CN114298581A - 质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质 - Google Patents
质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN114298581A CN114298581A CN202111653801.4A CN202111653801A CN114298581A CN 114298581 A CN114298581 A CN 114298581A CN 202111653801 A CN202111653801 A CN 202111653801A CN 114298581 A CN114298581 A CN 114298581A
- Authority
- CN
- China
- Prior art keywords
- result
- quality
- evaluation
- point cloud
- model
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000011218 segmentation Effects 0.000 claims abstract description 100
- 238000011156 evaluation Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000001303 quality assessment method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 230000010365 information processing Effects 0.000 claims description 5
- 238000012911 target assessment Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012550 audit Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Abstract
本发明的实施例提供了一种质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质,涉及数据处理技术领域,方法包括:获得待分割点云数据的分割结果和置信度结果,基于置信度结果,对分割结果的质量做评估,得到初步评估结果。在存在针对初步评估结果的纠正信息的情况下,获得纠正后的评估结果作为目标评估结果,并基于待分割点云数据中的设定信息、初步评估结果和目标评估结果拟合得出质量评估模型,从而基于质量评估模型实现分割结果评估,确保了评估的可靠性和便捷性。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质。
背景技术
随着数字化设备的不断发展,能够获得的数据量不断增加,例如,对于能够代表空间信息的三维点云数据的获取,在建模更新中有着至关重要的作用。示例性地,对于点云分割模型而言,及时获得分割结果的质量反馈,能够为点云分割模型的更新提供有效的信息,因此需要及时对分割结果进行评估与审核。现今,主要通过人工审核的方法进行三维点云分割结果的评估和审核,需要大量的人力和时间,可靠性有待提升。
发明内容
本发明的目的之一包括,例如,提供了一种质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质,以至少部分地降低三维点云分割结果评估所需的人力和时间,提高评估可靠性和便捷性。
本发明的实施例可以这样实现:
第一方面,本发明提供一种质量评估模型生成方法,包括:
获得待分割点云数据的分割结果和置信度结果;
基于所述置信度结果,对所述分割结果的质量做评估,得到初步评估结果;
在存在针对所述初步评估结果的纠正信息的情况下,获得纠正后的评估结果作为目标评估结果;
基于所述待分割点云数据中的设定信息、所述初步评估结果和所述目标评估结果拟合得出质量评估模型。
在可选的实施方式中,基于所述待分割点云数据中的设定信息、所述初步评估结果和所述目标评估结果拟合得出质量评估模型的步骤,包括:
对所述待分割点云数据中的设定信息进行编码,得出第一输入信息;
将所述初步评估结果作为第二输入信息;
将所述第一输入信息和第二输入信息输入学习模型,以所述目标评估结果作为标签对所述学习模型进行训练,拟合得出质量评估模型。
在可选的实施方式中,以所述目标评估结果作为标签对所述学习模型进行训练,拟合得出质量评估模型的步骤,包括:
基于所述学习模型,对所述第一输入信息进行向前推理;
将向前推理的结果与所述第二输入信息进行融合得到中间处理信息;
基于所述中间处理信息对所述学习模型做回归,以所述目标评估结果作为标签对所述学习模型进行训练,拟合得出质量评估模型。
在可选的实施方式中,所述设定信息包括位置信息、颜色信息、分割结果和置信度结果,所述对所述待分割点云数据中的设定信息进行编码,得出第一输入信息的步骤,包括:
对所述待分割点云数据的位置信息、颜色信息、分割结果和置信度结果进行编码,形成包括位置信息、颜色信息、分割结果和置信度结果的特征向量矩阵,作为第一输入信息。
在可选的实施方式中,获得待分割点云数据的分割结果和置信度结果的步骤,包括:
获得待分割点云数据;
基于点云分割模型对所述待分割点云数据进行处理,获得各类别的分割结果和各类别的置信度结果;
所述基于所述置信度结果,对所述分割结果的质量做评估,得到初步评估结果的步骤,包括:
通过统计置信度的方法,基于所述置信度结果,对每种类别的分割结果包括的指标进行计算,得到每种类别的分割结果的初步评估结果。
第二方面,本发明实施例提供一种质量评估方法,包括:
获得点云数据的待评估分割结果;
将所述待评估分割结果输入基于上述的质量评估模型生成方法生成的质量评估模型,得到质量评估结果。
第三方面,本发明实施例提供一种质量评估模型生成装置,包括:
信息获得模块,用于获得待分割点云数据的分割结果和置信度结果;
信息处理模块,用于基于所述置信度结果,对所述分割结果的质量做评估,得到初步评估结果;在存在针对所述初步评估结果的纠正信息的情况下,获得纠正后的评估结果作为目标评估结果;基于所述待分割点云数据中的设定信息、所述初步评估结果和所述目标评估结果拟合得出质量评估模型。
第四方面,本发明实施例提供一种质量评估装置,包括:
数据获得模块,用于获得点云数据的待评估分割结果;
数据处理模块,用于将所述待评估分割结果输入基于上述的质量评估模型生成方法生成的质量评估模型,得到质量评估结果。
第五方面,本发明提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述实施方式任一项所述的方法。
第六方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行前述实施方式任一项所述的方法。
本发明实施例的有益效果包括,例如:结合置信度结果、纠正信息等进行质量评估,并基于待分割点云数据中的设定信息、初步评估结果和目标评估结果拟合得出质量评估模型,确保了质量评估模型的可靠性,基于质量评估模型便可实现分割结果评估,确保了评估结果的可靠性和评估的便捷性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的一种应用场景示意图。
图2示出了本发明实施例提供的一种质量评估模型生成方法的流程示意图。
图3示出了本发明实施例提供的一种质量评估方法的流程示意图。
图4示出了本发明实施例提供的一种质量评估模型生成装置的示例性结构框图。
图5示出了本发明实施例提供的一种质量评估装置的示例性结构框图。
图标:100-电子设备;110-存储器;120-处理器;130-通信模块;140-质量评估模型生成装置;141-信息获得模块;142-信息处理模块;150-质量评估装置;151-数据获得模块;152-数据处理模块。
具体实施方式
三维点云数据经过模型分割后产生的分割结果在一定程度上反映了模型对于数据的适用性,可以反映出某种数据的稀缺性,因此对于分割结果的评估尤为重要,其结果在一定程度上指导模型的更新。现今,对于分割结果进行评估和审核时,通常采用的是人工评估和审核的方式,或者,采用传统统计置信度的方式对分割结果进行评估。
经研究发现,人工评估和审核的方式相对准确但是花费时间较多,也容易出现人为误差。传统统计置信度的方式速度较快但是无法避免一些缺陷问题,例如,针对高置信度且预测错误的情况无法获得贴切有效的得分。
基于上述研究,本发明实施例提供一种质量评估方案,结合人工评估、审核与传统统计置信度方案的优点构建了质量评估模型,基于质量评估模型自动判断分割结果的好坏,实现从点云分割到分割结果质量评估整个自动化流程的建立,确保分割结果质量评估的效率和可靠性。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案,都应该是发明人在发明过程中做出的贡献。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通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。
需要说明的是,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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
请参照图1,是本实施例提供的一种电子设备100的方框示意图,本实施例中的电子设备100可以为能够进行模型训练、调用,以及数据存储、处理等的服务器、处理设备、处理平台等。所述电子设备100包括存储器110、处理器120及通信模块130。所述存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器110用于存储程序或者数据。所述存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序,并执行相应地功能。
通信模块130用于通过所述网络建立所述电子设备100与其它通信终端之间的通信连接,并用于通过所述网络收发数据。
应当理解的是,图1所示的结构仅为电子设备100的结构示意图,所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请结合参阅图2,为本发明实施例提供的一种质量评估模型生成方法的流程示意图,可以由图1所述电子设备100执行,例如可以由电子设备100中的处理器120执行。该质量评估模型生成方法包括S110、S120、S130和S140。
S110,获得待分割点云数据的分割结果和置信度结果;
S120,基于所述置信度结果,对所述分割结果的质量做评估,得到初步评估结果;
S130,在存在针对所述初步评估结果的纠正信息的情况下,获得纠正后的评估结果作为目标评估结果;
S140,基于所述待分割点云数据中的设定信息、所述初步评估结果和所述目标评估结果拟合得出质量评估模型。
本发明实施例结合人工评估、审核的纠正信息与传统统计置信度方案,以及待分割点云数据中的设定信息拟合得出质量评估模型,使得拟合得出的质量评估模型具有人工评估、审核与传统统计置信度方案两者的优点,进而确保基于质量评估模型便可实现分割结果的质量评估,确保评估的效率和可靠性。
S110中,待分割点云数据的分割结果和置信度结果可以通过多种方式得出。例如,可以基于已有的点云分割模型对待分割点云数据进行处理,获得各类别的分割结果和各类别的置信度结果。示例性地,将待分割点云数据输入点云分割模型,利用点云分割模型推理获得每个点的类别信息和该类别的置信度,进而得出待分割点云数据各类别的分割结果和各类别的置信度结果。又例如,可以利用其他设定的规则对待分割点云数据进行处理,从而获得分割结果和置信度结果。本实施例对此不做限定。
本实施例中,每种类别的分割结果可以包括至少一项指标,其中,指标可以包括置信度分布指标、个体类别置信度指标、个体类别纯度指标等。相应地,S120中,可以通过统计置信度的方法,基于置信度结果,对每种类别的分割结果包括的指标进行计算,得到每种类别的分割结果的初步评估结果。
示例性地,可以采用传统的统计置信度的方法,针对每种类别的分割结果的各项指标分别进行计算,获得每种类别的分割结果的各项指标得分形成的分数向量矩阵,进而得出代表所有类别的分割结果的各项指标得分的第一向量矩阵,将第一向量矩阵作为初步评估结果。
S130中,纠正信息可以为人工评估、审核得出的。例如,采用人工评估、审核的方法,对初步评估结果中评分偏差明显的样本的得分进行纠正。示例性地,可以根据人工经验矫正,如采用五等级打分的方法进行人工纠正,以纠正后的得分作为目标评估结果。
S140中,质量评估模型可以通过以下方式拟合得出:对所述待分割点云数据中的设定信息进行编码,得出第一输入信息;将所述初步评估结果作为第二输入信息;将所述第一输入信息和第二输入信息输入学习模型,以所述目标评估结果作为标签对所述学习模型进行训练,拟合得出质量评估模型。
其中,设定信息可以灵活设定,例如,设定信息可以包括位置信息、颜色信息、分割结果、置信度结果等。相应地,对待分割点云数据中的设定信息进行编码,得出第一输入信息包括:对待分割点云数据的位置信息、颜色信息、分割结果和置信度结果进行编码,形成包括位置信息、颜色信息、分割结果和置信度结果的特征向量矩阵,作为第一输入信息。
基于上述设计,以目标评估结果作为标签对学习模型进行训练,从而拟合得出质量评估模型的步骤,可以包括:基于学习模型,对第一输入信息进行向前推理;将向前推理的结果与第二输入信息进行融合得到中间处理信息;基于中间处理信息对学习模型做回归,以目标评估结果作为标签对学习模型进行训练,从而拟合得出质量评估模型。
其中,向前推理的实现原理不限,例如,可以基于深度学习模型的推理流程对第一输入信息进行向前推理。示例性地,可以基于PointNet、RandLANet等实现原理对第一输入信息进行向前推理。拟合得出质量评估模型的实现原理不限,例如,可以基于MSE(MeanSquare Error,均方误差)目标函数和SGD(Stochastic Gradient Descent,随机梯度下降)优化方法拟合得出质量评估模型。
为了更为清楚地阐述本发明实施例中质量评估模型的生成原理,现以下述场景为例,对质量评估模型的生成流程进行举例说明。
在待分割点云数据的点数量为N,类别数量为NC,传统统计置信度的方法指标数量为M1,深度法指标数量为M2,待分割点云数据为点云特征向量矩阵I1,点云特征向量矩阵I1为N*8的矩阵,每个点包括空间坐标XYZ、颜色信息RGB、类别Cls和置信度C的情况下,质量评估模型的生成流程如下:
将点云特征向量矩阵I1输入点云分割模型,得到各类别的分割结果和各类别的置信度结果。
利用传统统计置信度的方法基于置信度结果,对分割结果的质量做评估,得到各指标分数向量矩阵I2,并计算得出代表各类别分割质量得分的评分向量S(初步评估结果)。
其中,各指标分数向量矩阵I2为NC*M1的矩阵,每个类别的评分指标可包括但不限于置信度分布指标、个体类别置信度指标、个体类别纯度指标等。评分向量S为长度为NC的向量,每个元素代表基于传统统计置信度的方法的各类别评分,可快速生成大量初始评分数据,用于人工纠正成可用标签。
采用人工审核对各指标分数向量矩阵I2进行纠正,以纠正后的得分作为新的评分向量S1(目标评估结果)。其中,新的评分向量S1为长度为NC的向量,每个元素代表人工修正后的各类别评分,用以作为训练学习模型的标签数据。
编码点云中各个点的位置信息、颜色信息、分割结果和置信度结果,形成新的点云特征向量矩阵,作为学习模型的第一输入信息。将各指标分数向量矩阵I2作为第二输入信息。
将第一输入信息和第二输入信息输入学习模型,学习模型将第一输入信息进行前向推理,得到中间特征向量矩阵F1,将中间特征向量矩阵F1与各指标分数向量矩阵I2融合后得出新的中间特征向量矩阵F2。
其中,中间特征向量矩阵F1为NC*M2的矩阵,通过学习的方式,让学习模型自主拟合有利于最终评分精度的各指标值。新的中间特征向量矩阵F2为NC*(M1+M2)的矩阵,用以后续质量评估模型的推理。
学习模型基于新的中间特征向量矩阵F2进行回归,最终输出新的、以评分向量S1作为标签对学习模型进行训练,拟合得出的、最终应用的、用于进行分割结果评估的质量评估模型。
为了提高训练效率,可以基于分值综合回归模型对新的中间特征向量矩阵F2进行回归,相应地,分值综合回归模型输入NC*(M1+M2)的矩阵,输出长度为NC的评分向量。
其中,质量评估模型输入N*8的点云数据,输出NC*M2的评分矩阵。该质量评估模型的结构可以是PointNet、RandLANet或其他,本实施例对此不作限制。质量评估模型输出的为综合所有点的信息得到的评分矩阵。
其中,可以通过对学习模型输出的最终评分向量S2进行分析,在最终评分向量S2满足设定条件的情况下,确定完成对学习模型的训练,得到用于进行分割结果评估的质量评估模型。最终评分向量S2为长度为NC的向量,每个元素代表学习模型输出的各类别最终评分。
基于该训练流程,采用人工审核和传统统计置信度方案结合的方法生成质量评估的目标评估结果,将目标评估结果作为标注数据(标签),结合标注数据对学习模型进行训练,从而得到相对可靠的质量评估模型。在质量评估模型训练过程中,融合了原始点云中各个点的位置信息、颜色信息、分割结果和置信度结果等,从而使得质量评估模型能够综合较为丰富的信息,进行尽可能客观的质量评分。
在上述基础上,本发明实施例还提供一种质量评估方法,请结合参阅图3,为本发明实施例提供的一种质量评估方法的流程示意图,可以由图1所述电子设备100执行,例如可以由电子设备100中的处理器120执行。该质量评估方法包括S210和S220。
S210,获得点云数据的待评估分割结果。
S220,将待评估分割结果输入基于上述的质量评估模型生成方法生成的质量评估模型,得到质量评估结果。
利用质量评估模型实现点云分割结果的自动评估,评估得到的结果可用作分割结果的可靠性指标,并协助后续点云分割模型的自监督学习,以实现点云分割模型的迭代升级。
为了更为清楚地阐述本发明实施例中质量评估方法的应用原理,现以下述场景为例,对质量评估方法的应用流程进行举例说明。
在某一场景中,需要基于点云的大规模场景障碍物分割算法,分割提取障碍物后用于设备的自主避障导航,然而,分割质量不好会导致避障失败,后果比较严重。为了降低因分割质量不好导致的避障失败,以及收集困难样本用于分割模型的迭代升级,需要提出一种可靠的分割质量评估方案。在本实施例中,实现流程如下:
进行环境三维重建,获得环境的稠密点云,使用分割模型对点云进行分割,得每个点的分割结果和置信度结果。
采用传统统计置信度的方法对分割结果进行分析运算,得各类别各指标评分以及最终评分。
结合原始稠密点云信息、分割结果和最终评分,利用质量评估模型进行进一步的打分,得到更加可靠的评分结果。
判断评分结果是否达到预期,若评分结果达到预期,则执行自主的避障规划与导航;否则放弃在本次分割结果上进行自主避障规划与导航,并且备份本次点云数据,用以后续的分割模型迭代训练。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种质量评估模型生成装置的实现方式。请参阅图4,图4为本发明实施例提供的一种质量评估模型生成装置140的功能模块图,该质量评估模型生成装置140可以应用于图1所示电子设备100。需要说明的是,本实施例所提供的质量评估模型生成装置140,其基本原理及产生的技术效果和上述质量评估模型生成方法实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该质量评估模型生成装置140包括信息获得模块141和信息处理模块142。
信息获得模块141用于获得待分割点云数据的分割结果和置信度结果。
信息处理模块142用于基于所述置信度结果,对所述分割结果的质量做评估,得到初步评估结果;在存在针对所述初步评估结果的纠正信息的情况下,获得纠正后的评估结果作为目标评估结果;基于所述待分割点云数据中的设定信息、所述初步评估结果和所述目标评估结果拟合得出质量评估模型。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种质量评估装置的实现方式。请参阅图5,图5为本发明实施例提供的一种质量评估装置150的功能模块图,该质量评估装置150可以应用于图1所示电子设备100。需要说明的是,本实施例所提供的质量评估装置150,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的质量评估方法实施例中相应内容。该质量评估装置150包括数据获得模块151和数据处理模块152。
其中,数据获得模块151用于获得点云数据的待评估分割结果。
数据处理模块152用于将所述待评估分割结果输入基于权利要求1至6任意一项所述的质量评估模型生成方法生成的质量评估模型,得到质量评估结果。
在上述基础上,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行上述的方法。
采用本发明实施例中的上述方案,能够确保评估结果的可靠性、全面性和评估效率。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,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,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种质量评估模型生成方法,其特征在于,包括:
获得待分割点云数据的分割结果和置信度结果;
基于所述置信度结果,对所述分割结果的质量做评估,得到初步评估结果;
在存在针对所述初步评估结果的纠正信息的情况下,获得纠正后的评估结果作为目标评估结果;
基于所述待分割点云数据中的设定信息、所述初步评估结果和所述目标评估结果拟合得出质量评估模型。
2.根据权利要求1所述的质量评估模型生成方法,其特征在于,基于所述待分割点云数据中的设定信息、所述初步评估结果和所述目标评估结果拟合得出质量评估模型的步骤,包括:
对所述待分割点云数据中的设定信息进行编码,得出第一输入信息;
将所述初步评估结果作为第二输入信息;
将所述第一输入信息和第二输入信息输入学习模型,以所述目标评估结果作为标签对所述学习模型进行训练,拟合得出质量评估模型。
3.根据权利要求2所述的质量评估模型生成方法,其特征在于,以所述目标评估结果作为标签对所述学习模型进行训练,拟合得出质量评估模型的步骤,包括:
基于所述学习模型,对所述第一输入信息进行向前推理;
将向前推理的结果与所述第二输入信息进行融合得到中间处理信息;
基于所述中间处理信息对所述学习模型做回归,以所述目标评估结果作为标签对所述学习模型进行训练,拟合得出质量评估模型。
4.根据权利要求2所述的质量评估模型生成方法,其特征在于,所述设定信息包括位置信息、颜色信息、分割结果和置信度结果,所述对所述待分割点云数据中的设定信息进行编码,得出第一输入信息的步骤,包括:
对所述待分割点云数据的位置信息、颜色信息、分割结果和置信度结果进行编码,形成包括位置信息、颜色信息、分割结果和置信度结果的特征向量矩阵,作为第一输入信息。
5.根据权利要求1所述的质量评估模型生成方法,其特征在于,获得待分割点云数据的分割结果和置信度结果的步骤,包括:
获得待分割点云数据;
基于点云分割模型对所述待分割点云数据进行处理,获得各类别的分割结果和各类别的置信度结果;
所述基于所述置信度结果,对所述分割结果的质量做评估,得到初步评估结果的步骤,包括:
通过统计置信度的方法,基于所述置信度结果,对每种类别的分割结果包括的指标进行计算,得到每种类别的分割结果的初步评估结果。
6.一种质量评估方法,其特征在于,包括:
获得点云数据的待评估分割结果;
将所述待评估分割结果输入基于权利要求1至5任意一项所述的质量评估模型生成方法生成的质量评估模型,得到质量评估结果。
7.一种质量评估模型生成装置,其特征在于,包括:
信息获得模块,用于获得待分割点云数据的分割结果和置信度结果;
信息处理模块,用于基于所述置信度结果,对所述分割结果的质量做评估,得到初步评估结果;在存在针对所述初步评估结果的纠正信息的情况下,获得纠正后的评估结果作为目标评估结果;基于所述待分割点云数据中的设定信息、所述初步评估结果和所述目标评估结果拟合得出质量评估模型。
8.一种质量评估装置,其特征在于,包括:
数据获得模块,用于获得点云数据的待评估分割结果;
数据处理模块,用于将所述待评估分割结果输入基于权利要求1至6任意一项所述的质量评估模型生成方法生成的质量评估模型,得到质量评估结果。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653801.4A CN114298581A (zh) | 2021-12-30 | 2021-12-30 | 质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653801.4A CN114298581A (zh) | 2021-12-30 | 2021-12-30 | 质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298581A true CN114298581A (zh) | 2022-04-08 |
Family
ID=80974134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111653801.4A Pending CN114298581A (zh) | 2021-12-30 | 2021-12-30 | 质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298581A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945198A (zh) * | 2016-10-13 | 2018-04-20 | 北京百度网讯科技有限公司 | 用于标注点云数据的方法和装置 |
CN109754020A (zh) * | 2019-01-10 | 2019-05-14 | 东华理工大学 | 融合多层级渐进策略和非监督学习的地面点云提取方法 |
CN110097553A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于即时定位建图与三维语义分割的语义建图系统 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110675440A (zh) * | 2019-09-27 | 2020-01-10 | 深圳市易尚展示股份有限公司 | 三维深度数据的置信度评估方法、装置和计算机设备 |
WO2020103110A1 (zh) * | 2018-11-22 | 2020-05-28 | 深圳市大疆创新科技有限公司 | 一种基于点云地图的图像边界获取方法、设备及飞行器 |
WO2020108311A1 (zh) * | 2018-11-29 | 2020-06-04 | 北京市商汤科技开发有限公司 | 目标对象3d检测方法、装置、介质及设备 |
CN111639682A (zh) * | 2020-05-13 | 2020-09-08 | 北京三快在线科技有限公司 | 基于点云数据的地面分割方法及装置 |
CN112101066A (zh) * | 2019-06-17 | 2020-12-18 | 商汤集团有限公司 | 目标检测方法和装置及智能驾驶方法、设备和存储介质 |
WO2021134339A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于点云的分割处理方法、装置、计算机设备和存储介质 |
CN113159151A (zh) * | 2021-04-12 | 2021-07-23 | 中国科学技术大学 | 面向自动驾驶的多传感器深度融合3d目标检测方法 |
CN113240009A (zh) * | 2021-05-14 | 2021-08-10 | 广州极飞科技股份有限公司 | 一种点云数据标注方法、装置、存储介质及电子设备 |
CN113807448A (zh) * | 2021-09-23 | 2021-12-17 | 广州极飞科技股份有限公司 | 点云数据分割模型训练方法、装置、存储介质及电子设备 |
-
2021
- 2021-12-30 CN CN202111653801.4A patent/CN114298581A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945198A (zh) * | 2016-10-13 | 2018-04-20 | 北京百度网讯科技有限公司 | 用于标注点云数据的方法和装置 |
WO2020103110A1 (zh) * | 2018-11-22 | 2020-05-28 | 深圳市大疆创新科技有限公司 | 一种基于点云地图的图像边界获取方法、设备及飞行器 |
WO2020108311A1 (zh) * | 2018-11-29 | 2020-06-04 | 北京市商汤科技开发有限公司 | 目标对象3d检测方法、装置、介质及设备 |
CN109754020A (zh) * | 2019-01-10 | 2019-05-14 | 东华理工大学 | 融合多层级渐进策略和非监督学习的地面点云提取方法 |
CN110097553A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于即时定位建图与三维语义分割的语义建图系统 |
CN112101066A (zh) * | 2019-06-17 | 2020-12-18 | 商汤集团有限公司 | 目标检测方法和装置及智能驾驶方法、设备和存储介质 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110675440A (zh) * | 2019-09-27 | 2020-01-10 | 深圳市易尚展示股份有限公司 | 三维深度数据的置信度评估方法、装置和计算机设备 |
WO2021134339A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于点云的分割处理方法、装置、计算机设备和存储介质 |
CN111639682A (zh) * | 2020-05-13 | 2020-09-08 | 北京三快在线科技有限公司 | 基于点云数据的地面分割方法及装置 |
CN113159151A (zh) * | 2021-04-12 | 2021-07-23 | 中国科学技术大学 | 面向自动驾驶的多传感器深度融合3d目标检测方法 |
CN113240009A (zh) * | 2021-05-14 | 2021-08-10 | 广州极飞科技股份有限公司 | 一种点云数据标注方法、装置、存储介质及电子设备 |
CN113807448A (zh) * | 2021-09-23 | 2021-12-17 | 广州极飞科技股份有限公司 | 点云数据分割模型训练方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805258B (zh) | 一种神经网络训练方法及其装置、计算机服务器 | |
WO2020008919A1 (ja) | 機械学習装置及び方法 | |
KR101719278B1 (ko) | 비주얼 콘텐츠기반 영상 인식을 위한 딥러닝 프레임워크 및 영상 인식 방법 | |
CN110727665B (zh) | 物联网设备上报数据质量分析方法及系统 | |
CN108664658B (zh) | 一种考虑用户偏好动态变化的协同过滤视频推荐方法 | |
CN111125530A (zh) | 一种基于多类型特征深度学习的信息流推荐方法 | |
US10950225B2 (en) | Acoustic model learning apparatus, method of the same and program | |
CN113536081B (zh) | 基于人工智能的数据中心数据管理方法及系统 | |
EP4020336A1 (en) | Ai-based pre-training model determination system, and ai-based vision inspection management system using same for product production lines | |
CN115455300B (zh) | 基于人工智能的数据推送方法、系统及云平台 | |
US20200160149A1 (en) | Knowledge completion method and information processing apparatus | |
CN116934780B (zh) | 一种基于深度学习的电成像测井图像裂缝分割方法及系统 | |
CN111340233B (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
CN114758199A (zh) | 检测模型的训练方法、装置、设备和存储介质 | |
CN114157507A (zh) | 采用大数据分析的云服务漏洞分析方法及人工智能系统 | |
CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
JPWO2019180868A1 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
CN114298581A (zh) | 质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质 | |
CN116302088B (zh) | 一种代码克隆检测方法、存储介质及设备 | |
CN116306777A (zh) | 模型精度损失定位方法、装置和电子设备 | |
CN114418236A (zh) | 信息预测方法、装置、存储介质及电子设备 | |
CN113900935A (zh) | 一种缺陷自动识别方法、装置、计算机设备及存储介质 | |
CN113920311A (zh) | 一种基于边缘辅助信息的遥感图像分割方法及系统 | |
CN108491440B (zh) | 一种gnss非实时数据溯源可视化方法和系统 | |
CN112560952A (zh) | 供应商考核方法、装置、电子设备和存储介质 |
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 |