CN113361379A - 生成目标检测系统和检测目标的方法及装置 - Google Patents

Abstract

本公开提供了生成目标检测系统和检测目标的方法和装置，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于自动驾驶场景下。具体实现方案为：获取样本集；从样本集中选取至少两个样本，分别将至少两个样本中的点云数据进行数据增强，并将增强后的点云数据进行混合得到混合点云数据；将至少两个样本中的点云数据和混合点云数据输入点云特征提取模型，分别得到至少两个原始特征和混合特征；将至少两个原始特征和混合特征输入目标检测模型，得到预测标签集；基于预测标签集和样本标签集计算总损失值；若总损失值小于预定阈值，则根据点云特征提取模型和目标检测模型构造目标检测系统。该实施方式能够减少人工标注，提高检测性能。

Description

生成目标检测系统和检测目标的方法及装置

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，尤其涉及生成目标检测系统和检测目标的方法及装置。

背景技术

随着机器人和自动驾驶的发展，基于激光雷达点云的三维感知技术发挥越来越重要的作用。激光雷达由于其优秀的距离测量能力，尤其在安全性非常重要的自动驾驶领域里得到了广泛的使用。其中，基于雷达点云的三维目标检测是自动驾驶感知能力的核心技术，也是后续跟踪、路径规划等的前提。

发明内容

本公开提供了一种生成目标检测系统和检测目标的方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的第一方面，提供了一种生成目标检测系统的方法，包括：获取样本集，其中，样本集中的每个样本包括一帧点云数据和与点云数据对应的样本标签；从所述样本集中选取至少两个样本，以及执行以下训练步骤：分别将所述至少两个样本中的点云数据进行数据增强，并将增强后的点云数据进行混合得到混合点云数据；将所述至少两个样本中的点云数据和所述混合点云数据输入点云特征提取模型，分别得到至少两个原始特征和混合特征；将所述至少两个原始特征和所述混合特征输入目标检测模型，得到预测标签集；基于所述预测标签集和所述样本标签集计算总损失值；若总损失值小于预定阈值，则根据所述点云特征提取模型和所述目标检测模型构造目标检测系统。

根据本公开的第二方面，提供了一种检测目标的方法，包括：获取待检测区域的点云数据；将所述点云数据输入采用第一方面所述的方法生成的目标检测系统中，输出检测结果。

根据本公开的第三方面，提供了一种生成目标检测系统的装置，包括：获取单元，被配置成获取样本集，其中，样本集中的每个样本包括一帧点云数据和与点云数据对应的样本标签；训练单元，被配置成从所述样本集中选取至少两个样本，以及执行以下训练步骤：分别将所述至少两个样本中的点云数据进行数据增强，并将增强后的点云数据进行混合得到混合点云数据；将所述至少两个样本中的点云数据和所述混合点云数据输入点云特征提取模型，分别得到至少两个原始特征和混合特征；将所述至少两个原始特征和所述混合特征输入目标检测模型，得到预测标签集；基于所述预测标签集和所述样本标签集计算总损失值；若总损失值小于预定阈值，则根据所述点云特征提取模型和所述目标检测模型构造目标检测系统。

根据本公开的第四方面，提供了一种检测目标的装置，包括：获取单元，被配置成获取待检测区域的点云数据；检测单元，被配置成将所述点云数据输入采用如第二方面的装置生成的目标检测系统中，输出检测结果。

根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面的方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面的方法。

本申请实施例提供的生成目标检测系统的方法和装置，通过对点云数据的增强，提高了样本量，减少了人工标注操作。通过将点云数据混合，提升了点云特征的表示能力。从而提高了模型的训练速度和准确率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请生成目标检测系统的方法的一个实施例的流程图；

图3是根据本申请生成目标检测系统的方法的一个应用场景的示意图；

图4是根据本申请生成目标检测系统的装置的一个实施例的结构示意图；

图5是根据本申请检测目标的方法的一个实施例的流程图；

图6是根据本申请检测目标的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了可以应用本申请实施例的生成目标检测系统的方法、生成目标检测系统的装置、检测目标的方法或检测目标的装置的示例性系统架构100。

如图1所示，系统架构100可以包括无人车(也称自动驾驶车)101、102，网络103、数据库服务器104和服务器105。网络103用以在无人车101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

无人车101、102中安装有驾驶控制设备以及激光雷达、毫米波雷达等采集点云数据的设备。驾驶控制设备(又称为车载大脑)负责无人车的智能控制。驾驶控制设备可以是单独设置的控制器，例如可编程逻辑控制器(Programmable Logic Controller，PLC)、单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。

需要说明的是，实践中无人车中还可以安装有至少一个传感器，例如，摄像机、重力传感器、轮速传感器等。某些情况下，无人车中还可以安装有GNSS(Global NavigationSatellite System，全球导航卫星系统)设备和SINS(Strap-down Inertial NavigationSystem，捷联惯性导航系统)等等。

数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括点云数据和与点云数据对应的样本标签。这样，用户也可以通过无人车101、102，从数据库服务器104所存储的样本集中选取样本。

服务器105也可以是提供各种服务的服务器，例如对无人车101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用无人车101、102采集的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的目标检测系统)发送给无人车101、102。这样，用户可以应用生成的目标检测系统进行障碍物检测，可以使得无人车检测出行人、车辆等障碍物，从而控制车辆行驶状态、保障行驶安全。

这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。数据库服务器104和服务器105也可以为分布式系统的服务器，或者是结合了区块链的服务器。数据库服务器104和服务器105也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

需要说明的是，本申请实施例所提供的生成目标检测系统的方法或检测目标的方法一般由服务器105执行。相应地，生成目标检测系统的装置或检测目标的装置一般也设置于服务器105中。检测目标的方法还可由无人车执行。

需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。

应该理解，图1中的无人车、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人车、网络、数据库服务器和服务器。

继续参见图2，其示出了根据本申请的生成目标检测系统的方法的一个实施例的流程200。该生成目标检测系统的方法可以包括以下步骤：

步骤201，获取样本集。

在本实施例中，生成目标检测系统的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过无人车(例如图1所示的无人车101、102)来收集样本。这样，执行主体可以接收无人车所收集的样本，并将这些样本存储在本地，从而生成样本集。

样本集中的每个样本包括一帧点云数据和与点云数据对应的样本标签。每帧点云数据为一个场景下由激光雷达或毫米波雷达采集的。需要使用同种类型的点云数据。预先通过人工标注或自动标注每个点的类别和位置作为样本标签，例如，可通过长方体的边框标注出一帧点云数据中的车辆、行人、绿化带等物体的点。

步骤202，从样本集中选取至少两个样本。

在本实施例中，执行主体可以从步骤201中获取的样本集中选取至少两个样本，以及执行步骤203至步骤208的训练步骤。其中，样本的选取方式和选取数量在本申请中并不限制。例如可以是随机选取至少两个样本，也可以是从中选取点云数据差异较大的两个样本。例如，一个样本中的点云数据为车辆，另一个样本中的点云数据为行人。

步骤203，分别将至少两个样本中的点云数据进行数据增强，并将增强后的点云数据进行混合得到混合点云数据。

在本实施例中，可分别对每种样本中的点云数据进行数据增强。每个样本的数据增强方式可以相同也可以不同，例如第一个样本中的点云数据可通过旋转的方式增强，第二个样本中的点云数据可通过缩放的方式增强。或者第一个样本中的点云数据可通过旋转5度、10度..的方式增强，而第一个样本中的点云数据可通过旋转15度、20度..的方式增强。或者第一个样本中的点云数据可通过缩小2倍、3倍...的方式增强，而第一个样本中的点云数据可通过放大2倍、3倍...的方式增强。

然后将增强的点云数据通过直接叠加的方式进行混和。如果同一位置的点的标签冲突，则可将该点设置不同的标签。例如，第一样本中(A1,B1，C1)点的标签为行人，而第二样本中(A1,B1,C1)点的标签为车辆，则可将(A1,B1,C1)点的标签设置为行人和车辆。

步骤204，将至少两个样本中的点云数据和混合点云数据输入点云特征提取模型，分别得到至少两个原始特征和混合特征。

在本实施例中，点云特征提取模型是一种神经网络，例如3D版的resnet50。可分别得到至少两个原始特征(对应于至少两个样本中的点云数据)和混合特征(对应于混合点云数据)。每种点云数据对应一种特征。

步骤205，将至少两个原始特征和混合特征输入目标检测模型，得到预测标签集。

在本实施例中，目标检测模型是一种神经网络，例如，RPN(Region ProposalNetwork，区域生成网络)。目标检测模型的输出为检测结果，检测结果是以检测框的方式圈出一些点云数据并得到这些点云数据的预测标签集，即预测出的障碍物的类别。

步骤206，基于预测标签集和样本标签集计算总损失值。

在本实施例中，可以将预测标签集和样本标签集作为参数，输入指定的损失函数(loss function)中，从而可以计算得到两者之间的总损失值。

在本实施例中，损失函数通常是用来估量模型的预测值(如预测标签集)与真实值(如样本标签集)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。

步骤207，若总损失值小于预定阈值，则根据点云特征提取模型和目标检测模型构造目标检测系统。

在本实施例中，预定阈值一般可以用于表示预测值(如预测标签集)与真实值(如样本标签集)之间的不一致程度的理想情况。也就是说，当总损失值达到预定阈值时，可以认为预定阈值接近或近似真值。预定阈值可以根据实际需求来设置。若总损失值小于预定阈值，则说明点云特征提取模型和目标检测模型训练完成，可以组成目标检测系统，用于目标检测。

步骤208，若总损失值不小于预定阈值，则调整点云特征提取模型的相关参数、目标检测模型的相关参数，继续执行步骤202-208。

在本实施例中，若总损失值不小于预定阈值，则说明点云特征提取模型和目标检测模型训练未完成，则调整点云特征提取模型的相关参数、目标检测模型的相关参数，例如采用反向传播技术分别修改点云特征提取模型和目标检测模型中各卷积层中的权重。以及可以返回步骤202，从样本集中重新选取样本。从而可以继续执行上述训练步骤。

本申请实施例提供的生成目标检测系统的方法和装置，通过对点云数据的增强，提高了样本量，减少了人工标注操作。通过将点云数据混合，提升了点云特征的表示能力。从而提高了模型的训练速度和准确率。

在本实施例的一些可选的实现方式中，基于预测标签集和样本标签集计算总损失值，包括：根据预测标签集和样本标签集计算第一损失值；将混合特征输入点云域分割模型，得到预测的样本来源标签集；根据混合特征实际的样本来源标签集和预测的样本来源标签集计算第二损失值；根据第一损失值和第二损失值计算总损失值。

本实现方式中引入了点云域分割模型，来辅助训练点云特征提取模型和目标检测模型。点云域分割模型是一种神经网络，例如pointnet++。

点云域分割模型用于对点云数据进行分割，不再是简单的用检测框确定出目标，而是具体地分割出障碍物的轮廓。样本来源标签用于标识样本的来源。例如，获取的样本A的点云数据和样本B的点云数据，分别进行数据增强后再进行混合，混合得到的点云数据中每个点是已知它是属于样本A还是样本B的，这就是样本来源标签。而点云域分割模型可以检测到输入的特征属于哪个样本，即预测的样本来源标签。总损失值包括由点云特征提取模型和点云域分割模型的不准确导致的第二损失值以及由点云特征提取模型和目标检测模型导致的第一损失值。可以将预测标签集和样本标签集作为参数，输入指定的第一损失函数(loss function)中，从而可以计算得到两者之间的第一损失值。可以将实际的样本来源标签集和预测的样本来源标签集作为参数，输入指定的第二损失函数(loss function)中，从而可以计算得到两者之间的第二损失值。可将第一损失值和第二损失值的加权和作为总损失值。权重可根据各模型的准确率调整，准确率越高的模型拥有更高的权重，例如，如果点云域分割模型的准确率高，则可增加第二损失值的权重。

在本实施例的一些可选的实现方式中，该方法还包括：若总损失值不小于预定阈值，则调整点云特征提取模型的相关参数、目标检测模型的相关参数、点云域分割模型的相关参数，以及从样本集中重新选取至少两个样本，继续执行训练步骤。

本公开通过设计一种点云域分割的自监督的雷达点云三维目标检测系统，可以提升目标检测的性能。可以大量应用在自动驾驶、辅助驾驶等需要三维目标检测系统的产品中，同时，本公开不改变任何测试端的算法，不增加额外开销，比较适合进行算法的迭代。提升性能的同时不增加部署端的开销，这样产品本身有更加广泛的应用性。另外，通过带来目标检测的性能提升，能进一步增加自动驾驶等产品的安全性。

在本实施例的一些可选的实现方式中，分别将至少两个样本中的点云数据进行数据增强，包括：分别将至少两个样本中的点云数据进行旋转和/或缩放。可分别对每种样本中的点云数据进行数据增强。每个样本的数据增强方式可以相同也可以不同，例如第一个样本中的点云数据可通过旋转的方式增强，第二个样本中的点云数据可通过缩放的方式增强。或者第一个样本中的点云数据可通过旋转5度、10度..的方式增强，而第一个样本中的点云数据可通过旋转15度、20度..的方式增强。或者第一个样本中的点云数据可通过缩小2倍、3倍...的方式增强，而第一个样本中的点云数据可通过放大2倍、3倍...的方式增强。这样可以在标注数据少的情况下增加样本数量，提高模型的准确率。

进一步参见图3，图3是根据本实施例的生成目标检测系统的方法的一个应用场景的示意图。在图3的应用场景中，用户从样本集中随机选择2个样本，样本1包括点云数据1，并且点云数据1中每个点都具备相应的样本标签，例如，行人。样本2包括点云数据2，并且点云数据2中每个点都具备相应的样本标签，例如，车辆。分别将点云数据1和点云数据2通过旋转/缩放的方式进行数据增强，并将增强后的数据混合后得到混合点云数据。混合点云数据中的每个点不仅具备行人或车辆标签，还具备其所属的样本来源标签，例如，点(A1,B1,C1)的标签为{行人，来自样本1}，点(A2,B3,C2)的标签为{车辆，来自样本2}。分别将点云数据1、点云数据2和混合点云数据输入点云特征提取模型，得到点云特征1、点云特征2和混合点云特征。再将点云特征1、点云特征2和混合点云特征输入目标检测模型，进行样本标签预测，得到预测标签集(分为三个子集，每个样本对应一个预测标签子集)。根据预测标签集和实际的样本标签集计算第一损失值。单独将混合点云特征输入点云域分割模型，对混合点云数据中每个点进行来源预测，得到预测的样本来源标签集。预测的样本来源标签集和实际的样本来源标签集计算第二损失值。可将第一损失值和第二损失值的和作为总损失值。如果总损失值小于预定阈值，则说明训练完成，直接使用点云特征提取模型和目标检测模型构造目标检测系统。否则，需要调整三个模型的参数使得总损失值减小，直到收敛到预定阈值。

请参见图4，其示出了本申请提供的检测目标的方法的一个实施例的流程400。该检测目标的方法可以包括以下步骤：

步骤401，获取待检测区域的点云数据。

在本实施例中，检测目标的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取待检测区域的点云数据。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的点云数据。再例如，执行主体也可以接收无人车(例如图1所示的无人车101、102)采集的待检测区域的点云数据。无人车在行驶过程中激光雷达不断扫描采集到点云数据。检测的目标就是判断待检测区域是否存在障碍物、障碍物的位置和类别。

步骤402，将点云数据输入目标检测系统中，输出检测结果。

在本实施例中，执行主体可以将步骤401中获取的点云数据输入目标检测系统中，从而生成待检测区域的检测结果。检测结果可以是用于描述待检测区域是否存在障碍物、障碍物的位置和类别。

在本实施例中，目标检测系统可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述，在此不再赘述。

需要说明的是，本实施例检测目标的方法可以用于测试上述各实施例所生成的目标检测系统。进而根据测试结果可以不断地优化目标检测系统。该方法也可以是上述各实施例所生成的目标检测系统的实际应用方法。采用上述各实施例所生成的目标检测系统，来进行目标检测，有助于提高目标检测系统的性能。如找到的障碍物的类别、位置比较准确等。

继续参见图5，作为对上述各图所示方法的实现，本申请提供了一种目标检测系统的装置的一个实施例。该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的目标检测系统的装置500可以包括：获取单元501和训练单元502。其中，获取单元501，被配置成获取样本集，其中，样本集中的每个样本包括一帧点云数据和与点云数据对应的样本标签。训练单元502，被配置成从样本集中选取至少两个样本，以及执行以下训练步骤：分别将至少两个样本中的点云数据进行数据增强，并将增强后的点云数据进行混合得到混合点云数据。将至少两个样本中的点云数据和混合点云数据输入点云特征提取模型，分别得到至少两个原始特征和混合特征。将至少两个原始特征和混合特征输入目标检测模型，得到预测标签集。基于预测标签集和样本标签集计算总损失值。若总损失值小于预定阈值，则根据点云特征提取模型和目标检测模型构造目标检测系统。

在本实施例的一些可选的实现方式中，训练单元502进一步被配置成：若总损失值不小于预定阈值，则调整点云特征提取模型的相关参数、目标检测模型的相关参数，以及从样本集中重新选取至少两个样本，继续执行训练步骤。

在本实施例的一些可选的实现方式中，训练单元502进一步被配置成：根据预测标签集和样本标签集计算第一损失值。将混合特征输入点云域分割模型，得到预测的样本来源标签集。根据混合特征实际的样本来源标签集和预测的样本来源标签集计算第二损失值。根据第一损失值和第二损失值计算总损失值。

在本实施例的一些可选的实现方式中，训练单元502进一步被配置成：若总损失值不小于预定阈值，则调整点云特征提取模型的相关参数、目标检测模型的相关参数、点云域分割模型的相关参数，以及从样本集中重新选取至少两个样本，继续执行训练步骤。

在本实施例的一些可选的实现方式中，训练单元502进一步被配置成：分别将至少两个样本中的点云数据进行旋转和/或缩放。

继续参见图6，作为对上述各图所示方法的实现，本申请提供了一种检测目标的装置的一个实施例。该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的检测目标的装置600可以包括：获取单元601，被配置成获取待检测区域的点云数据。检测单元602，被配置成将所述点云数据输入装置500生成的目标检测系统中，输出检测结果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行流程200或400所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行流程200或400所述的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现流程200或400所述的方法。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如生成目标检测系统的方法。例如，在一些实施例中，生成目标检测系统的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的生成目标检测系统的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行生成目标检测系统的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种生成目标检测系统的方法，包括：

获取样本集，其中，样本集中的每个样本包括一帧点云数据和与点云数据对应的样本标签；

从所述样本集中选取至少两个样本，以及执行以下训练步骤：分别将所述至少两个样本中的点云数据进行数据增强，并将增强后的点云数据进行混合得到混合点云数据；将所述至少两个样本中的点云数据和所述混合点云数据输入点云特征提取模型，分别得到至少两个原始特征和混合特征；将所述至少两个原始特征和所述混合特征输入目标检测模型，得到预测标签集；基于所述预测标签集和所述样本标签集计算总损失值；若总损失值小于预定阈值，则根据所述点云特征提取模型和所述目标检测模型构造目标检测系统。

2.根据权利要求1所述的方法，其中，所述方法还包括：

若总损失值不小于预定阈值，则调整所述点云特征提取模型的相关参数、所述目标检测模型的相关参数，以及从所述样本集中重新选取至少两个样本，继续执行所述训练步骤。

3.根据权利要求2所述的方法，其中，所述基于所述预测标签集和所述样本标签集计算总损失值，包括：

根据所述预测标签集和所述样本标签集计算第一损失值；

将所述混合特征输入点云域分割模型，得到预测的样本来源标签集；

根据所述混合特征实际的样本来源标签集和预测的样本来源标签集计算第二损失值；

根据所述第一损失值和所述第二损失值计算总损失值。

4.根据权利要求3所述的方法，其中，所述方法还包括：

若总损失值不小于预定阈值，则调整所述点云特征提取模型的相关参数、所述目标检测模型的相关参数、所述点云域分割模型的相关参数，以及从所述样本集中重新选取至少两个样本，继续执行所述训练步骤。

5.根据权利要求1-4中任一项所述的方法，其中，所述分别将所述至少两个样本中的点云数据进行数据增强，包括：

分别将所述至少两个样本中的点云数据进行旋转和/或缩放。

6.一种检测目标的方法，包括：

获取待检测区域的点云数据；

将所述点云数据输入采用如权利要求1-5中任一项所述的方法生成的目标检测系统中，输出检测结果。

7.一种生成目标检测系统的装置，包括：

获取单元，被配置成获取样本集，其中，样本集中的每个样本包括一帧点云数据和与点云数据对应的样本标签；

训练单元，被配置成从所述样本集中选取至少两个样本，以及执行以下训练步骤：分别将所述至少两个样本中的点云数据进行数据增强，并将增强后的点云数据进行混合得到混合点云数据；将所述至少两个样本中的点云数据和所述混合点云数据输入点云特征提取模型，分别得到至少两个原始特征和混合特征；将所述至少两个原始特征和所述混合特征输入目标检测模型，得到预测标签集；基于所述预测标签集和所述样本标签集计算总损失值；若总损失值小于预定阈值，则根据所述点云特征提取模型和所述目标检测模型构造目标检测系统。

8.根据权利要求7所述的装置，其中，所述训练单元进一步被配置成：

若总损失值不小于预定阈值，则调整所述点云特征提取模型的相关参数、所述目标检测模型的相关参数，以及从所述样本集中重新选取至少两个样本，继续执行所述训练步骤。

9.根据权利要求8所述的装置，其中，所述训练单元进一步被配置成：

根据所述预测标签集和所述样本标签集计算第一损失值；

将所述混合特征输入点云域分割模型，得到预测的样本来源标签集；

根据所述混合特征实际的样本来源标签集和预测的样本来源标签集计算第二损失值；

根据所述第一损失值和所述第二损失值计算总损失值。

10.根据权利要求9所述的装置，其中，所述训练单元进一步被配置成：

若总损失值不小于预定阈值，则调整所述点云特征提取模型的相关参数、所述目标检测模型的相关参数、所述点云域分割模型的相关参数，以及从所述样本集中重新选取至少两个样本，继续执行所述训练步骤。

11.根据权利要求7-10中任一项所述的装置，其中，所述训练单元进一步被配置成：

分别将所述至少两个样本中的点云数据进行旋转和/或缩放。

12.一种检测目标的装置，包括：

获取单元，被配置成获取待检测区域的点云数据；

检测单元，被配置成将所述点云数据输入采用如权利要求7-11中任一项所述的装置生成的目标检测系统中，输出检测结果。

13.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。

Images