训练和评测时,会将全部数据投入使用,未对数据的难易度进行划分,这样,在训练数据中会导致数据冗余,大量无用数据加入会对模型无明显提升,而在评测数据中,过量简单数据的存在会导致无法有效评测算法模型的能力,从而不能充分的发挥点云数据的利用价值。
为此,本发明提出了一种点云数据的难易度划分方法及其相关设备,本发明可对点云数据进行数据难易度划分,这样,对于训练数据来说,可以有效减少数据冗余;对于评测数据来说,可以合理分配难易数据比例,能够更好的反映算法模型能力。具体地,下面参考附图描述本发明实施例的点云数据的难易度划分方法、装置、计算机设备和计算机可读存储介质。
图1是根据本发明一个实施例的点云数据的难易度划分方法的流程图。需要说明的是,本发明实施例的点云数据的难易度划分方法可应用于本发明实施例的点云数据的难易度划分装置。该点云数据的难易度划分装置可被配置于计算机设备上。例如,该计算机设备可以为3D扫描设备,例如,激光雷达、立体摄像头等硬件设备。
如图1所示,该点云数据的难易度划分方法可以包括:
S110,获取点云数据。需要说明是,在本发明的实施例中,该点云数据为经过标注的点云数据。其中,该点云数据的标注是人工标注的,也可以是采用算法自动标注的,本发明对此不做限定。
还需要说明的是,本发明实施例的点云数据可以是预先建立的样本池中的点云数据,例如,该样本池中的点云数据可以是预先通过扫描设备对各种对象进行不同的图像采集而得到的,之后,可对采集的点云数据进行标注,并将该点云数据及其标注数据进行存储以建立所述样本池。
可选地,本发明实施例的点云数据可以是通过具有扫描设备对某个目标对象进行现场图像的采集,以得到当前场景的点云数据,之后,可对该点云数据进行标注以得到对应的标注数据。其中,该当前场景可包括但不仅限于:堆体测量、隧道检测、高速公路测绘、桥梁检测、土地确权等,从而可以得到这些场景下的点云数据。
需要说明的是,该扫描设备可以是激光雷达,立体摄像头(Stereo Camera),越渡时间相机(Time-of-flight Camera)设备等。
S120,根据预先训练得到的N个分类模型分别对该点云数据进行检测,得到该点云数据在N个分类模型下的检测分类结果。其中,N为正整数。
可选地,根据N个分类模型分别对该点云数据进行检测,得到该点云数据在N个分类模型下的检测分类结果。也就是说,可将该点云数据分别输入至该N个分类模型中进行检测,得到每个分类模型下该点云数据的检测分类结果。例如,假设有10个分类模型,则可将该点云数据分别输入至该10个分类模型中,每个分类模型对该点云数据进行分类检测,得到对应的检测分类结果。
需要说明的是,所述N个分类模型为预先训练得到的。在本发明的一个实施例中,可通过以下方式预先训练得到所述N个分类模型:
S1)从已标注的点云数据样本池中,多次随机抽取指定数量的样本;
S2)根据每次随机抽取的所述指定数量的样本,对预先创建的深度学习模型进行训练,得到所述N个分类模型;其中,所述点云数据不包含所述每次随机抽取用于模型训练的样本。
例如,基于同一个已标注的点云数据样本池中,比如10万帧数据,每次随机抽取1万帧数据。在同一个模型下训练得到多个模型,比如,共抽取10次,每次随机抽取1万帧数据,每次利用随机抽取到的数据对同一个模型进行训练,最终可以得到10个模型。可以理解,该N个模型的差异除了模型中的随机性外,还包含数据的随机性,例如,该模型可具有对点云数据进行识别,识别是否有障碍物的功能。
由此通过上述S1和S2即可预先训练得到N个分类模型。需要说明的是,为了保证难易度划分结果的公平性,在本发明的实施例中,参见过模型训练的点云数据不再参与难易度排序,也就是说,参与难易度划分的点云数据即为未参与模型训练的数据。
S130,将点云数据在N个分类模型下的检测分类结果分别与点云数据的标注数据进行比对评估,得到该点云数据的N个评估得分。
可选地,采用相似性度量算法,计算点云数据在N个分类模型下的检测分类结果分别与点云数据的标注数据之间的相似系数值,然后将点云数据在N个分类模型下的检测分类结果分别与点云数据的标注数据之间的相似系数值,确定为点云数据的N个评估得分。其中,所述相似性度量算法可包括但不限于距离相似度计算方法(如欧式距离算法)、余弦相似度算法、杰卡德距离算法等,具体不做限定。
S140,根据N个评估得分,计算该点云数据的难易度得分。
在本发明的实施例中,可对N个评估得分按从大到小进行排序,取排序后的中位数,作为该点云数据的难易度得分。可选地,还可对N个评估得分进行求平均或加权求平均,将得到数值作为该点云数据的难易度得分。
根据本发明实施例的点云数据的难易度划分方法,可获取点云数据,然后根据预先训练得到的N个分类模型分别对点云数据进行检测,得到点云数据在N个分类模型下的检测分类结果,之后将点云数据在N个分类模型下的检测分类结果分别与点云数据的标注数据进行比对评估,得到点云数据的N个评估得分,最后根据N个评估得分,计算点云数据的难易度得分。即通过N个分类模型分别对点云数据进行检测,并将得到的N个检测结果分别与该点云数据的标注数据进行比对评估,以得到点云数据的N个评估得分,然后根据评估得分,计算点云数据的难易度得分,从而可以通过该点云数据的难易度得分即可合理的对该点云数据进行难易度划分,可以有效地提高点云数据的利用价值和利用率。
图2是根据本发明一个具体实施例的点云数据的难易度划分方法的流程图。需要说明的是,每帧点云数据中可能存在多个障碍物,为了考察到一帧点云数据中障碍物的难度,需要同时兼顾每帧中每个障碍物的难度。具体地,如图2所示,该点云数据的难易度划分方法可以包括:
S210,获取点云数据,其中,该点云数据为经过标注的点云数据。
S220,根据预先训练得到的N个分类模型分别对点云数据进行检测,得到点云数据中每个障碍物在N个分类模型下的检测分类结果。
可选地,根据N个分类模型分别对该点云数据进行检测,得到该点云数据中每个障碍物在N个分类模型下的检测分类结果。其中,N为正整数。需要说明的是,一帧点云数据可由2部分组成,一部分是不关心的背景,如地面、草坪、植被等,另一部分是关心的前景,如行人、机动车等。而这些前景可称为障碍物,是需要检测的目标。
也就是说,将每个分类模型对点云数据进行分类检测,得到该点云数据中每个障碍物的检测分类结果,由于是N个分类模型,所以每个障碍物会对应得到N个检测分类结果。
S230,计算点云数据中每个障碍物在第i分类模型下的检测分类结果,分别与每个障碍物的标注数据之间的相似系数值,其中,1≤i≤N。
在本发明的实施例中,可采用相似性度量算法,计算该点云数据中每个障碍物在第i分类模型下的检测分类结果分别与所述每个障碍物的标注数据之间的相似系数值。
举例而言,以相似性度量算法为杰卡德距离算法为例,为了考察到每帧数据中障碍物的难度,需同时兼顾每帧中每个障碍物的难度,可利用相似性度量算法来比对每帧中每个障碍物的检测值(即检测分类结果)和标注值,可得到一个杰卡德指数(即相似系数值),每个障碍物的杰卡德指数值表示该障碍物的难易度,杰卡德指数值越大的表示与点云数据的标注值重合度越大,该障碍物越容易,越小表示越难。
作为一种可能实现方式的实施例,以相似性度量算法为欧式距离算法为例,为了考察到每帧数据中障碍物的难度,需同时兼顾每帧中每个障碍物的难度,可利用相似性度量算法来比对每帧中每个障碍物的检测值(即检测分类结果)和标注值,可得到一个欧式距离值,得到的欧氏距离值越小,检测分类结果的检测值和点云数据的标注值相似度就越大,得到的欧氏距离值越大,检测分类结果的检测值和点云数据的标注值相似度就越小。
S240,将点云数据中每个障碍物在第i分类模型下的检测分类结果,分别与每个障碍物的标注数据之间的相似系数值,确定为每个障碍物在所述第i分类模型下的评估得分。
也就是说,将点云数据中每个障碍物在第i分类模型下的检测分类结果分别和每个障碍物的标注数据进行比对,得到一个相似系数值,其中,该相似系数值就是每个障碍物在第i分类模型下的评估得分,相似系数值越大,评估得分越高,则表示越容易识别。
S250,根据每个障碍物在第i分类模型下的评估得分,获取点云数据在第i分类模型下的评估得分。
可选地,对该点云数据中所有障碍物在第i分类模型下的评估得分进行排序,然后从排序后的所有障碍物在第i分类模型下的评估得分中,选取分位数,并将该选取的分位数确定出点云数据在第i分类模型下的评估得分。其中,在本发明的实施例中,所述分位数可以是中位数,还可以是其他不同分位数,例如,四分位数、十分位数等。
也就是说,在得到一帧标注数据内所有障碍物的相似系数值后,将其进行排序,然后取排序结果的分位数,作为该帧在当前模型下的难易程度的评估得分。作为一种可能实现的实施例,在得到一帧标注数据内所有障碍物的相似系数值后,将其进行排序,也可取排序结果的平均值,作为该帧在当前第i分类模型下的难易程度的评估得分。
也就是说,先根据1帧点云数据中每个障碍物的评估得分,确定这帧点云数据的评估得分(其中是在一个模型下),这样,重复N次即可得到该点云数据的N个评估得分。
S260,根据N个评估得分,计算点云数据的难易度得分。
在本发明的实施例中,可对N个评估得分按从大到小进行排序,取排序后的中位数,作为该点云数据的难易度得分。可选地,还可对N个评估得分进行求平均或加权求平均,将得到数值作为该点云数据的难易度得分。
根据本发明实施例的点云数据的难易度划分方法,获取点云数据,然后根据N个分类模型分别对该点云数据进行检测,得到该点云数据中每个障碍物在第i分类模型下的检测分类结果,之后可采用相似性度量算法,计算该点云数据中每个障碍物在第i个分类模型下的检测分类结果分别与每个障碍物的标注数据之间的相似系数值,然后根据该相似系数值,确定每个障碍物在所述第i个分类模型下的评估得分,之后根据每个障碍物在第i个分类模型下的评估得分,获取点云数据在第i分类模型下的评估得分,最后根据N个评估得分,计算点云数据的难易度得分。能够同时兼顾一帧数据中的不同障碍物的难度,以帧为单位考察数据的难度,从而可以通过该点云数据的难易度得分即可合理的对该点云数据进行难易度划分,可以有效地提高点云数据的利用价值和利用率。对于训练数据来说,可以适当增加难一些的数据,减少数据冗余;对评测数据来说,可以更好的进行难易度配比,更好的衡量算法模型的能力。
可选地,在本发明的一个实施例中,当点云数据为多个时,可根据多个点云数据的难易度得分,对多个点云数据进行排序,然后根据预设的难易度数据占比,对排序后的多个点云数据进行难易程度的等级划分,得到该多个点云数据的等级划分。
具体地,根据预设的难易度数据占比,可划分为难、中、易三种数据的阈值,在得到点云数据的难易度得分之后,可将难易度得分与对应的三种数据的阈值进行比较,以确定出该点云数据的难易程度的等级划分。
为了进一步有效的提高云数据的利用价值和利用率,可选地,在本发明的一个实施例中,可确定目标用途,根据目标用途确定待选取的数据等级划分比例,然后根据数据等级划分比例和多个点云数据的等级划分,从所述多个点云数据中选取对应等级比例的点云数据。
作为一种可能实现的实施例,当确定出点云数据需用于作为训练数据时,可以适当增加了难一些的数据,比如,难度比例大于易度比例,之后,可根据该比例和各点云数据的等级划分,从各点云数据中选取出符合该比例的点云数据。由此,对于训练数据来说,可以适当增加难一些的数据,减少数据冗余;对评测数据来说,可以更好的进行难易度配比,更好的衡量算法模型的能力。
需要说明的是,由于点云数据的采集地不同,其数据的难易度也会不同,为保障数据多样性,不同采集地分别进行排序和数据选取。
与上述几种实施例提供的点云数据的难易度划分方法相对应,本发明的一种实施例还提供一种点云数据的难易度划分装置,由于本发明实施例提供的点云数据的难易度划分装置与上述几种实施例提供的点云数据的难易度划分方法相对应,因此在点云数据的难易度划分方法的实施方式也适用于本实施例提供的点云数据的难易度划分装置,在本实施例中不再详细描述。图3是根据本发明一个实施例的点云数据的难易度划分装置的结构示意图。
如图3所示,该点云数据的难易度划分装置300包括:数据获取模块310、数据检测模块320、数据评估模块330和得分计算模块340,其中:
数据获取模块310用于获取点云数据,其中,该云数据为经过标注的点云数据。
数据检测模块320用于根据预先训练得到的N个分类模型分别对该点云数据进行检测,得到该点云数据在N个分类模型下的检测分类结果,其中,N为正整数。
数据评估模块330用于将该点云数据在N个分类模型下的检测分类结果分别与该点云数据的标注数据进行比对评估,得到该点云数据的N个评估得分。在本发明的一个实施例中,数据评估模块330具体用于:采用相似性度量算法,计算该点云数据在N个分类模型下的检测分类结果分别与该点云数据的标注数据之间的相似系数值;将该点云数据在N个分类模型下的检测分类结果分别与该点云数据的标注数据之间的相似系数值,确定为该点云数据的N个评估得分。
得分计算模块340用于根据N个评估得分,计算该点云数据的难易度得分。
本发明实施例的点云数据的难易度划分装置,可获取点云数据,然后根据预先训练得到的N个分类模型分别对点云数据进行检测,得到点云数据在N个分类模型下的检测分类结果,之后将点云数据在N个分类模型下的检测分类结果分别与点云数据的标注数据进行比对评估,得到点云数据的N个评估得分,最后根据N个评估得分,计算点云数据的难易度得分。即通过N个分类模型分别对点云数据进行检测,并将得到的N个检测结果分别与该点云数据的标注数据进行比对评估,以得到点云数据的N个评估得分,然后根据评估得分,计算点云数据的难易度得分,从而可以通过该点云数据的难易度得分即可合理的对该点云数据进行难易度划分,可以有效地提高点云数据的利用价值和利用率。
需要说明的是,所述N个分类模型为预先训练得到的。可选地,在本发明的一个实施例中,如图4所示,该点云数据的难易度划分装置还包括:模型训练模块350用于预先训练得到N个分类模型;其中,模型训练模块350具体用于:从已标注的点云数据样本池中,多次随机抽取指定数量的样本;根据每次随机抽取的所述指定数量的样本,对预先创建的深度学习模型进行训练,得到N个分类模型;其中,点云数据不包含所述每次随机抽取用于模型训练的样本。
需要说明的是,每帧点云数据中可能存在多个障碍物,为了考察到一帧点云数据中障碍物的难度,需要同时兼顾每帧中每个障碍物的难度。具体地,在本发明的一个实施例中,数据检测模块320具体用于:根据N个分类模型分别对点云数据进行检测,得到点云数据中每个障碍物在N个分类模型下的检测分类结果。
在本发明的一个实施例中,数据评估模块330包括:计算单元,用于计算点云数据中每个障碍物在第i分类模型下的检测分类结果,分别与每个障碍物的标注数据之间的相似系数值,其中,1≤i≤N;确定单元,用于将点云数据中每个障碍物在第i分类模型下的检测分类结果,分别与每个障碍物的标注数据之间的相似系数值,确定为每个障碍物在第i分类模型下的评估得分;评估得分获取单元,用于根据每个障碍物在第i分类模型下的评估得分,获取点云数据在所述第i分类模型下的评估得分。
在本发明的一个实施例中,评估得分获取单元具体用于:对点云数据中所有障碍物在第i分类模型下的评估得分进行排序;从排序后的所有障碍物在第i分类模型下的评估得分中,选取分位数,并将选取的分位数确定出点云数据在第i分类模型下的评估得分。
可选地,在本发明的一个实施例中,如图5所示,当点云数据为多个时,点云数据的难易度划分装置300还可包括:排序模块360和等级划分模块370。其中,排序模块360用于根据多个点云数据的难易度得分,对多个点云数据进行排序;等级划分模块370用于根据预设的难易度数据占比,对排序后的多个点云数据进行难易程度的等级划分,得到多个点云数据的等级划分。
在本发明的实施例中,如图5所示,点云数据的难易度划分装置300还可包括:用途确定模块380、比例确定模块390、数据选取模块400,其中,用途确定模块380用于确定目标用途;比例确定模块390用于根据目标用途确定待选取的数据等级划分比例;数据选取模块400,用于根据数据等级划分比例和所述多个点云数据的等级划分,从多个点云数据中选取对应等级比例的点云数据。
为了实现上述实施例,本发明还提出了一种计算机设备。
图6是根据本发明一个实施例的计算机设备的结构示意图。如图6所示,该服务器600可以包括:存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630,处理器620执行程序时,实现本发明上述任一项所述的点云数据的难易度划分方法。
为了实现上述实施例,本发明还提出了一种计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的点云数据的难易度划分方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (18)
1.一种点云数据的难易度划分方法,其特征在于,包括以下步骤:
获取点云数据,其中,所述点云数据为经过标注的点云数据;
根据预先训练得到的N个分类模型分别对所述点云数据进行检测,得到所述点云数据在所述N个分类模型下的检测分类结果,其中,N为正整数;
将所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据进行比对评估,得到所述点云数据的N个评估得分;
根据所述N个评估得分,计算所述点云数据的难易度得分。
2.根据权利要求1所述的方法,其特征在于,通过以下方式预先训练得到所述N个分类模型:
从已标注的点云数据样本池中,多次随机抽取指定数量的样本;
根据每次随机抽取的所述指定数量的样本,对预先创建的深度学习模型进行训练,得到所述N个分类模型;其中,所述点云数据不包含所述每次随机抽取用于模型训练的样本。
3.根据权利要求1所述的方法,其特征在于,将所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据进行比对评估,得到所述点云数据的N个评估得分,包括:
采用相似性度量算法,计算所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据之间的相似系数值;
将所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据之间的相似系数值,确定为所述点云数据的N个评估得分。
4.根据权利要求1所述的方法,其特征在于,所述根据所述N个分类模型分别对所述点云数据进行检测,得到所述点云数据在所述N个分类模型下的检测分类结果,包括:
根据所述N个分类模型分别对所述点云数据进行检测,得到所述点云数据中每个障碍物在所述N个分类模型下的检测分类结果。
5.根据权利要求4所述的方法,其特征在于,将所述点云数据在所述N个分类模型下的检测分类结果与所述点云数据的标注数据进行比对评估,得到所述点云数据的N个评估得分,包括:
计算所述点云数据中每个障碍物在第i分类模型下的检测分类结果,分别与所述每个障碍物的标注数据之间的相似系数值,其中,1≤i≤N;
将所述点云数据中每个障碍物在所述第i分类模型下的检测分类结果,分别与所述每个障碍物的标注数据之间的相似系数值,确定为所述每个障碍物在所述第i分类模型下的评估得分;
根据所述每个障碍物在所述第i分类模型下的评估得分,获取所述点云数据在所述第i分类模型下的评估得分。
6.根据权利要求5所述的方法,其特征在于,所述根据所述每个障碍物在所述第i分类模型下的评估得分,获取所述点云数据在所述第i分类模型下的评估得分,包括:
对所述点云数据中所有障碍物在所述第i分类模型下的评估得分进行排序;
从排序后的所有障碍物在所述第i分类模型下的评估得分中,选取分位数,并将所述选取的分位数确定出所述点云数据在所述第i分类模型下的评估得分。
7.根据权利要求1至6中任一项所述的方法,其特征在于,当所述点云数据为多个时,所述方法还包括:
根据多个点云数据的难易度得分,对所述多个点云数据进行排序;
根据预设的难易度数据占比,对排序后的多个点云数据进行难易程度的等级划分,得到所述多个点云数据的等级划分。
8.根据权利要求7所述的方法,其特征在于,还包括:
确定目标用途;
根据所述目标用途确定待选取的数据等级划分比例;
根据所述数据等级划分比例和所述多个点云数据的等级划分,从所述多个点云数据中选取对应等级比例的点云数据。
9.一种点云数据的难易度划分装置,其特征在于,包括:
数据获取模块,用于获取点云数据,其中,所述点云数据为经过标注的点云数据;
数据检测模块,用于根据预先训练得到的N个分类模型分别对所述点云数据进行检测,得到所述点云数据在所述N个分类模型下的检测分类结果,其中,N为正整数;
数据评估模块,用于将所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据进行比对评估,得到所述点云数据的N个评估得分;
得分计算模块,用于根据所述N个评估得分,计算所述点云数据的难易度得分。
10.根据权利要求9所述的装置,其特征在于,还包括:
模型训练模块,用于预先训练得到N个分类模型;
其中,所述模型训练模块具体用于:
从已标注的点云数据样本池中,多次随机抽取指定数量的样本;
根据每次随机抽取的所述指定数量的样本,对预先创建的深度学习模型进行训练,得到所述N个分类模型;其中,所述点云数据不包含所述每次随机抽取用于模型训练的样本。
11.根据权利要求9所述的装置,其特征在于,所述数据评估模块具体用于:
采用相似性度量算法,计算所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据之间的相似系数值;
将所述点云数据在所述N个分类模型下的检测分类结果分别与所述点云数据的标注数据之间的相似系数值,确定为所述点云数据的N个评估得分。
12.根据权利要求9所述的装置,其特征在于,所述数据检测模块具体用于:
根据所述N个分类模型分别对所述点云数据进行检测,得到所述点云数据中每个障碍物在所述N个分类模型下的检测分类结果。
13.根据权利要求12所述的装置,其特征在于,所述数据评估模块包括:
计算单元,用于计算所述点云数据中每个障碍物在第i分类模型下的检测分类结果,分别与所述每个障碍物的标注数据之间的相似系数值,其中,1≤i≤N;
确定单元,用于将所述点云数据中每个障碍物在所述第i分类模型下的检测分类结果,分别与所述每个障碍物的标注数据之间的相似系数值,确定为所述每个障碍物在所述第i分类模型下的评估得分;
评估得分获取单元,用于根据所述每个障碍物在所述第i分类模型下的评估得分,获取所述点云数据在所述第i分类模型下的评估得分。
14.根据权利要求13所述的装置,其特征在于,所述评估得分获取单元具体用于:
对所述点云数据中所有障碍物在所述第i分类模型下的评估得分进行排序;
从排序后的所有障碍物在所述第i分类模型下的评估得分中,选取分位数,并将所述选取的分位数确定出所述点云数据在所述第i分类模型下的评估得分。
15.根据权利要求9至14中任一项所述的装置,其特征在于,当所述点云数据为多个时,所述装置还包括:
排序模块,用于根据多个点云数据的难易度得分,对所述多个点云数据进行排序;
等级划分模块,用于根据预设的难易度数据占比,对排序后的多个点云数据进行难易程度的等级划分,得到所述多个点云数据的等级划分。
16.根据权利要求15所述的装置,其特征在于,还包括:
用途确定模块,用于确定目标用途;
比例确定模块,用于根据所述目标用途确定待选取的数据等级划分比例;
数据选取模块,用于根据所述数据等级划分比例和所述多个点云数据的等级划分,从所述多个点云数据中选取对应等级比例的点云数据。
17.一种计算机设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现根据权利要求1至8中任一项所述的点云数据的难易度划分方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的点云数据的难易度划分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184424.0A CN109948683B (zh) | 2019-03-12 | 2019-03-12 | 点云数据的难易度划分方法、装置及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184424.0A CN109948683B (zh) | 2019-03-12 | 2019-03-12 | 点云数据的难易度划分方法、装置及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948683A true CN109948683A (zh) | 2019-06-28 |
CN109948683B CN109948683B (zh) | 2021-07-27 |
Family
ID=67009594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910184424.0A Active CN109948683B (zh) | 2019-03-12 | 2019-03-12 | 点云数据的难易度划分方法、装置及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948683B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259980A (zh) * | 2020-02-10 | 2020-06-09 | 北京小马慧行科技有限公司 | 标注数据的处理方法和装置 |
CN111444814A (zh) * | 2020-03-23 | 2020-07-24 | 北京迈格威科技有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
CN111881032A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种面向自动驾驶软件系统激光雷达的分布式模糊测试方法 |
CN112801200A (zh) * | 2021-02-07 | 2021-05-14 | 文远鄂行(湖北)出行科技有限公司 | 一种数据包筛选方法、装置、设备和存储介质 |
WO2023280229A1 (zh) * | 2021-07-07 | 2023-01-12 | 华为技术有限公司 | 图像处理方法、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014077928A2 (en) * | 2012-10-31 | 2014-05-22 | Raytheon Company | Video and lidar target detection and tracking system |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
CN105550688A (zh) * | 2015-12-04 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 点云数据的分类方法及装置 |
US20160364917A1 (en) * | 2015-06-11 | 2016-12-15 | Nokia Technologies Oy | Structure Preserved Point Cloud Simplification |
CN106707293A (zh) * | 2016-12-01 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 用于车辆的障碍物识别方法和装置 |
US20170221190A1 (en) * | 2013-05-14 | 2017-08-03 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
CN107918753A (zh) * | 2016-10-10 | 2018-04-17 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
CN108509969A (zh) * | 2017-09-06 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 数据标注方法及终端 |
CN108985171A (zh) * | 2018-06-15 | 2018-12-11 | 上海仙途智能科技有限公司 | 运动状态估计方法和运动状态估计装置 |
-
2019
- 2019-03-12 CN CN201910184424.0A patent/CN109948683B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014077928A2 (en) * | 2012-10-31 | 2014-05-22 | Raytheon Company | Video and lidar target detection and tracking system |
US20170221190A1 (en) * | 2013-05-14 | 2017-08-03 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
US20160364917A1 (en) * | 2015-06-11 | 2016-12-15 | Nokia Technologies Oy | Structure Preserved Point Cloud Simplification |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
CN105550688A (zh) * | 2015-12-04 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 点云数据的分类方法及装置 |
CN107918753A (zh) * | 2016-10-10 | 2018-04-17 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
CN106707293A (zh) * | 2016-12-01 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 用于车辆的障碍物识别方法和装置 |
CN108509969A (zh) * | 2017-09-06 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 数据标注方法及终端 |
CN108985171A (zh) * | 2018-06-15 | 2018-12-11 | 上海仙途智能科技有限公司 | 运动状态估计方法和运动状态估计装置 |
Non-Patent Citations (2)
Title |
---|
WEIYUE WANG ET AL: "SGPN: Similarity Group Proposal Network for 3D Point Cloud Instance Segmentation", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
喻亮等: "基于多维欧氏空间相似度的激光点云分割方法", 《国土资源遥感》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259980A (zh) * | 2020-02-10 | 2020-06-09 | 北京小马慧行科技有限公司 | 标注数据的处理方法和装置 |
CN111259980B (zh) * | 2020-02-10 | 2023-10-03 | 北京小马慧行科技有限公司 | 标注数据的处理方法和装置 |
CN111444814A (zh) * | 2020-03-23 | 2020-07-24 | 北京迈格威科技有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
CN111444814B (zh) * | 2020-03-23 | 2023-10-24 | 北京迈格威科技有限公司 | 目标检测方法、装置、电子设备及可读存储介质 |
CN111881032A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种面向自动驾驶软件系统激光雷达的分布式模糊测试方法 |
CN112801200A (zh) * | 2021-02-07 | 2021-05-14 | 文远鄂行(湖北)出行科技有限公司 | 一种数据包筛选方法、装置、设备和存储介质 |
CN112801200B (zh) * | 2021-02-07 | 2024-02-20 | 文远鄂行(湖北)出行科技有限公司 | 一种数据包筛选方法、装置、设备和存储介质 |
WO2023280229A1 (zh) * | 2021-07-07 | 2023-01-12 | 华为技术有限公司 | 图像处理方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109948683B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948684A (zh) | 点云数据标注质量的质检方法、装置及其相关设备 | |
CN109948683A (zh) | 点云数据的难易度划分方法、装置及其相关设备 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN112017189B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN102804231B (zh) | 三维场景的分段平面重建 | |
CN104424634B (zh) | 对象跟踪方法和装置 | |
CN110135307A (zh) | 基于注意力机制的交通标志检测方法和装置 | |
CN101027692B (zh) | 用于基于滑降的簇的对象表征的系统和方法 | |
CN108596054A (zh) | 一种基于多尺度全卷积网络特征融合的人群计数方法 | |
CN105608417B (zh) | 交通信号灯检测方法及装置 | |
CN107784663A (zh) | 基于深度信息的相关滤波跟踪方法及装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
US20140169639A1 (en) | Image Detection Method and Device | |
CN109272016A (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN103577875A (zh) | 一种基于fast的计算机辅助cad人数统计方法 | |
CN105549009B (zh) | 一种基于超像素的sar图像cfar目标检测方法 | |
US9652684B2 (en) | Image processing for classification and segmentation of rock samples | |
JP6653361B2 (ja) | 路面標示画像処理装置、路面標示画像処理方法及び路面標示画像処理プログラム | |
CN102930251B (zh) | 两维收藏品数据收录与甄别的装置和方法 | |
CN107730515A (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN107341538A (zh) | 一种基于视觉的统计数量方法 | |
CN109919135A (zh) | 基于深度学习的行为检测方法、装置 | |
CN109858547A (zh) | 一种基于bssd的目标检测方法与装置 | |
CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
CN102509119B (zh) | 一种基于分类器的图像场景分层与对象遮挡处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211013 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |