CN113378760A - 训练目标检测模型和检测目标的方法及装置 - Google Patents
训练目标检测模型和检测目标的方法及装置 Download PDFInfo
- Publication number
- CN113378760A CN113378760A CN202110710704.8A CN202110710704A CN113378760A CN 113378760 A CN113378760 A CN 113378760A CN 202110710704 A CN202110710704 A CN 202110710704A CN 113378760 A CN113378760 A CN 113378760A
- Authority
- CN
- China
- Prior art keywords
- target detection
- detection model
- image
- point cloud
- cloud data
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 127
- 238000012549 training Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims description 61
- 238000000605 extraction Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000004438 eyesight Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本公开提供了训练目标检测模型和检测目标的方法及装置,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于智能交通场景下。具体实现方案为:获取样本集,其中,样本集中的样本包括图像、点云数据和目标的标注信息;执行如下训练步骤:从样本集中选取样本;从所选取的样本中的图像提取出图像特征;将图像特征映射到从所选取的样本中的点云数据,得到融合点云数据;将融合点云数据输入目标检测模型,得到预测结果;根据预测结果和所选取的样本中的标注信息计算总损失值;若损失值小于预定阈值,则确定出目标检测模型训练完成。通过该实施方式能够得到一种可以用于目标检测的模型。且该方法提高了目标检测的准确率。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于智能交通场景下。
背景技术
激光雷达在自动驾驶系统中起着关键的作用,利用激光雷达,自动驾驶系统可以准确地对车辆所处环境做实时3D建模。特别是在一些基于相机的视觉感知系统失效的场景下,如:大雾,夜晚,白车等。激光雷达可以极大的提升自动驾驶系统的安全性,同时准确感知某个3D目标(如:车辆,行人等)在激光雷达点云坐标系中的位置、大小及姿态。
基于点云数据的检测任务的难点在于激光雷达采集的点云数据存在不规则、无序、稀疏等几个特性,且仅仅基于点云的3D几何信息进行目标检测是存在局限性的。
发明内容
本公开提供了一种训练目标检测模型和检测目标的方法、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,提供了一种训练目标检测模型的方法,包括:获取样本集,其中,样本集中的样本包括图像、点云数据和目标的标注信息。执行如下训练步骤:从样本集中选取样本。从所选取的样本中的图像提取出图像特征。将图像特征映射到从所选取的样本中的点云数据,得到融合点云数据。将融合点云数据输入目标检测模型,得到预测结果。根据预测结果和所选取的样本中的标注信息计算总损失值。若损失值小于预定阈值,则确定出目标检测模型训练完成。
根据本公开的第二方面,提供了一种检测目标的方法,包括:获取待检测区域的图像和点云数据。从图像中提取出图像特征。将图像特征映射到点云数据,得到融合点云数据。将融合点云数据输入采用第一方面的方法训练出的目标检测模型,得到检测结果。
根据本公开的第三方面,提供了一种训练目标检测模型的装置,包括:获取单元,被配置成获取样本集,其中,样本集中的样本包括图像、点云数据和目标的标注信息。训练单元,被配置成执行如下训练步骤:从样本集中选取样本。从所选取的样本中的图像提取出图像特征。将图像特征映射到从所选取的样本中的点云数据,得到融合点云数据。将融合点云数据输入目标检测模型,得到预测结果。根据预测结果和所选取的样本中的标注信息计算总损失值。若损失值小于预定阈值,则确定出目标检测模型训练完成。
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图像和点云数据。提取单元,被配置成从图像中提取出图像特征。映射单元,被配置成将图像特征映射到点云数据,得到融合点云数据。检测单元,被配置成将融合点云数据输入采用第二方面的装置训练出的目标检测模型,得到检测结果。
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。以及与至少一个处理器通信连接的存储器。其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面或第二方面的方法。
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,计算机指令用于使计算机执行第一方面或第二方面的方法。
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,计算机程序在被处理器执行时实现第一方面或第二方面的方法。
本公开实施例提供的训练目标检测模型和检测目标的方法和装置,通过将从图像中提取的特征映射到点云数据,使得点云数据具有了图像的语义信息和纹理信息,从而提高了模型的检测准确性,并提升了算法的鲁棒性和在自动驾驶场景下使用的安全性。
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是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开训练目标检测模型的方法的一个实施例的流程图;
图3是根据本公开训练目标检测模型的方法的一个应用场景的示意图;
图4是根据本公开检测目标的方法的一个实施例的流程图;
图5是根据本公开训练目标检测模型的装置的一个实施例的结构示意图;
图6是根据本公开检测目标的装置的一个实施例的结构示意图;
图7是适于用来实现本公开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训练目标检测模型的方法、训练目标检测模型的装置、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,相机、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图像,以及目标的标注信息。目标可以是人、车辆、建筑物等。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(如生成的目标检测模型)发送给无人车101、102。这样,无人车可以应用生成的目标检测模型进行障碍物检测,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。还可以通过目标检测模型构建地图。
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训练目标检测模型的方法或检测目标的方法一般由服务器105执行。相应地,训练目标检测模型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训练目标检测模型的方法的一个实施例的流程200。该训练目标检测模型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,训练目标检测模型的方法的执行主体(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图像和目标的标注信息。目标可以是人、车、建筑物等障碍物。可在一个场景下通过激光雷达或毫米波雷达扫描目标采集每帧点云数据,可在同一场景下通过相机拍摄目标得到图像。需要使用同种类型的点云数据。标注信息包括两部分:点云数据中每个点的类别和位置,以及图像中每个点的类别和位置,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。通过长方形的边框标注出图像中的车辆、行人、绿化带等物体的点。
可选地,每个样本中可包括一帧点云数据、从不同角度拍摄的多个图像,以及相应的标注信息。
图像的格式不做限定,可以是RGB图像,也可以是红外图像。
步骤202,从样本集中选取样本。
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样本,也可以选取采集点云数据时的激光雷达朝向和采集图像时的相机朝向相同的样本。例如,激光雷达和相机的朝向均为无人车的正前方。
步骤203,从所选取的样本中的图像提取出图像特征。
在本实施例中,可通过人工方式或神经网络从选取的样本中的图像提取出图像特征。图像特征可包括语义信息和/或纹理信息。该神经网络的输入为图像,输出为图像特征。可通过预先标注的图像作为训练样本,有监督地训练该神经网络。训练过程为现有技术,因此不再赘述。
可选地,如果选取的样本中一帧点云数据对应多个角度的图像,则可提取出多个图像的特征。
步骤204,将图像特征映射到从所选取的样本中的点云数据,得到融合点云数据。
在本实施例中,点云简单来说就是空间中散布的N个点,每个点包含XYZ三个浮点数值表示空间位置和一个R数值表示回波强度,点云是一种包含了物体表面几何形状信息的数据。而图像是平面的,因此需要将图像特征从二维空间映射到三维空间的点云数据,得到融合点云数据。激光雷达和相机之间是预先标定好的,即激光雷达坐标系和相机坐标系之间存在规则的映射关系,这是点云结合利用图像信息的一个重要前提。
如果选取的样本中一帧点云数据对应多个角度的图像,则可将多个图像的图像特征融合后一起映射到该点云数据。
步骤205,将融合点云数据输入目标检测模型,得到预测结果。
在本实施例中,目标检测模型是一种神经网络,例如,pointpillars(点云3d检测模型),或RPN(Region Proposal Network,区域生成网络)。目标检测模型的输出为预测结果,预测结果包括目标的类别和位置。预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,根据预测结果和所选取的样本中的标注信息计算总损失值。
在本实施例中,可以将预测结果和标注信息作为参数,输入指定的损失函数(lossfunction)中,从而可以计算得到两者之间的总损失值。
损失函数通常是用来估量模型的预测值(如预测结果)与真实值(如标注信息)的不一致程度。它是一个非负实值函数。一般情况下,总损失值越小,目标检测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,若损失值小于预定阈值,则确定出目标检测模型训练完成。
在本实施例中,当总损失值小于预定阈值时,可以认为预测值接近或近似真值。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,则说明目标检测模型训练完成。
步骤208,若损失值大于等于预定阈值,则调整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,则说明目标检测模型训练未完成,则调整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训练目标检测模型的方法和装置,提出了一种新的融合点云几何和图像信息的训练方法,在点云数据检测时融入了图像信息,从而提升了算法的鲁棒性和在自动驾驶场景下使用的安全性。
在本实施例的一些可选的实现方式中,从所选取的样本中的图像提取出图像特征,包括:将选取的样本中的图像输入语义分割网络,得到语义分割结果图。将选取的样本中的图像输入特征提取网络,得到特征图。将语义分割结果图和特征图合并,得到图像特征。
可通过两种网络提取图像特征。语义分割网络用于将输入图像中的每个像素分配一个语义类别,以得到像素化的密集分类。可采用常见的语义分割网络,例如,Unet、SegNet、全卷积网络等。特征提取网络用于提取高维特征信息,例如语义信息和纹理信息,例如边缘、纹理、颜色等。特征提取网络可采用GAN(Generative Adversarial Networks,生成式对抗网络)的生成模型(Generative Model)。特征提取网络可以是2D特征提取网络,如果图像包括深度信息,则特征提取网络也可以是3D特征提取网络。
可将语义分割结果图和特征图通过信息叠加的方式合并,得到图像特征。可选地,可分别设置语义分割结果图和特征图的权重,将两个图像进行加权合并,得到图像特征。可将两种类型的神经网络提取的不同特征进行融合,提高了图像特征的信息量,有助于提升目标检测的准确性。
在本实施例的一些可选的实现方式中,从所选取的样本中的图像提取出图像特征,包括:将选取的样本中的图像输入语义分割网络,得到语义分割结果图作为图像特征。本实现方式只使用语义分割网络提取图像特征。可在特征提取网络缺失的情况下完成图像特征提取。仍能在点云数据中加入语义和纹理信息,从而提升目标检测的准确性,还可以加快检测速度。
在本实施例的一些可选的实现方式中,从所选取的样本中的图像提取出图像特征,包括:将选取的样本中的图像输入特征提取网络,得到特征图作为图像特征。本实现方式只使用特征提取网络提取图像特征。可在语义分割网络缺失或分割不准确的情况下完成图像特征提取。仍能在点云数据中加入语义和纹理信息,从而提升目标检测的准确性,还可以加快检测速度。
在本实施例的一些可选的实现方式中,该方法还包括:若损失值大于等于预定阈值,则调整目标检测模型的相关参数、语义分割网络的相关参数和特征提取网络的相关参数,基于调整后的目标检测模型、调整后的语义分割网络和调整后的特征提取网络继续执行上述训练步骤。当使用语义分割网络和特征提取网络共同提取图像特征时,可使用已经训练好的语义分割网络和特征提取网络。也可将语义分割网络、特征提取网络和目标检测模型一起进行联合训练。联合训练的方法为现有技术,因此不再赘述。
在本实施例的一些可选的实现方式中,该方法还包括:若损失值不小于预定阈值,则调整目标检测模型的相关参数和语义分割网络的相关参数,基于调整后的目标检测模型和调整后的语义分割网络继续执行上述训练步骤。当使用语义分割网络提取图像特征时,可使用已经训练好的语义分割网络。也可将语义分割网络和目标检测模型一起进行联合训练。联合训练的方法为现有技术,因此不再赘述。
在本实施例的一些可选的实现方式中,该方法还包括:若损失值不小于预定阈值,则调整目标检测模型的相关参数和特征提取网络的相关参数,基于调整后的目标检测模型和调整后的特征提取网络继续执行上述训练步骤。当使用特征提取网络提取图像特征时,可使用已经训练好的特征提取网络。也可将特征提取网络和目标检测模型一起进行联合训练。联合训练的方法为现有技术,因此不再赘述。
进一步参见图3,图3是根据本实施例的训练目标检测模型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一个样本,样本包括无人车采集的一帧点云数据和一张RGB图像,并标注了人和车辆的位置。将RGB图像输入到语义分割网络,得到语义分割结果图。还将RGB图像输入到2D特征提取网络,得到2D特征图。将语义分割结果图和2D特征图在特征维度上合并到一起,并映射到激光点云数据中,得到了融合了图像特征的点云数据,即融合点云数据。将融合点云数据输入目标检测模型,得到的检测结果包括融合点云数据中点属于车辆的概率和属于人的概率。根据检测结果和标注信息计算出总损失值。若总损失值小于预定阈值,则目标检测模型训练完成。否则,调整目标检测模型的相关参数,重新选择样本,继续训练,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,获取待检测区域的图像和点云数据。
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或无人车101、102)可以通过多种方式来获取待检测区域的点云数据。例如,执行主体如果是服务器,则可以接收无人车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。检测的目的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。
此外,还需要获取待检测区域的图像。可以是RGB图像,也可以是红外图像,特别是在夜间时采用红外图像更有效。
步骤402,从图像中提取出图像特征。
在本实施例中,执行主体可以将步骤401中获取的图像输入预先训练好的特征提取模型,提取出图像特征。
可通过以下任一种方式从所述图像中提取出图像特征:
1、通过语义分割网络和特征提取网络从所述图像中提取出图像特征。
2、通过语义分割网络从所述图像中提取出图像特征。
3、通过特征提取网络从所述图像中提取出图像特征。
具体过程可参考流程200所示的三种方式。
步骤403,将图像特征映射到点云数据,得到融合点云数据。
与步骤204基本相同,因此不再赘述。
步骤404,将融合点云数据输入目标检测模型,得到检测结果。
在本实施例中,与步骤205基本相同,因此不再赘述。目标检测模型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模型。进而根据测试结果可以不断地优化目标检测模型。该方法也可以是上述各实施例所生成的目标检测模型的实际应用方法。采用上述各实施例所生成的目标检测模型,来进行目标检测,有助于提高目标检测模型的性能。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,本申请提供了一种训练目标检测模型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,本实施例的训练目标检测模型的装置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,样本集中的样本包括图像、点云数据和目标的标注信息。训练单元502,被配置成执行如下训练步骤:从样本集中选取样本。从所选取的样本中的图像提取出图像特征。将图像特征映射到从所选取的样本中的点云数据,得到融合点云数据。将融合点云数据输入目标检测模型,得到预测结果。根据预测结果和所选取的样本中的标注信息计算总损失值。若损失值小于预定阈值,则确定出目标检测模型训练完成。
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:若损失值大于等于预定阈值,则调整目标检测模型的相关参数,基于调整后的目标检测模型继续执行上述训练步骤。
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:将选取的样本中的图像输入语义分割网络,得到语义分割结果图。将选取的样本中的图像输入特征提取网络,得到特征图。将语义分割结果图和特征图合并,得到图像特征。
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:将选取的样本中的图像输入语义分割网络,得到语义分割结果图作为图像特征。
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:将选取的样本中的图像输入特征提取网络,得到特征图作为图像特征。
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:若损失值大于等于预定阈值,则调整目标检测模型的相关参数、语义分割网络的相关参数和特征提取网络的相关参数,基于调整后的目标检测模型、调整后的语义分割网络和调整后的特征提取网络继续执行上述训练步骤。
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:若损失值不小于预定阈值,则调整目标检测模型的相关参数和语义分割网络的相关参数,基于调整后的目标检测模型和调整后的语义分割网络继续执行上述训练步骤。
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:若损失值不小于预定阈值,则调整目标检测模型的相关参数和特征提取网络的相关参数,基于调整后的目标检测模型和调整后的特征提取网络继续执行上述训练步骤。
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、提取单元602、映射单元603和检测单元604。其中,获取单元601,被配置成获取待检测区域的图像和点云数据。提取单元602,被配置成从图像中提取出图像特征。映射单元603,被配置成将图像特征映射到点云数据,得到融合点云数据。检测单元604,被配置成将融合点云数据输入采用装置500训练出的目标检测模型,得到检测结果。
在本实施例的一些可选的实现方式中,提取单元602进一步被配置成通过以下任一种方式从图像中提取出图像特征:通过语义分割网络和特征提取网络从图像中提取出图像特征。通过语义分割网络从图像中提取出图像特征。通过特征提取网络从图像中提取出图像特征。
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,例如训练目标检测模型的方法。例如,在一些实施例中,训练目标检测模型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训练目标检测模型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)而被配置为执行训练目标检测模型的方法。
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 (23)
1.一种训练目标检测模型的方法,包括:
获取样本集,其中,所述样本集中的样本包括图像、点云数据和目标的标注信息;
执行如下训练步骤:从所述样本集中选取样本;从所选取的样本中的图像提取出图像特征;将所述图像特征映射到从所选取的样本中的点云数据,得到融合点云数据;将所述融合点云数据输入目标检测模型,得到预测结果;根据所述预测结果和所选取的样本中的标注信息计算总损失值;若所述损失值小于预定阈值,则确定出所述目标检测模型训练完成。
2.根据权利要求1所述的方法,其中,所述方法还包括:
若所述损失值大于等于预定阈值,则调整所述目标检测模型的相关参数,基于调整后的目标检测模型继续执行上述训练步骤。
3.根据权利要求1所述的方法,其中,所述从所选取的样本中的图像提取出图像特征,包括:
将选取的样本中的图像输入语义分割网络,得到语义分割结果图;
将选取的样本中的图像输入特征提取网络,得到特征图;
将所述语义分割结果图和所述特征图合并,得到图像特征。
4.根据权利要求1所述的方法,其中,所述从所选取的样本中的图像提取出图像特征,包括:
将选取的样本中的图像输入语义分割网络,得到语义分割结果图作为图像特征。
5.根据权利要求1所述的方法,其中,所述从所选取的样本中的图像提取出图像特征,包括:
将选取的样本中的图像输入特征提取网络,得到特征图作为图像特征。
6.根据权利要求3所述的方法,其中,所述方法还包括:
若所述损失值大于等于预定阈值,则调整所述目标检测模型的相关参数、所述语义分割网络的相关参数和所述特征提取网络的相关参数,基于调整后的目标检测模型、调整后的语义分割网络和调整后的特征提取网络继续执行上述训练步骤。
7.根据权利要求3或4所述的方法,其中,所述方法还包括:
若所述损失值不小于预定阈值,则调整所述目标检测模型的相关参数和所述语义分割网络的相关参数,基于调整后的目标检测模型和调整后的语义分割网络继续执行上述训练步骤。
8.根据权利要求3或5所述的方法,其中,所述方法还包括:
若所述损失值不小于预定阈值,则调整所述目标检测模型的相关参数和所述特征提取网络的相关参数,基于调整后的目标检测模型和调整后的特征提取网络继续执行上述训练步骤。
9.一种检测目标的方法,包括:
获取待检测区域的图像和点云数据;
从所述图像中提取出图像特征;
将所述图像特征映射到所述点云数据,得到融合点云数据;
将所述融合点云数据输入采用权利要求1-8中任一项所述的方法训练出的目标检测模型,得到检测结果。
10.根据权利要求9所述的方法,其中,通过以下任一种方式从所述图像中提取出图像特征:
通过语义分割网络和特征提取网络从所述图像中提取出图像特征;
通过语义分割网络从所述图像中提取出图像特征;
通过特征提取网络从所述图像中提取出图像特征。
11.一种训练目标检测模型的装置,包括:
获取单元,被配置成获取样本集,其中,所述样本集中的样本包括图像、点云数据和目标的标注信息;
训练单元,被配置成执行如下训练步骤:从所述样本集中选取样本;从所选取的样本中的图像提取出图像特征;将所述图像特征映射到从所选取的样本中的点云数据,得到融合点云数据;将所述融合点云数据输入目标检测模型,得到预测结果;根据所述预测结果和所选取的样本中的标注信息计算总损失值;若所述损失值小于预定阈值,则确定出所述目标检测模型训练完成。
12.根据权利要求11所述的装置,其中,所述训练单元进一步被配置成:
若所述损失值大于等于预定阈值,则调整所述目标检测模型的相关参数,基于调整后的目标检测模型继续执行上述训练步骤。
13.根据权利要求11所述的装置,其中,所述训练单元进一步被配置成:
将选取的样本中的图像输入语义分割网络,得到语义分割结果图;
将选取的样本中的图像输入特征提取网络,得到特征图;
将所述语义分割结果图和所述特征图合并,得到图像特征。
14.根据权利要求11所述的装置,其中,所述训练单元进一步被配置成:
将选取的样本中的图像输入语义分割网络,得到语义分割结果图作为图像特征。
15.根据权利要求11所述的装置,其中,所述训练单元进一步被配置成:
将选取的样本中的图像输入特征提取网络,得到特征图作为图像特征。
16.根据权利要求13所述的装置,其中,所述训练单元进一步被配置成:
若所述损失值大于等于预定阈值,则调整所述目标检测模型的相关参数、所述语义分割网络的相关参数和所述特征提取网络的相关参数,基于调整后的目标检测模型、调整后的语义分割网络和调整后的特征提取网络继续执行上述训练步骤。
17.根据权利要求13或14所述的装置,其中,所述训练单元进一步被配置成:
若所述损失值不小于预定阈值,则调整所述目标检测模型的相关参数和所述语义分割网络的相关参数,基于调整后的目标检测模型和调整后的语义分割网络继续执行上述训练步骤。
18.根据权利要求13或15所述的装置,其中,所述训练单元进一步被配置成:
若所述损失值不小于预定阈值,则调整所述目标检测模型的相关参数和所述特征提取网络的相关参数,基于调整后的目标检测模型和调整后的特征提取网络继续执行上述训练步骤。
19.一种检测目标的装置,包括:
获取单元,被配置成获取待检测区域的图像和点云数据;
提取单元,被配置成从所述图像中提取出图像特征;
映射单元,被配置成将所述图像特征映射到所述点云数据,得到融合点云数据;
检测单元,被配置成将所述融合点云数据输入采用权利要求11-18中任一项所述的装置训练出的目标检测模型,得到检测结果。
20.根据权利要求19所述的装置,其中,提取单元进一步被配置成通过以下任一种方式从所述图像中提取出图像特征:
通过语义分割网络和特征提取网络从所述图像中提取出图像特征;
通过语义分割网络从所述图像中提取出图像特征;
通过特征提取网络从所述图像中提取出图像特征。
21.一种电子设备,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1-10中任一项所述的方法。
22.一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1-10中任一项所述的方法。
23.一种计算机程序产品,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1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710704.8A CN113378760A (zh) | 2021-06-25 | 2021-06-25 | 训练目标检测模型和检测目标的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710704.8A CN113378760A (zh) | 2021-06-25 | 2021-06-25 | 训练目标检测模型和检测目标的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378760A true CN113378760A (zh) | 2021-09-10 |
Family
ID=77579217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110710704.8A Pending CN113378760A (zh) | 2021-06-25 | 2021-06-25 | 训练目标检测模型和检测目标的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378760A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963148A (zh) * | 2021-10-29 | 2022-01-21 | 北京百度网讯科技有限公司 | 对象检测方法、对象检测模型的训练方法及装置 |
CN114169425A (zh) * | 2021-12-03 | 2022-03-11 | 北京百度网讯科技有限公司 | 训练目标跟踪模型和目标跟踪的方法和装置 |
CN114332104A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 电网输电场景rgb点云语义分割多阶段模型联合优化方法 |
CN114429631A (zh) * | 2022-01-27 | 2022-05-03 | 北京百度网讯科技有限公司 | 三维对象检测方法、装置、设备以及存储介质 |
CN114821013A (zh) * | 2022-07-01 | 2022-07-29 | 深圳大学 | 基于点云数据的基元检测方法、装置和计算机设备 |
CN115131619A (zh) * | 2022-08-26 | 2022-09-30 | 北京江河惠远科技有限公司 | 基于点云和图像融合的特高压零件分拣方法和系统 |
CN115272705A (zh) * | 2022-07-29 | 2022-11-01 | 北京百度网讯科技有限公司 | 显著性物体检测模型的训练方法、装置以及设备 |
WO2023213083A1 (zh) * | 2022-05-05 | 2023-11-09 | 北京京东乾石科技有限公司 | 目标检测方法、装置和无人车 |
CN117689664A (zh) * | 2024-02-04 | 2024-03-12 | 杭州灵西机器人智能科技有限公司 | 一种无损检测方法、系统、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145174A (zh) * | 2020-01-02 | 2020-05-12 | 南京邮电大学 | 基于图像语义特征进行点云筛选的3d目标检测方法 |
CN111539347A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于检测目标的方法和装置 |
CN111626217A (zh) * | 2020-05-28 | 2020-09-04 | 宁波博登智能科技有限责任公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
CN112766135A (zh) * | 2021-01-14 | 2021-05-07 | 北京航空航天大学杭州创新研究院 | 目标检测方法、装置、电子设备和存储介质 |
-
2021
- 2021-06-25 CN CN202110710704.8A patent/CN113378760A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145174A (zh) * | 2020-01-02 | 2020-05-12 | 南京邮电大学 | 基于图像语义特征进行点云筛选的3d目标检测方法 |
CN111539347A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于检测目标的方法和装置 |
CN111626217A (zh) * | 2020-05-28 | 2020-09-04 | 宁波博登智能科技有限责任公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
CN112766135A (zh) * | 2021-01-14 | 2021-05-07 | 北京航空航天大学杭州创新研究院 | 目标检测方法、装置、电子设备和存储介质 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963148A (zh) * | 2021-10-29 | 2022-01-21 | 北京百度网讯科技有限公司 | 对象检测方法、对象检测模型的训练方法及装置 |
CN113963148B (zh) * | 2021-10-29 | 2023-08-08 | 北京百度网讯科技有限公司 | 对象检测方法、对象检测模型的训练方法及装置 |
CN114169425A (zh) * | 2021-12-03 | 2022-03-11 | 北京百度网讯科技有限公司 | 训练目标跟踪模型和目标跟踪的方法和装置 |
CN114429631A (zh) * | 2022-01-27 | 2022-05-03 | 北京百度网讯科技有限公司 | 三维对象检测方法、装置、设备以及存储介质 |
CN114429631B (zh) * | 2022-01-27 | 2023-11-14 | 北京百度网讯科技有限公司 | 三维对象检测方法、装置、设备以及存储介质 |
CN114332104B (zh) * | 2022-03-09 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 电网输电场景rgb点云语义分割多阶段模型联合优化方法 |
CN114332104A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 电网输电场景rgb点云语义分割多阶段模型联合优化方法 |
WO2023213083A1 (zh) * | 2022-05-05 | 2023-11-09 | 北京京东乾石科技有限公司 | 目标检测方法、装置和无人车 |
CN114821013A (zh) * | 2022-07-01 | 2022-07-29 | 深圳大学 | 基于点云数据的基元检测方法、装置和计算机设备 |
CN114821013B (zh) * | 2022-07-01 | 2022-10-18 | 深圳大学 | 基于点云数据的基元检测方法、装置和计算机设备 |
CN115272705A (zh) * | 2022-07-29 | 2022-11-01 | 北京百度网讯科技有限公司 | 显著性物体检测模型的训练方法、装置以及设备 |
CN115272705B (zh) * | 2022-07-29 | 2023-08-29 | 北京百度网讯科技有限公司 | 显著性物体检测模型的训练方法、装置以及设备 |
CN115131619A (zh) * | 2022-08-26 | 2022-09-30 | 北京江河惠远科技有限公司 | 基于点云和图像融合的特高压零件分拣方法和系统 |
CN117689664A (zh) * | 2024-02-04 | 2024-03-12 | 杭州灵西机器人智能科技有限公司 | 一种无损检测方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN112417967B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
US10438371B2 (en) | Three-dimensional bounding box from two-dimensional image and point cloud data | |
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113378693B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
CN113377888B (zh) | 训练目标检测模型和检测目标的方法 | |
CN112785625A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112097732A (zh) | 一种基于双目相机的三维测距方法、系统、设备及可读存储介质 | |
CN113887400B (zh) | 障碍物检测方法、模型训练方法、装置及自动驾驶车辆 | |
EP3703008A1 (en) | Object detection and 3d box fitting | |
Zelener et al. | Cnn-based object segmentation in urban lidar with missing points | |
CN115147831A (zh) | 三维目标检测模型的训练方法和装置 | |
CN113378694B (zh) | 生成目标检测和定位系统及目标检测和定位的方法及装置 | |
CN115139303A (zh) | 一种栅格井盖检测方法、装置、设备及存储介质 | |
KR20200065590A (ko) | 정밀 도로 지도를 위한 차선 중앙점 검출 방법 및 장치 | |
CN113111787A (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN112509126A (zh) | 三维物体检测的方法、装置、设备及存储介质 | |
CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN113901903A (zh) | 道路识别方法和装置 | |
CN112651986A (zh) | 环境识别方法、识别装置、识别系统、电子设备及介质 | |
CN112766100A (zh) | 一种基于关键点的3d目标检测方法 | |
CN116168366B (zh) | 点云数据生成方法、模型训练方法、目标检测方法和装置 | |
CN114495042B (zh) | 目标检测方法和装置 |
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 |