CN113793295A - 一种数据处理方法、装置、设备及可读存储介质 - Google Patents
一种数据处理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113793295A CN113793295A CN202110897672.7A CN202110897672A CN113793295A CN 113793295 A CN113793295 A CN 113793295A CN 202110897672 A CN202110897672 A CN 202110897672A CN 113793295 A CN113793295 A CN 113793295A
- Authority
- CN
- China
- Prior art keywords
- point
- value
- sequences
- preset
- point sequence
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000005295 random walk Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 9
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 15
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种数据处理方法、装置、设备及可读存储介质。数据处理方法,方法包括:获取第一鸟瞰图;根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合;根据预设邻近度值算法,获取每个点序列集合的目标点序列,其中,目标点序列对应的邻近度值最小;确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,以用于目标神经网络获取第一鸟瞰图中的特征数据。根据本申请实施例,能够降低点云数据中不同维度之间信息的无序性,以提高卷积神经网络对点云数据进行深度学习的效率。
Description
技术领域
本申请属于数据处理领域,尤其涉及一种数据处理方法、装置、设备及可读存储介质。
背景技术
目前,随着卷积神将网络的快速发展,在计算机视觉、自然语言处理等领域,基于卷积神经网络能够进行有效的深度学习,具体例如图像、音频等数据。
点云数据点可以包括丰富的信息,例如三维坐标(X,Y,Z)、颜色、分类值、强度值、时间等等,由于这些信息存在随机性和无序性,因此,通常无法使用固定或非固定大小的卷积核对点云数据进行卷积操作,因此,在卷积神经网络进行学习时,学习耗时长,而且学习效果差,由此,需要一种点云数据进行有效的处理,来提高卷积神经网络对点云数据进行深度学习的效率。
发明内容
本申请实施例提供一种数据处理方法、装置、设备及可读存储介质,能够降低点云数据中不同维度之间信息的无序性,以提高卷积神经网络对点云数据进行深度学习的效率。
第一方面,本申请实施例提供一种数据处理方法,方法包括:
获取第一鸟瞰图,第一鸟瞰图由目标点云数据在预设方向投影的投影点生成,第一鸟瞰图包括第一预设数量的初始聚类簇,每个初始聚类簇包括多个投影点;
根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;
根据预设邻近度值算法,获取每个点序列集合的目标点序列,其中,目标点序列对应的邻近度值最小;
确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,以用于目标神经网络获取第一鸟瞰图中的特征数据。
在第一方面的一些可实现方式中,根据预设邻近度值算法,获取每个点序列集合的目标点序列,包括:
对每个点序列集合,计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第一差值,以及计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第二差值;
计算任意两个点序列之间的第一差值的期望值,得到多个第一值,以及,计算任意两个点序列之间的第二差值的方差,得到多个第二值;
根据第一值和第二值,确定任意两个序列之间的邻近度值;
确定最小的邻近度值对应的点序列,为初始聚类簇的目标点序列。
在第一方面的一些可实现方式中,根据第一值和第二值,确定任意两个序列之间的邻近度值,包括:
根据第一预设权重和第一值,以及第二预设权重和第二值,计算得到序列之间的邻近度值。
在第一方面的一些可实现方式中,获取第一鸟瞰图,包括:
获取目标点云数据;
确定目标点云数据在预设方向的投影点,得到第二鸟瞰图;
根据预设的聚类算法,从多个投影点中确定第一预设数据量的目标投影点;
确定与每个目标投影点距离最小的W个投影点,得到包括初始聚类簇的第一鸟瞰图。
第二方面,本申请实施例提供一种数据处理装置,装置包括:
获取模块,用于获取第一鸟瞰图,第一鸟瞰图由目标点云数据在预设方向投影的投影点生成,第一鸟瞰图包括第一预设数量的初始聚类簇,每个初始聚类簇包括多个投影点;
处理模块,用于根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;
处理模块,还用于根据预设邻近度值算法,获取每个点序列集合的目标点序列,其中,目标点序列对应的邻近度值最小;
处理模块,还用于确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,以用于目标神经网络获取第一鸟瞰图中的特征数据。
在第二方面的一些可实现方式中,处理模块,还用于对每个点序列集合,计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第一差值,以及计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第二差值;
处理模块,还用于计算任意两个点序列之间的第一差值的期望值,得到多个第一值,以及,计算任意两个点序列之间的第二差值的方差,得到多个第二值;
处理模块,还用于根据第一值和第二值,确定任意两个序列之间的邻近度值;
处理模块,还用于确定最小的邻近度值对应的点序列,为初始聚类簇的目标点序列。
在第二方面的一些可实现方式中,处理模块,还用于根据第一预设权重和第一值,以及第二预设权重和第二值,计算得到序列之间的邻近度值。
在第二方面的一些可实现方式中,获取模块,还用于获取目标点云数据;
处理模块,还用于确定目标点云数据在预设方向的投影点,得到第二鸟瞰图;
处理模块,还用于根据预设的聚类算法,从多个投影点中确定第一预设数据量的目标投影点;
处理模块,还用于确定与每个目标投影点距离最小的W个投影点,得到包括初始聚类簇的第一鸟瞰图。
第三方面,本申请提供一种数据处理设备,该设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现第一方面或者第一方面任一可实现方式中的数据处理方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面或者第一方面任一可实现方式中的数据处理方法。
本申请实施例提供了一种数据处理方法、装置、设备及可读存储介质,通过由目标点云数据在预设方向投影的投影点生成第一鸟瞰图,第一鸟瞰图包括第一预设数量的初始聚类簇,以提高处理器的计算效率。接下来,根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;根据预设邻近度值算法,确定每个初始聚类簇的点序列集合中邻近度值最小的序列作为每个初始聚类簇的目标点序列,以实现提升了感受野节点排序的可靠性和稳定性,确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,能够降低点云数据中不同维度之间信息的无序性,有效提高卷积神经网络对点云数据进行深度学习的效率,实现快速获取第一鸟瞰图中的特征数据。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,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是本申请实施例提供的一种数据处理方法的流程示意图;
图2是本申请实施例提供的一种数据处理装置的结构示意图;
图3是本申请实施例提供的一种数据处理设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,随着卷积神将网络的快速发展,在计算机视觉、自然语言处理等领域,基于卷积神经网络能够进行有效的深度学习,具体例如图像、音频等数据。
点云数据点可以包括丰富的信息,例如三维坐标(X,Y,Z)、颜色、分类值、强度值、时间等等,由于这些信息存在随机性和无序性,因此,通常无法使用固定或非固定大小的卷积核对点云数据进行卷积操作,因此,在卷积神经网络进行学习时,学习耗时长,而且学习效果差,由此,需要一种点云数据进行有效的处理,来提高卷积神经网络对点云数据进行深度学习的效率。
为了解决现有技术问题,本申请实施例提供了一种数据处理方法、装置、设备及可读存储介质。通过由目标点云数据在预设方向投影的投影点生成第一鸟瞰图,第一鸟瞰图包括第一预设数量的初始聚类簇,以提高处理器的计算效率。接下来,根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;根据预设邻近度值算法,确定每个初始聚类簇的点序列集合中邻近度值最小的序列作为每个初始聚类簇的目标点序列,以实现提升了感受野节点排序的可靠性和稳定性,确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,能够降低点云数据中不同维度之间信息的无序性,有效提高卷积神经网络对点云数据进行深度学习的效率,实现快速获取第一鸟瞰图中的特征数据。
下面首先对本申请实施例所提供的数据处理方法进行介绍。
图1示出了本申请一个实施例提供的数据处理方法的流程示意图。如图1所示,该方法可以包括步骤110至步骤140。
步骤110,获取第一鸟瞰图。
具体地,第一鸟瞰图由目标点云数据在预设方向投影的投影点生成,第一鸟瞰图包括第一预设数量的初始聚类簇,每个初始聚类簇包括多个投影点。
作为一个具体的示例,通过激光雷达可以构建点云地图,得到点云数据。在点云数据中包括多维度的信息,不同维度之间的信息存在无序性。在本申请实施例中,为了降低点云数据中不同维度之间信息的无序性,以便于提取点云数据中的特征数据,本申请实施例步骤110中,可以包括以下步骤:
获取目标点云数据;确定目标点云数据在预设方向的投影点,得到第二鸟瞰图;根据预设的聚类算法,从多个投影点中确定第一预设数据量的目标投影点;确定与每个目标投影点距离最小的W个投影点,得到包括初始聚类簇的第一鸟瞰图。
具体地,通过对目标点云数据在预设方向进行投影处理,可以得到二维平面图,即,第二鸟瞰图。可以理解的是,在第二鸟瞰图中包括多个投影点。其中,预设的聚类算法例如可以是Kmeans++聚类算法,通过Kmeans++聚类算法,对第二鸟瞰图中包括多个投影点进行聚类处理,可以得到多个聚类中心点,即,多个目标投影点。其中,聚类中心点的数量可以根据实际情况进行设置,例如,聚类中心点的数量为第一预设数量。
示例性的,可以通过KNN最近邻结点算法,对应每一个目标投影点,找到与其距离最小的的W个投影点,从而组成初始聚类簇,其中,每个初始聚类簇包括1+W个投影点。由此,可以得到包括第一预设数量的初始聚类簇的第一鸟瞰图。此外,通过KNN最近邻结点算法,还可以提高GPU的利用率。
在得到包括初始聚类簇的第一鸟瞰图后,可以执行步骤120。
步骤120,根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合。
其中,每个点序列集合包括多个点序列。
在一些实施例中,预设随机游走长度可以根据实际需要进行设置。预设随机游走长度小于初始聚类簇中投影点的总数量。
通过对初始聚类簇中的投影点进行随机游走处理,对应每个初始聚类簇,均可以得到多个点序列,从而可以每个初始聚类簇的点序列集合。
接下来,可以执行步骤130。
步骤130,根据预设邻近度值算法,获取每个点序列集合的目标点序列。
其中,目标点序列对应的邻近度值最小。
在本申请实施例中,每个点序列结合均包括多个点序列,根据预设邻近度值算法,可以获取每个点序列的可靠性,以及稳定性的评价值,从而确定能够表征初始聚类簇的目标点序列。
作为一个具体的示例,具体可以包括以下步骤:
首先,对每个点序列集合,计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第一差值,以及计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第二差值;接下来,计算任意两个点序列之间的第一差值的期望值,得到多个第一值,以及,计算任意两个点序列之间的第二差值的方差,得到多个第二值;之后,可以根据第一值和第二值,确定任意两个序列之间的邻近度值;最后,确定最小的邻近度值对应的点序列,为初始聚类簇的目标点序列。
在一些实施例中,通过计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第一差值,以及计算任意两个点序列之间的第一差值的期望值,得到第一值,从而实现对两个点序列之间空间结构相似度的评价,其中,任意两个点序列之间的第一差值的期望值越小,任意两个点序列之间的控件结构就越相似。
通过计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第二差值,以及计算任意两个点序列之间的第二差值的方差,得到第二值,从而实现对两个点序列之间空间结构稳定性的评价,其中,任意两个点序列之间的第二差值的方差越小,任意两个点序列之间的控件结构的稳定性就越好。
因此,根据对任意两个点序列进行空间结构的相似,以及空间结构的稳定性进行评价得到的第一值和第二值,从而可以确定任意两个序列之间的邻近度值,由此,可以确定最小的邻近度值对应的点序列,为初始聚类簇的目标点序列,具体例如,可以确定第一值最小,以及第二值最小时,对应的点序列为目标点序列。
其中,最小的邻近度值对应的点序列包括两个点序列,由于这两个点序列之间的相似性,以及稳定性相同,因此,可以使用这两个点序列中的任意一个点序列作为目标点序列,在此不做具体限定。
在一些实施例中,在根据第一值和第二值,确定任意两个序列之间的邻近度值时,可以根据第一预设权重和第一值,以及第二预设权重和第二值,计算得到序列之间的邻近度值。
其中,第一预设权重和第二预设权重可以根据实际需要进行设置,在此不作具体限定。
为了便于理解,计算任意两个序列之间的邻近度值可以如公式(1)所示。
S=Aargmin(E(d(A(G1),A(G2))-d(G1,G2)))+B argmin(D(d(A(G1),A(G2))-d(G1,G2))) (1)
其中,G1和G2为任意两个点序列;
A为第一预设权重,B为第二预设权重;
d(A(G1),A(G2))为任意两个点序列之间的图空间向量距离;
d(G1,G2)为任意两个点序列之间的图向量距离;
d(A(G1),A(G2))-d(G1,G2)表示任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第一差值;
E(d(A(G1),A(G2))-d(G1,G2))表示任意两个点序列之间的第一差值的期望值;
D(d(A(G1),A(G2))-d(G1,G2))表示任意两个点序列之间的第二差值的方差。
在得到每个初始聚类簇的目标点序列之后,接下来可以执行步骤140。
步骤140,确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,以用于目标神经网络获取第一鸟瞰图中的特征数据。
由于每个目标点序列可以表征相应的初始聚类簇,从而所有的目标点序列可以表征整个第一鸟瞰图,由此,可以有效降低点云数据中不同维度之间信息的无序性。根据目标点序列中每个节点和每个边的第一向量信息和边的第二向量信息,可以有效提高卷积神经网络对点云数据进行深度学习的效率,实现快速获取第一鸟瞰图中的特征数据。
根据本申请实施例提供的数据处理方法,通过由目标点云数据在预设方向投影的投影点生成第一鸟瞰图,第一鸟瞰图包括第一预设数量的初始聚类簇,以提高处理器的计算效率。接下来,根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;根据预设邻近度值算法,确定每个初始聚类簇的点序列集合中邻近度值最小的序列作为每个初始聚类簇的目标点序列,以实现提升了感受野节点排序的可靠性和稳定性,确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,能够降低点云数据中不同维度之间信息的无序性,有效提高卷积神经网络对点云数据进行深度学习的效率,实现快速获取第一鸟瞰图中的特征数据。
图2是本申请实施例提供的一种数据处理装置的结构示意图,如图2所示,该数据处理装置200可以包括:获取模块210、处理模块220。有内容。
获取模块210,用于获取第一鸟瞰图,第一鸟瞰图由目标点云数据在预设方向投影的投影点生成;第一鸟瞰图包括第一预设数量的初始聚类簇,每个初始聚类簇包括多个投影点;
处理模块220,用于根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;
处理模块220,还用于根据预设邻近度值算法,获取每个点序列集合的目标点序列,其中,目标点序列对应的邻近度值最小;
处理模块220,还用于确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,以用于目标神经网络获取第一鸟瞰图中的特征数据。
在一些实施例中,处理模块220,还用于对每个点序列集合,计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第一差值,以及计算任意两个点序列之间的图空间向量距离与任意两个点序列之间的图向量距离的第二差值;
处理模块220,还用于计算第一差值的期望值,得到多个第一值,以及,计算第二差值的方差,得到多个第二值;
处理模块220,还用于根据第一值和第二值,确定任意两个序列之间的邻近度值;
处理模块220,还用于确定最小的邻近度值对应的点序列,为初始聚类簇的目标点序列。
在一些实施例中,处理模块220,还用于根据第一预设权重和第一值,以及第二预设权重和第二值,计算得到序列之间的邻近度值。
在一些实施例中,获取模块220,还用于获取目标点云数据;
处理模块220,还用于确定目标点云数据在预设方向的投影点,得到第二鸟瞰图;
处理模块220,还用于根据预设的聚类算法,从多个投影点中确定第一预设数据量的目标投影点;
处理模块220,还用于确定与每个目标投影点距离最小的W个投影点,得到包括初始聚类簇的第一鸟瞰图。
可以理解的是,本申请实施例的数据处理装置200,可以对应于本申请实施例图1中的数据处理方法的执行主体,数据处理装置200的各个模块/单元的操作和/或功能的具体细节可以参见上述本申请实施例图1的数据处理方法中的相应部分的描述,为了简洁,在此不再赘述。
本申请实施例的数据处理装置,通过由目标点云数据在预设方向投影的投影点生成第一鸟瞰图,第一鸟瞰图包括第一预设数量的初始聚类簇,以提高处理器的计算效率。接下来,根据预设随机游走长度,对每个初始聚类簇进行随机游走处理,得到每个初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;根据预设邻近度值算法,确定每个初始聚类簇的点序列集合中邻近度值最小的序列作为每个初始聚类簇的目标点序列,以实现提升了感受野节点排序的可靠性和稳定性,确定每个初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,能够降低点云数据中不同维度之间信息的无序性,有效提高卷积神经网络对点云数据进行深度学习的效率,实现快速获取第一鸟瞰图中的特征数据。
图3示出了本申请一个实施例提供的数据处理设备的结构示意图。如图3所示,该设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地,上述处理器301可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于信息或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器302可以包括可移除或不可移除(或固定)的介质,或者存储器302是非易失性固态存储器。存储器302可在数据处理设备的内部或外部。
在一个实例中,存储器302可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现本申请实施例所描述的方法,并达到本申请实施例执行其方法达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,该数据处理设备还可包括通信接口303和总线310。其中,如图3所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者,将在线信息流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该数据处理设备可以执行本申请实施例中的数据处理方法,从而实现本申请实施例描述的数据处理方法的相应技术效果。
另外,结合上述实施例中的数据处理方法,本申请实施例可提供一种可读存储介质来实现。该可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种数据处理方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可擦除只读存储器(Erasable ReadOnly Memory,EROM)、软盘、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块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。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取第一鸟瞰图,所述第一鸟瞰图由目标点云数据在预设方向投影的投影点生成,所述第一鸟瞰图包括第一预设数量的初始聚类簇,每个初始聚类簇包括多个投影点;
根据预设随机游走长度,对每个所述初始聚类簇进行随机游走处理,得到每个所述初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;
根据预设邻近度值算法,获取每个所述点序列集合的目标点序列,其中,所述目标点序列对应的邻近度值最小;
确定每个所述初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,以用于目标神经网络获取所述第一鸟瞰图中的特征数据。
2.根据权利要求1所述的方法,其特征在于,所述根据预设邻近度值算法,获取每个所述点序列集合的目标点序列,包括:
对每个所述点序列集合,计算任意两个点序列之间的图空间向量距离与所述任意两个点序列之间的图向量距离的第一差值,以及计算任意两个点序列之间的图空间向量距离与所述任意两个点序列之间的图向量距离的第二差值;
计算所述任意两个点序列之间的第一差值的期望值,得到多个第一值,以及,计算所述任意两个点序列之间的第二差值的方差,得到多个第二值;
根据所述第一值和所述第二值,确定任意两个序列之间的邻近度值;
确定最小的邻近度值对应的点序列,为所述初始聚类簇的目标点序列。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一值和所述第二值,确定任意两个序列之间的邻近度值,包括:
根据第一预设权重和所述第一值,以及第二预设权重和所述第二值,计算得到所述序列之间的邻近度值。
4.根据权利要求1所述的方法,其特征在于,所述获取第一鸟瞰图,包括:
获取目标点云数据;
确定所述目标点云数据在所述预设方向的投影点,得到第二鸟瞰图;
根据预设的聚类算法,从所述多个投影点中确定第一预设数据量的目标投影点;
确定与每个所述目标投影点距离最小的W个投影点,得到包括所述初始聚类簇的第一鸟瞰图。
5.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取第一鸟瞰图,所述第一鸟瞰图由目标点云数据在预设方向投影的投影点生成,所述第一鸟瞰图包括第一预设数量的初始聚类簇,每个初始聚类簇包括多个投影点;
处理模块,用于根据预设随机游走长度,对每个所述初始聚类簇进行随机游走处理,得到每个所述初始聚类簇的点序列集合,其中,每个点序列集合包括多个点序列;
所述处理模块,还用于根据预设邻近度值算法,获取每个所述点序列集合的目标点序列,其中,所述目标点序列对应的邻近度值最小;
所述处理模块,还用于确定每个所述初始聚类簇的目标点序列中每个节点和每个边的向量表示形式,得到节点的第一向量信息和边的第二向量信息,以用于目标神经网络获取所述第一鸟瞰图中的特征数据。
6.根据权利要求5所述的装置,其特征在于,
所述处理模块,还用于对每个所述点序列集合,计算任意两个点序列之间的图空间向量距离与所述任意两个点序列之间的图向量距离的第一差值,以及计算任意两个点序列之间的图空间向量距离与所述任意两个点序列之间的图向量距离的第二差值;
所述处理模块,还用于计算所述任意两个点序列之间的第一差值的期望值,得到多个第一值,以及,计算所述任意两个点序列之间的第二差值的方差,得到多个第二值;
所述处理模块,还用于根据所述第一值和所述第二值,确定任意两个序列之间的邻近度值;
所述处理模块,还用于确定最小的邻近度值对应的点序列,为所述初始聚类簇的目标点序列。
7.根据权利要求6所述的装置,其特征在于,
所述处理模块,还用于根据第一预设权重和所述第一值,以及第二预设权重和所述第二值,计算得到所述序列之间的邻近度值。
8.根据权利要求5所述的装置,其特征在于,
所述获取模块,还用于获取目标点云数据;
所述处理模块,还用于确定所述目标点云数据在所述预设方向的投影点,得到第二鸟瞰图;
所述处理模块,还用于根据预设的聚类算法,从所述多个投影点中确定第一预设数据量的目标投影点;
所述处理模块,还用于确定与每个所述目标投影点距离最小的W个投影点,得到包括所述初始聚类簇的第一鸟瞰图。
9.一种数据处理设备,其特征在于,所述设备包括:处理器,以及存储有计算机程序指令的存储器;
所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-4一项所述的数据处理方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110897672.7A CN113793295A (zh) | 2021-08-05 | 2021-08-05 | 一种数据处理方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110897672.7A CN113793295A (zh) | 2021-08-05 | 2021-08-05 | 一种数据处理方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113793295A true CN113793295A (zh) | 2021-12-14 |
Family
ID=78877175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110897672.7A Pending CN113793295A (zh) | 2021-08-05 | 2021-08-05 | 一种数据处理方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024000519A1 (zh) * | 2022-06-30 | 2024-01-04 | 华为技术有限公司 | 轨迹数据的表征方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020034542A1 (zh) * | 2018-08-17 | 2020-02-20 | 平安科技(深圳)有限公司 | 神经网络模型训练、人脸识别方法、装置、设备及介质 |
CN110825826A (zh) * | 2019-11-07 | 2020-02-21 | 深圳大学 | 聚类簇计算方法、装置、终端及存储介质 |
CN111079685A (zh) * | 2019-12-25 | 2020-04-28 | 电子科技大学 | 一种3d目标检测方法 |
CN112733885A (zh) * | 2020-12-23 | 2021-04-30 | 西人马帝言(北京)科技有限公司 | 点云识别模型的确定方法、点云识别的方法及装置 |
-
2021
- 2021-08-05 CN CN202110897672.7A patent/CN113793295A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020034542A1 (zh) * | 2018-08-17 | 2020-02-20 | 平安科技(深圳)有限公司 | 神经网络模型训练、人脸识别方法、装置、设备及介质 |
CN110825826A (zh) * | 2019-11-07 | 2020-02-21 | 深圳大学 | 聚类簇计算方法、装置、终端及存储介质 |
CN111079685A (zh) * | 2019-12-25 | 2020-04-28 | 电子科技大学 | 一种3d目标检测方法 |
CN112733885A (zh) * | 2020-12-23 | 2021-04-30 | 西人马帝言(北京)科技有限公司 | 点云识别模型的确定方法、点云识别的方法及装置 |
Non-Patent Citations (1)
Title |
---|
李志宇等: "一种大规模网络中基于节点结构特征映射的链接预测方法", 计算机学报, no. 10, 31 October 2016 (2016-10-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024000519A1 (zh) * | 2022-06-30 | 2024-01-04 | 华为技术有限公司 | 轨迹数据的表征方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108225341B (zh) | 车辆定位方法 | |
CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN111507153B (zh) | 用分割得分图和聚类图检测车道线的后处理方法以及装置 | |
CN109146976B (zh) | 用于定位无人车的方法和装置 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN110633843B (zh) | 园区巡检方法、装置、设备及存储介质 | |
CN113723216A (zh) | 一种车道线检测方法、装置、车辆及存储介质 | |
CN112990235A (zh) | 点云数据的处理方法、装置及电子设备 | |
CN114593743A (zh) | 一种基于改进双向rrt算法的路径规划方法及装置 | |
CN113793295A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN116245901A (zh) | 一种基于边缘学习的建筑物规则矢量轮廓提取方法及系统 | |
CN113099384A (zh) | 一种室内定位方法、装置、设备及计算机存储介质 | |
EP4030383A1 (en) | Probabilistic sampling acceleration and corner feature extraction for vehicle systems | |
CN113902898A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113505720A (zh) | 图像处理方法及装置、存储介质、电子装置 | |
CN112949785A (zh) | 对象检测方法、装置、设备及计算机存储介质 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN111340092B (zh) | 一种目标关联处理方法及装置 | |
CN113808077A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN110705334A (zh) | 目标追踪方法、装置、设备和介质 | |
CN114674328A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
CN108917768B (zh) | 无人机定位导航方法和系统 | |
CN113283450A (zh) | 图像识别方法、装置、设备及计算机存储介质 | |
CN118521807B (zh) | 一种标志点的配对方法、介质及设备 | |
CN114118392A (zh) | 加密锁型模块、支持人工智能的方法及电子装置 |
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 |