CN110363863B - 一种神经网络的输入数据生成方法和系统 - Google Patents
一种神经网络的输入数据生成方法和系统 Download PDFInfo
- Publication number
- CN110363863B CN110363863B CN201910635150.2A CN201910635150A CN110363863B CN 110363863 B CN110363863 B CN 110363863B CN 201910635150 A CN201910635150 A CN 201910635150A CN 110363863 B CN110363863 B CN 110363863B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- neural network
- network model
- signal
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000015654 memory Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种神经网络的输入数据生成方法和系统，包括：获取三维模型数据集和设置的至少一个随机视角；根据三维模型数据集和随机视角确定每个随机视角对应的点云目标数据并保存在内存中；获取目标处理操作；对每个所述点云目标数据进行所述目标处理操作，得到多个输入点云数据，所述输入点云数据用于训练预设深度卷积神经网络模型。该技术方案，可以生成训练深度卷积神经网络模型的输入点云数据，以训练得到深度卷积神经网络模型，通过深度卷积神经网络模型对激光雷达的点云数据进行处理，从而满足不同地形和不同气象条件下的数据处理需求。
Description
技术领域
本发明涉及深度学习算法技术领域，更具体地，涉及一种神经网络的输入数据生成方法和系统。
背景技术
由于激光雷达能在短时间内获得地物三维坐标信息，并且数据量极大，因此，如何快速从海量的激光雷达的点云数据中提取有用的信息是目前研究的热点和难点。
相关技术中，主要采用滤波方法对激光雷达的点云数据进行处理，包括基于数学形态学的滤波算法，基于坡度的滤波算法，基于数据分割的滤波算法等等，但是，滤波方法的实用性很窄，无法满足不同的地形和气象条件。
发明内容
鉴于上述问题，本发明提出了一种神经网络的输入数据生成方法和相应的系统，其可以生成训练深度卷积神经网络模型的输入点云数据，以训练得到深度卷积神经网络模型，通过深度卷积神经网络模型对激光雷达的点云数据进行处理，从而满足不同地形和不同气象条件下的数据处理需求。
根据本发明实施例的第一方面，提供一种神经网络的输入数据生成方法，包括：
获取三维模型数据集和设置的至少一个随机视角；
根据所述三维模型数据集和所述随机视角确定每个所述随机视角对应的点云目标数据并保存在内存中；
获取目标处理操作；
对每个所述点云目标数据进行所述目标处理操作，得到多个输入点云数据，所述输入点云数据用于训练预设深度卷积神经网络模型。
在一个实施例中，优选地，所述获取目标处理操作，包括：
获取所述预设深度卷积神经网络模型的用途，所述用途包括以下任一项：信号去噪操作，信号增强操作和分辨率放大操作；
根据所述用途确定对应的目标处理操作。
在一个实施例中，优选地，根据所述用途确定对应的目标处理操作，包括：
当所述预设类型的深度卷积神经网络模型用于进行信号去噪操作时，确定对应的目标处理操作为噪声叠加操作；
当所述预设类型的深度卷积神经网络模型用于进行信号增强操作时，确定对应的目标处理操作为比特位无效操作；
当所述预设类型的深度卷积神经网络模型用于进行分辨率放大操作时，确定对应的目标处理操作为分辨率缩小操作。
在一个实施例中，优选地，所述噪声叠加操作包括：
获取多个至少一个类型的高斯噪声信号并保存在内存中；
从内存中分别读取各个点云目标数据及各个类型的高斯噪声信号，按照预定的规则利用所述内存中的高斯噪声信号对所述点云目标数据进行叠加，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第一训练样本信号集合中；
所述比特位无效操作包括：
随机获取一个或多个比特位无效规则；
从内存中读取各个点云目标数据，按照所述比特位无效规则对所述各个点云目标数据进行部分比特位无效处理，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第二训练样本信号集合中；
所述分辨率缩小操作包括：
随机获取一个或多个缩小系数；
从内存中读取各个点云目标数据，按照所述缩小系数对所述各个点云目标数据进行分辨率缩小处理，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第三训练样本信号集合中。
在一个实施例中，优选地，所述训练预设深度卷积神经网络模型，包括：
获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括所述点云目标数据和所述输入点云数据；
将所述训练样本信号集合中的输入点云数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；
将每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据进行对比，得到对比结果；
根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。
在一个实施例中，优选地，所述将每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据进行对比，得到对比结果，包括：
计算每个所述训练结果信号与各自对应的训练样本信号中的所述点云目标数据之间的信号差值；
所述根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数，包括：
根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
在所述精度未达到精度阈值时，调整所述当前神经网络参数。
在一个实施例中，优选地，所述方法还包括：
接收激光雷达的点云数据；
利用预设深度卷积神经网络模型对所述点云数据进行预处理操作，获得处理后的点云数据；
输出所述处理后的点云数据。
在一个实施例中，优选地，所述利用预设深度卷积神经网络模型对所述点云数据进行预处理操作，包括：
通过检测所述点云数据确定所需的预处理操作；
利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述点云数据进行预处理操作；
或者，
利用第一深度卷积神经网络模型对所述点云数据进行信号增强操作，得到信号增强点云数据；
通过检测所述信号增强点云数据判断是否进行进一步的预处理操作；
在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述点云数据进行预处理操作。
在一个实施例中，优选地，所述至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和点云数据丢失噪声掩码。
根据本发明实施例的第二方面，提供一种神经网络的输入数据生成系统，包括：
一个或多个处理器；
一个或多个存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行如第一方面或第一方面任一实施例中所述的方法。
本发明实施例中，可以生成训练深度卷积神经网络模型的输入点云数据，以训练得到深度卷积神经网络模型，通过深度卷积神经网络模型对激光雷达的点云数据进行处理，从而满足不同地形和不同气象条件下的数据处理需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的神经网络的输入数据生成方法流程图。
图2是本发明另一个实施例的神经网络的输入数据生成方法的流程图。
图3是本发明又一个实施例的神经网络的输入数据生成方法流程图。
图4是本发明一个实施例的深度学习的单层网络定义参考图。
图5是本发明一个实施例的深度学习的单层网络定义示意图。
图6是本发明另一个实施例的神经网络的输入数据生成方法的流程图。
图7A是本发明又一个实施例的神经网络的输入数据生成方法流程图。
图7B是本发明一个实施例的激光雷达的点云数据处理过程的示意图。
图8是本发明又一个实施例的神经网络的输入数据生成方法流程图。
图9是本发明又一个实施例的神经网络的输入数据生成方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
激光雷达是用激光器作为发射光源，采用光电探测技术手段的主动遥感设备。点云数据是指在一个三维坐标系统中的一组向量的集合。这些向量通常以X,Y,Z三维坐标的形式表示，而且一般主要用来代表一个物体的外表面形状。不仅如此，除(X,Y,Z)代表的几何位置信息之外，点云数据还可以表示一个点的RGB颜色，灰度值，深度，分割结果等。激光雷达的点云数据即由激光雷达进行扫描所获取的三维坐标点的数据。比如，激光雷达扫描一栋房子，会产生很多三维坐标点，这些三维坐标点构成了点云数据，用来描述这栋房子。当然，还可以设置目标视角，从而得到从该目标视角进行扫描时，对应的点云目标数据。
作为3D扫描的结果，点云数据有多方面的用途，包括为制造部件，质量检查，多元化视觉，卡通制作，三维制图和大众传播工具应用等创建3D CAD模型。另外可以用于数字三维城市的建设、三维地形的获取、三维文物重建、地籍调查、电力清查等等各种需要测绘建模的行业。
图1是本发明一个实施例的神经网络的输入数据生成方法流程图。
如图1所示，神经网络的输入数据生成方法包括：
步骤S101，获取三维模型数据集和设置的至少一个随机视角；三维模型数据集是指在一个三维坐标系统中的一组向量的集合。随机视角是指随机选取一个目标视角，进而从该目标视角进行扫描，获取该目标视角对应的点云目标数据。
步骤S102，根据三维模型数据集和随机视角确定每个随机视角对应的点云目标数据并保存在内存中；
步骤S103，获取目标处理操作。
步骤S104，对每个点云目标数据进行目标处理操作，得到多个输入点云数据，输入点云数据用于训练预设深度卷积神经网络模型。
在该实施例中，可以通过三维模型数据集和随机视角确定多个点云目标数据，并进一步对点云目标数据进行目标处理操作，得到多个输入点云数据，从而利用输入点云数据和点云目标数据进行预设深度卷积神经网络模型的训练，这样，不但可以获得较多的训练数据，还可以保证训练结果的准确性。
图2是本发明另一个实施例的神经网络的输入数据生成方法流程图。
如图2所示，在一个实施例中，优选地，上述步骤S102包括：
步骤S201，获取预设深度卷积神经网络模型的用途，用途包括以下任一项：信号去噪操作，信号增强操作和分辨率放大操作；
步骤S202，根据用途确定对应的目标处理操作。
在一个实施例中，优选地，上述步骤S202包括：
当预设类型的深度卷积神经网络模型用于进行信号去噪操作时，确定对应的目标处理操作为噪声叠加操作；
当预设类型的深度卷积神经网络模型用于进行信号增强操作时，确定对应的目标处理操作为比特位无效操作；
当预设类型的深度卷积神经网络模型用于进行分辨率放大操作时，确定对应的目标处理操作为分辨率缩小操作。
在一个实施例中，优选地，噪声叠加操作包括：
获取多个至少一个类型的高斯噪声信号并保存在内存中；在一个实施例中，优选地，至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和点云数据丢失噪声掩码。高斯噪声信号可以是随机生成之后存储在预定存储空间，也可以是存储了高斯噪声列表，随机或者按照某个规则从列表中选取高斯噪声。
从内存中分别读取各个点云目标数据及各个类型的高斯噪声信号，按照预定的规则利用内存中的高斯噪声信号对点云目标数据进行叠加，得到多个输入点云数据，将点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第一训练样本信号集合中。
在该实施例中，可以在点云目标数据中加入不同的噪声信号，以模拟不同的气象，如下雨噪声，下雪噪声等。还可以在点云目标数据中加入不同的回波信号，以模拟不同的地形。这样，就可以使得训练得到的预设深度卷积神经网络模型可以满足不同地形和不同气象条件下的数据处理需求。
在一个实施例中，优选地，比特位无效操作包括：
随机获取一个或多个比特位无效规则；
从内存中读取各个点云目标数据，按照比特位无效规则对各个点云目标数据进行部分比特位无效处理，得到多个输入点云数据，将点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第二训练样本信号集合中；
在一个实施例中，优选地，分辨率缩小操作包括：
随机获取一个或多个缩小系数；
从内存中读取各个点云目标数据，按照缩小系数对各个点云目标数据进行分辨率缩小处理，得到多个输入点云数据，将点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第三训练样本信号集合中。
当然，除了对点云目标数据进行缩小处理外，还可以将点云目标数据作为输入点云数据，对点云目标数据进行分辨率放大，放大结果作为点云目标数据。
图3是本发明一个实施例的预设深度卷积神经网络模型训练方法的流程图。
如图3所示，在一个实施例中，优选地，训练预设深度卷积神经网络模型，包括：
步骤S301，获取训练样本数据集合，训练样本数据集合包括多组训练样本数据，每组训练样本数据包括点云目标数据和输入点云数据；
步骤S302，将训练样本信号集合中的输入点云数据输入预设深度卷积神经网络模型中，得到每组训练样本信号对应的训练结果信号；
步骤S303，将每个训练结果信号与各自对应的训练样本信号中的点云目标数据进行对比，得到对比结果；
步骤S304，根据对比结果确定预设深度卷积神经网络模型的神经网络参数。
在一个实施例中，优选地，神经网络参数包括以下至少一项：神经网络的层数和神经网络的节点数。
在该实施例中，可以通过端对端训练的方式训练得到预设深度卷积神经网络模型，具体地，通过预设深度卷积神经网络模型对输入点云数据进行处理，得到训练结果信号，再通过训练结果数据和点云目标数据的差异确定神经网络的层数和节点数，从而得到合适的深度卷积神经网络模型。
在一个实施例中，优选地，深度学习可以采用U-Net网络，但是不限于U-Net，深度学习的单层网络定义参考图4和图5。
图6是本发明另一个实施例的预设深度卷积神经网络模型训练方法的流程图。
如图6所示，在一个实施例中，优选地，上述步骤S303包括：
步骤S601，计算每个训练结果信号与各自对应的训练样本信号中的点云目标数据之间的信号差值；
上述步骤S304包括：
步骤S602，根据各个信号差值确定当前神经网络的精度，在精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
步骤S603，在精度未达到精度阈值时，调整当前神经网络参数。
图7A是本发明又一个实施例的神经网络的输入数据生成方法流程图。
如图7A所示，在一个实施例中，优选地，方法还包括：
步骤S701，接收激光雷达的点云数据；
步骤S702，利用预设深度卷积神经网络模型对点云数据进行预处理操作，获得处理后的点云数据；
步骤S703，输出处理后的点云数据。
在该实施例中，通过预设深度卷积神经网络模型对激光雷达的点云数据进行预处理操作，如进行点云数据的分辨率放大或者信号增强等，这样，不需要通过滤波算法进行点云数据的处理，而只通过深度卷积神经网络模型就可以实现点云数据处理，与滤波算法相比，可以具有更广泛的应用范围，可以满足不同地形和不同气象条件下的数据处理需求。
下面以一个具体实施例详细说明本申请的技术方案。
如图7B所示，接收激光雷达的点云数据A，利用预设深度卷积神经网络模型对点云数据A进行预处理操作，获得处理后的点云数据B，这样，不需要通过滤波算法进行点云数据的处理，而只通过深度卷积神经网络模型就可以实现点云数据处理，与滤波算法相比，可以具有更广泛的应用范围，可以满足不同地形和不同气象条件下的数据处理需求。
图8是本发明又一个实施例的神经网络的输入数据生成方法流程图。
如图8所示，在一个实施例中，优选地，上述步骤S702包括：
步骤S801，通过检测点云数据确定所需的预处理操作；
步骤S802，利用所需的预处理操作对应的预设深度卷积神经网络模型对点云数据进行预处理操作；
在该实施例中，可以检测点云数据的分辨率是否达到预设分辨率，点云数据的信号强度是否达到预设强度等，进而确定是否需要对点云数据进行信号增强，或者分辨率放大和信号去噪等预处理操作，如果需要，则利用所需的预处理操作对应的预设深度卷积神经网络模型对点云数据进行预处理操作。
图9是本发明又一个实施例的神经网络的输入数据生成方法流程图。
如图9所示，在一个实施例中，优选地，上述步骤S702还包括：
步骤S901，利用第一深度卷积神经网络模型对点云数据进行信号增强操作，得到信号增强点云数据；
步骤S902，通过检测信号增强点云数据判断是否进行进一步的预处理操作；
步骤S903，在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对点云数据进行预处理操作。
在该实施例中，还可以先对点云数据进行信号增强操作，再根据信号增强点云数据判断是否进行进一步的预处理操作，如是否进行进一步的分辨率放大等，其中，在进行信号增强时，可以通过用于进行信号增强的预设深度卷积神经网络模型对点云数据进行处理。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种便捷式多功能设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种神经网络的输入数据生成方法，其特征在于，包括：
获取三维模型数据集和设置的至少一个随机视角；
根据所述三维模型数据集和所述随机视角确定每个所述随机视角对应的点云目标数据并保存在内存中；
获取目标处理操作；
对每个所述点云目标数据进行所述目标处理操作，得到多个输入点云数据，所述输入点云数据用于训练预设深度卷积神经网络模型；
所述获取目标处理操作，包括：
获取所述预设深度卷积神经网络模型的用途，所述用途包括：信号增强操作；
根据所述用途确定对应的目标处理操作；
根据所述用途确定对应的目标处理操作，包括：
当预设深度卷积神经网络模型用于进行信号增强操作时，确定对应的目标处理操作为比特位无效操作；
所述比特位无效操作包括：
随机获取一个或多个比特位无效规则；
从内存中读取各个点云目标数据，按照所述比特位无效规则对所述各个点云目标数据进行部分比特位无效处理，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第二训练样本信号集合中。
2.根据权利要求1所述的神经网络的输入数据生成方法，其特征在于，
所述用途还包括以下任一项：信号去噪操作和分辨率放大操作。
3.根据权利要求2所述的神经网络的输入数据生成方法，其特征在于，根据所述用途确定对应的目标处理操作还包括：
当预设深度卷积神经网络模型用于进行信号去噪操作时，确定对应的目标处理操作为噪声叠加操作；
当预设深度卷积神经网络模型用于进行分辨率放大操作时，确定对应的目标处理操作为分辨率缩小操作。
4.根据权利要求3所述的神经网络的输入数据生成方法，其特征在于，所述噪声叠加操作包括：
获取多个至少一个类型的高斯噪声信号并保存在内存中；
从内存中分别读取各个点云目标数据及各个类型的高斯噪声信号，按照预定的规则利用所述内存中的高斯噪声信号对所述点云目标数据进行叠加，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第一训练样本信号集合中；
所述分辨率缩小操作包括：
随机获取一个或多个缩小系数；
从内存中读取各个点云目标数据，按照所述缩小系数对所述各个点云目标数据进行分辨率缩小处理，得到多个所述输入点云数据，将所述点云目标数据与对应的输入点云数据关联保存至位于预定存储空间的第三训练样本信号集合中。
5.根据权利要求3所述的神经网络的输入数据生成方法，其特征在于，所述训练预设深度卷积神经网络模型，包括：
获取训练样本数据集合，所述训练样本数据集合包括多组训练样本数据，每组训练样本数据包括所述点云目标数据和所述输入点云数据；
将所述训练样本数据集合中的输入点云数据输入预设深度卷积神经网络模型中，得到每组训练样本数据对应的训练结果信号；
将每个所述训练结果信号与各自对应的训练样本数据中的所述点云目标数据进行对比，得到对比结果；
根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数。
6.根据权利要求5所述的神经网络的输入数据生成方法，其特征在于，所述将每个所述训练结果信号与各自对应的训练样本数据中的所述点云目标数据进行对比，得到对比结果，包括：
计算每个所述训练结果信号与各自对应的训练样本数据中的所述点云目标数据之间的信号差值；
所述根据所述对比结果确定所述预设深度卷积神经网络模型的神经网络参数，包括：
根据各个信号差值确定当前神经网络的精度，在所述精度达到精度阈值时，将当前神经网络参数确定为目标神经网络参数；
在所述精度未达到精度阈值时，调整所述当前神经网络参数。
7.根据权利要求1所述的神经网络的输入数据生成方法，其特征在于，所述方法还包括：
接收激光雷达的点云数据；
利用预设深度卷积神经网络模型对所述点云数据进行预处理操作，获得处理后的点云数据；
输出所述处理后的点云数据。
8.根据权利要求7所述的神经网络的输入数据生成方法，其特征在于，
利用预设深度卷积神经网络模型对所述点云数据进行预处理操作，包括：
通过检测所述点云数据确定所需的预处理操作；
利用所述所需的预处理操作对应的预设深度卷积神经网络模型对所述点云数据进行预处理操作；
或者，
利用第一深度卷积神经网络模型对所述点云数据进行信号增强操作，得到信号增强点云数据；
通过检测所述信号增强点云数据判断是否进行进一步的预处理操作；
在确定需要进一步的预处理操作后，利用所需要的进一步预处理操作对应的预设深度卷积神经网络模型对所述点云数据进行预处理操作。
9.根据权利要求4所述的神经网络的输入数据生成方法，其特征在于，所述至少一个类型的高斯噪声信号，包括：深度高斯噪声信号，平面位移高斯噪声信号和点云数据丢失噪声掩码。
10.一种神经网络的输入数据生成系统，其特征在于，包括：
一个或多个处理器；
一个或多个存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置为执行权利要求1至9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635150.2A CN110363863B (zh) | 2019-07-15 | 2019-07-15 | 一种神经网络的输入数据生成方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910635150.2A CN110363863B (zh) | 2019-07-15 | 2019-07-15 | 一种神经网络的输入数据生成方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110363863A CN110363863A (zh) | 2019-10-22 |
| CN110363863B true CN110363863B (zh) | 2023-09-12 |
Family
ID=68219472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910635150.2A Active CN110363863B (zh) | 2019-07-15 | 2019-07-15 | 一种神经网络的输入数据生成方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363863B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111028151B (zh) * | 2019-12-03 | 2023-05-26 | 西安科技大学 | 基于图残差神经网络融合的点云数据拼接方法 |
| CN111612891B (zh) * | 2020-05-22 | 2023-08-08 | 北京京东乾石科技有限公司 | 模型生成方法、点云数据处理方法、装置、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685848A (zh) * | 2018-12-14 | 2019-04-26 | 上海交通大学 | 一种三维点云与三维传感器的神经网络坐标变换方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10438371B2 (en) * | 2017-09-22 | 2019-10-08 | Zoox, Inc. | Three-dimensional bounding box from two-dimensional image and point cloud data |
-
2019
- 2019-07-15 CN CN201910635150.2A patent/CN110363863B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685848A (zh) * | 2018-12-14 | 2019-04-26 | 上海交通大学 | 一种三维点云与三维传感器的神经网络坐标变换方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于特征提取的点云自动配准算法;黄源等;《中国激光》;20150331(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110363863A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110346808B (zh) | 一种激光雷达的点云数据处理方法和系统 | |
| CN110574071B (zh) | 用于对齐3d数据集的设备，方法和系统 | |
| Campos et al. | A surface reconstruction method for in-detail underwater 3D optical mapping | |
| Inglis et al. | A pipeline for structured light bathymetric mapping | |
| CN112529015A (zh) | 一种基于几何解缠的三维点云处理方法、装置及设备 | |
| CN111043988B (zh) | 一种基于图形学和深度学习的单张条纹投影测量方法 | |
| CN109753960A (zh) | 基于分形理论的孤立森林水下人工目标检测方法 | |
| McKinnon et al. | Towards automated and in-situ, near-real time 3-D reconstruction of coral reef environments | |
| Wu et al. | A robust signal preprocessing chain for small-footprint waveform lidar | |
| CN110363863B (zh) | 一种神经网络的输入数据生成方法和系统 | |
| CN113344956A (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
| CN106780551A (zh) | 一种三维运动目标检测方法和系统 | |
| CN117214904A (zh) | 一种基于多传感器数据的鱼类智能识别监测方法和系统 | |
| Galloway et al. | Automated crater detection and counting using the Hough transform | |
| CN111709988A (zh) | 一种物体的特征信息的确定方法、装置、电子设备及存储介质 | |
| CN113532424B (zh) | 一种获取多维信息的一体化设备与协同测量方法 | |
| CN110363288B (zh) | 一种神经网络的输入图像生成方法和系统 | |
| CN111696147B (zh) | 一种基于改进YOLOv3模型的深度估计方法 | |
| KR101814023B1 (ko) | 유한차분격자 자료 자동 보정 장치 및 방법 | |
| CN117132737A (zh) | 一种三维建筑模型构建方法、系统及设备 | |
| CN117367404A (zh) | 基于动态场景下slam的视觉定位建图方法及系统 | |
| CN112069445A (zh) | 一种2d slam算法评估及量化方法 | |
| Morell et al. | 3d maps representation using gng | |
| CN116524140A (zh) | 一种三维地质建模系统 | |
| Luo et al. | Partial bundle adjustment for accurate three‐dimensional reconstruction |
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 |