CN114648757A - 三维目标的检测方法及装置 - Google Patents

三维目标的检测方法及装置 Download PDF

Info

Publication number
CN114648757A
CN114648757A CN202210247364.4A CN202210247364A CN114648757A CN 114648757 A CN114648757 A CN 114648757A CN 202210247364 A CN202210247364 A CN 202210247364A CN 114648757 A CN114648757 A CN 114648757A
Authority
CN
China
Prior art keywords
point cloud
target
dimensional target
characteristic
scale
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
Application number
CN202210247364.4A
Other languages
English (en)
Inventor
徐志远
汪浩文
车正平
王明远
乔秀全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Midea Group Co Ltd
Beijing University of Posts and Telecommunications
Midea Group Shanghai Co Ltd
Original Assignee
Midea Group Co Ltd
Midea Group Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Midea Group Co Ltd, Midea Group Shanghai Co Ltd filed Critical Midea Group Co Ltd
Priority to CN202210247364.4A priority Critical patent/CN114648757A/zh
Publication of CN114648757A publication Critical patent/CN114648757A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，提供一种三维目标的检测方法及装置。该方法包括：对三维目标的原始目标点云图像进行预设次数的降采样并分别进行特征提取，得到各特征尺度的第一点云特征；将各特征尺度的点云图像分别进行上采样并分别进行特征提取，得到各特征尺度的第二点云特征；将各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接并进行三维目标检测，确定三维目标的目标检测结果。本发明提供的三维目标的检测方法及装置，通过多次降采样得到的各特征尺度点云特征与对应上采样后得到的点云特征进行拼接，并进行三维目标检测，使得原始点云图像在特征提取的过程中保留更多三维目标的特征信息，提高了三维目标的检测准确率。

Description

三维目标的检测方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种三维目标的检测方法及装置。
背景技术
现在主流的三维目标检测方法是将具有深度感知能力的传感器所获的原始数据转换为三维空间的点云，并通过基于网格或者基于原始点云两种三维目标检测方法进行三维目标检测。
基于网格的方法一般用体素将空间划分为稠密的三维栅格以使用卷积操作方式进行特征提取，但在划分体素时对点云进行了压缩，损失了部分的空间信息。基于原始点云的三维目标检测算法，由于对点云不断降采样的过程中会产生两个问题，一是单个点的感受野不断扩大造成局部特征的损失，二是随着点云的减少目标框里的点也会随之减少而造成信息缺失。现有的两种检测方法中，在特征提取的过程中，均存在特征信息缺失，使得三维目标检测准确率不高。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种三维目标的检测方法，使得原始点云图像在特征提取的过程中保留更多的三维目标的特征信息，提高了三维目标的检测准确率。
本发明还提出一种三维目标的检测装置。
本发明还提出一种电子设备。
本发明还提出一种非暂态计算机可读存储介质。
本发明还提出一种计算机程序产品。
根据本发明第一方面实施例的三维目标的检测方法，包括：对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
根据本发明实施例的三维目标的检测方法，通过将多次降采样后得到的各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征。将多次降采样后得到的各特征尺度点云图像进行分别上采样与特征提取，得到各特征尺度的第二点云特征。将各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，对拼接后的特征进行三维目标检测，使得原始点云图像在特征提取的过程中保留更多的三维目标的特征信息，提高了三维目标的检测准确率。
根据本发明的一个实施例，将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征，包括：根据自注意力传播算法，获取所述各特征尺度的点云图像中每个点的全局特征；聚合所述各特征尺度的点云图像中每个点的预设半径内的临近点云，并根据自注意力传播算法，得到所述各特征尺度的点云图像中每个点的局部特征；根据所述全局特征和所述局部特征，确定所述各特征尺度的第一点云特征。通过自注意力传播算法，获取各特征尺度的点云图像中每个点的全局特征和局部特征，提取点云图像中每个点的场景特征和目标细节特征，使得特征提取保留了更多的特征信息。
根据本发明的一个实施例，对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果，包括：将所述拼接后的各特征尺度的点云特征输入全连接层，得到三维目标的中心候选点，并确定所述中心候选点的局部特征；将所述中心候选点的局部特征输入分类器，得到所述三维目标的分类结果；将所述中心候选点的局部特征输入目标框回归器，得到所述三维目标的目标框以及所述三维目标的朝向；将所述三维目标的分类结果、所述三维目标的目标框以及所述三维目标的朝向作为所述三维目标的检测结果所述分类器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的类别标签对初始分类器进行训练得到的；所述目标框回归器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的目标框标签对初始目标框回归器进行训练得到的。通过将拼接后的各特征尺度的点云特征输入训练后的分类器和目标框回归器，得到三维目标的检测结果，实现了三维目标的目标检测。与此同时，拼接后的各特征尺度点云，保留了更多的特征信息，提升了目标检测的准确率。
根据本发明的一个实施例，确定所述中心候选点的局部特征，包括：聚合所述中心候选点的预设半径内的临近点云，并根据自注意力传播算法，得到所述中心候选点的局部特征。通过确定三维目标的中心候选点，对中心候选点的临近点云进行聚合，并根据自注意力传播算法，获取中心候选点的局部特征，提升了三维目标的点云特征信息。
根据本发明的一个实施例，将所述中心候选点的局部特征输入目标框回归器，得到所述三维目标的目标框以及所述三维目标的朝向，包括：将所述中心候选点的局部特征输入目标框回归器，得到三维目标的检测框以及三维目标的朝向；根据预先设定的目标框尺寸阈值以及非极大值抑制算法，筛选所述三维目标的检测框，得到所述三维目标的目标框。通过预先设定的目标框尺寸阈值以及非极大值抑制算法，对目标框回归器输出的多个检测框进行筛选，进一步的实现了三维目标的确定。
根据本发明的一个实施例，对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像，包括：对三维目标的原始目标点云图像进行预设次数的平衡最远点降采样，得到各特征尺度的第一目标点云图像；对三维目标的原始目标点云图像进行预设次数的特征距离降采样，得到各特征尺度的第二目标点云图像；将所述各特征尺度的第一目标点云图像和对应特征尺度的第二目标点云图像进行拼接，得到各特征尺度的点云图像。通过结合平衡最远点降采样与特征距离降采样两种降采样方式，得到当前特征尺度降采样的点云图像，实现减少数据量以减轻及计算负担。
根据本发明第二方面实施例的三维目标的检测装置，包括：点云降采样模块，用于对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；第一点云特征提取模块，用于将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；第二点云特征提取模块，用于将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；特征拼接模块，用于将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；三维目标检测模块，用于对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
根据本发明实施例的三维目标的检测装置，通过将多次降采样后得到的各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征。将多次降采样后得到的各特征尺度点云图像进行分别上采样与特征提取，得到各特征尺度的第二点云特征。将各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，对拼接后的特征进行三维目标检测，使得原始点云图像在特征提取的过程中保留更多的三维目标的特征信息，提高了三维目标的检测准确率。
根据本发明第三方面实施例的电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述三维目标的检测方法。
根据本发明第四方面实施例的非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述三维目标的检测方法。
根据本发明第五方面实施例的计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述三维目标的检测方法。
本发明实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
通过将多次降采样后得到的各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征。将多次降采样后得到的各特征尺度点云图像进行分别上采样与特征提取，得到各特征尺度的第二点云特征。将各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，对拼接后的特征进行三维目标检测，使得原始点云图像在特征提取的过程中保留更多的三维目标的特征信息，提高了三维目标的检测准确率。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明实施例提供的三维目标的检测方法的流程示意图；
图2是本发明实施例提供的逆置点云自适应传播方法流程示意图；
图3是本发明实施例提供的全局点云传播模块结构示意图；
图4是本发明实施例提供的局部点云传播模块结构示意图；
图5是应用本发明实施例提供的三维目标的检测方法的流程示意图；
图6是本发明实施例提供的点云金字塔模块结构示意图；
图7是本发明实施例提供的三维目标的检测装置的结构示意图；
图8是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。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。
图1为本发明实施例提供的三维目标的检测方法的流程示意图。参照图1，本发明实施例提供的三维目标的检测方法可以包括：
步骤110，对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；
步骤120，将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；
步骤130，将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；
步骤140，将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；
步骤150，对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
本发明实施例提供的三维目标的检测方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personaldigital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(NetworkAttached Storage，NAS)或个人计算机(personal computer，PC)等，本发明实施例不作具体限定。
下面以计算机执行本发明实施例提供的三维目标的检测方法为例，详细说明本发明实施例的技术方案。
在步骤110中，在获取三维目标的原始目标点云图像后，对三维目标的原始目标点云图像进行预设次数的降采样，得到多个不同特征尺度的点云图像。一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同。
若预设次数为三次，对于三次的降采样，每次降采样均得到一个特征尺度的点云图像，各特征尺度互不相同，最终得到了三个不同特征尺度的点云图像。
比如，若原始目标点云图像为2048个点构成的点云图像。在进过三次不同采样特征尺度的降采样后，可以得到1024个点、512个点、256个点三种不同特征尺度的点云图像。
可选的，原始目标点云图像可以通过深度相机或者激光雷达等采集设备获取。在对三维目标的原始目标点云图像进行预设次数的降采样之前，可以通过对获取的原始目标点云图像进行坐标系的转换，转换为自主坐标系下的点云坐标后再进行后续处理。具体地，对于采集设备激光雷达，可以在获取到点云坐标后，可以根据传感器内参将坐标转换为自主坐标系下的点云坐标。对于深度相机，可以将获取的深度图根据传感器内参转换为自主坐标系下的点云坐标。
在步骤120中，在得到各特征尺度的点云图像后，对各特征尺度的点云图像分别进行特征提取，分别提取各特征尺度的点云图像的特征，得到各特征尺度的第一点云特征。
可以理解的是，若进行三次降采样得到三个特征尺度的点云图像，则对这三个不同特征尺度的点云图像分别进行特征提取，得到三种不同特征尺度点云图像各自对应的第一点云特征。
在步骤130中，在对原始点云图像进行降采样，得到各特征尺度的点云图像后，分别对各特征尺度的点云图像进行上采样，得到上采样后的各特征尺度的点云图像。将上采样后的各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第二点云特征。
可以理解的是，若进行三次降采样后得到三种特征尺度的点云图像，则对这三种不同特征尺度的点云图像分别进行上采样，得到三种不同特征尺度的上采样点云图像。对三种不同特征尺度的上采样点云图像分别进行特征提取，得到三种不同特征尺度上采样点云图像各自对应的第二点云特征。
可选的，上采样后得到的各特征尺度的第二点云特征还可以通过构建逆置点云自适应传播获取。如图2本发明实施例提供的逆置点云自适应传播方法流程示意图所示，将降采样后得到的各特征尺度的第一点云特征经过两组全连接层得到查询向量和值向量，降采样前的点云经过全连接层得到键向量，随后通过注意力传播算法拼接得到回传特征作为对应特征尺度的第二点云特征：
Figure BDA0003545568180000071
其中，O为回传特征，φ为softmax函数，Q为查询向量，V为值向量，K为键向量，Δ是归一化后的参数，
Figure BDA0003545568180000072
为降采样前的点云特征，用于残差拼接。
在步骤140中，将步骤120中得到的各特征尺度的第一点云特征与步骤130中得到的对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征。
具体地，将各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接指的是，对于每一个特征尺度的点云特征拼接，均是将当前特征尺度的第一点云特征，与当前特征尺度对应的第二点云特征进行拼接，得到拼接后的当前特征尺度的点云特征。对所有特征尺度的点云特征都执行此操作，得到各特征尺度的点云特征。
在步骤150中，拼接后的各特征尺度的点云特征进行三维目标检测，得到三维目标的目标检测结果。
可选的，对拼接后的各特征尺度的点云特征进行三维目标检测可以通过训练后的类别分类器和目标框回归器，对输入的拼接后的各特征尺度的点云特征进行目标检测，得到三维目标的目标检测结果。
本发明实施例提供的三维目标的检测方法，通过将多次降采样后得到的各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征。将多次降采样后得到的各特征尺度点云图像进行分别上采样与特征提取，得到各特征尺度的第二点云特征。将各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，对拼接后的特征进行三维目标检测，使得原始点云图像在特征提取的过程中保留更多的三维目标的特征信息，提高了三维目标的检测准确率。
在一个实施例中，将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征，包括：根据自注意力传播算法，获取所述各特征尺度的点云图像中每个点的全局特征；聚合所述各特征尺度的点云图像中每个点的预设半径内的临近点云，并根据自注意力传播算法，得到所述各特征尺度的点云图像中每个点的局部特征；根据所述全局特征和所述局部特征，确定所述各特征尺度的第一点云特征。
可选的，如图3本发明实施例提供的全局点云传播模块结构示意图所示，可以构建全局点云传播模块，进行特征提取，获取各特征尺度的点云图像中每个点的全局特征。
自注意力权重生成模块310，用于通过三组全连接层获取各特征尺度点云图像中每个点的查询矩阵，键矩阵以及值矩阵，其公式为：
Q,K,V＝(bQ,bK,bV)+∑i(WQ,WK,WV)·F (2)
其中，Q为查询矩阵，K为键矩阵，V为值矩阵；bQ,bK,bV对应三组全连接层的偏置，WQ,WK,WV为三组全连接层参数；i为各特征尺度点云图像点集中的点，F为各特征尺度点云图像的点集的特征矩阵。
查询矩阵和键矩阵运算得到自注意力权重矩阵，确定自注意力权重。
点云特征值生成模块320，用于根据公式(2)计算的值矩阵，确定点云特征值。
自适应特征传播模块330，用于通过自注意力传播算法，根据确定的自注意力权重以及点云特征值，使每个点获取其需要的全局特征，具体CPAP(Complete Point AdaptivePropagation，全局点云自适应传播)算法公式如下：
Figure BDA0003545568180000091
其中，Ai为各特征尺度点云图像的点集中所有点的相关系数，φ为softmax激活函数，qi为点i的查询向量，Δ是归一化后的参数，AP为获得单个点全局自适应特征的方法，fi为点i的特征向量，Ψ表示将矩阵压缩为一维向量，CPAP为全局点云自适应传播算法，
Figure BDA0003545568180000092
为各特征尺度点云图像的点集，ci为点i的坐标，n为各特征尺度点云图像的点集中所有点的个数。
将各特征尺度点云图像与自适应特征传播模块获取的每个点获取其需要的全局特征进行点云特征残差拼接，得到各特征尺度点云图像的全局特征。
可选的，如图4本发明实施例提供的局部点云传播模块结构示意图所示，可以构建局部点云传播模块，进行特征提取，获取各特征尺度的点云图像中每个点的局部特征。
点云降采样模块410，按预设次数对三维目标的原始目标点云图像进行多次降采样，获取各特征尺度的点云图像。其中，点云降采样的方法可以包括平衡最远点降采样以及特征距离降采样。
局部点云分组模块420，以降采样后得到的各特征尺度的点云图像的点云为中心，将预设半径内所构成球体内的点分为一组局部点云。
局部点自适应云传播模块430，通过局部点云自适应传播，对分组后的局部点云通过全连接层与最大池化层生成查询向量后，通过注意力传播算法得到局部点云特征向量，最终确定各特征尺度的点云图像中每个点的局部特征。具体计算过程如下：
Figure BDA0003545568180000093
Figure BDA0003545568180000101
其中，
Figure BDA0003545568180000102
为最大池化操作所得到的为一维向量，
Figure BDA0003545568180000103
为组内点云的特征拼接矩阵，MaxPool为最大池化操作，MLP为全连接层，GPAP(Grouped Point Adaptive Propagation，组内点云自适应传播)算法，m为各特征尺度的点云图像的所有点的个数。
在确定各特征尺度的点云图像中每个点的局部特征和全局特征后，对于各特征尺度点云图像中的每个点，就同时具有了全局特征和局部特征，即为各特征尺度的第一点云特征。
本发明实施例提供的三维目标的检测方法，通过自注意力传播算法，获取各特征尺度的点云图像中每个点的全局特征和局部特征，提取点云图像中每个点的场景特征和目标细节特征，使得特征提取保留了更多的特征信息。
在一个实施例中对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果，包括：将所述拼接后的各特征尺度的点云特征输入全连接层，得到三维目标的中心候选点，并确定所述中心候选点的局部特征；将所述中心候选点的局部特征输入分类器，得到所述三维目标的分类结果；将所述中心候选点的局部特征输入目标框回归器，得到所述三维目标的目标框以及所述三维目标的朝向；将所述三维目标的分类结果、所述三维目标的目标框以及所述三维目标的朝向作为所述三维目标的检测结果所述分类器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的类别标签对初始分类器进行训练得到的；所述目标框回归器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的目标框标签对初始目标框回归器进行训练得到的。
具体地，在得到拼接后的各特征尺度点云特征后，将拼接后的各特征尺度点云特征通过全连接层，得到接近三维目标中心的中心候选点。根据中心候选点，确定中心候选点的局部特征，并将中心候选点的局部特征输入分类器和目标框回归器，得到三维目标的分类结果三维目标的朝向和三维目标的目标框，即三维目标的目标检测结果。
其中，分类器基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的类别标签对初始分类器进行训练得到的。目标框回归器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的目标框标签对初始目标框回归器进行训练得到的。对分类器和目标框回归器的训练，使得训练后的分类器和目标框回归器能实现对三维目标的检测，确定三维目标的分类结果三维目标的朝向和三维目标的目标框。本发明实施例提供的三维目标的检测方法，通过根据拼接后的各特征尺度的点云特征确定三维目标的中心候选点并根据分类器和目标框回归器，得到三维目标的检测结果，实现了三维目标的目标检测。与此同时，拼接后的各特征尺度点云，保留了更多的特征信息，提升了目标检测的准确率。
在一个实施例中，确定所述中心候选点的局部特征，包括：聚合所述中心候选点的预设半径内的临近点云，并根据自注意力传播算法，得到所述中心候选点的局部特征。
在根据全连接层，得到三维目标的中心候选点后，确定中心候选点的局部特征。以中心候选点为中心，对预设半径内所构成球体内的临近点云进行聚合，根据自注意力传播算法，获取中心候选点的局部特征。
本发明实施例提供的三维目标的检测方法，通过确定三维目标的中心候选点，对中心候选点的临近点云进行聚合，并根据自注意力传播算法，获取中心候选点的局部特征，提升了三维目标的点云特征信息。
在一个实施例中，将所述中心候选点的局部特征输入目标框回归器，得到所述三维目标的目标框以及所述三维目标的朝向，包括：将所述中心候选点的局部特征输入目标框回归器，得到三维目标的检测框以及三维目标的朝向；根据预先设定的目标框尺寸阈值以及非极大值抑制算法，筛选所述三维目标的检测框，得到所述三维目标的目标框。
将所述中心候选点的局部特征输入目标框回归器，在得到三维目标的朝向的同时，会生成多个三维目标的检测框。所以需要对多个三维目标的检测框进行筛选，确定唯一的且最合适的检测框作为三维目标的目标框。
通过预先设定的目标框尺寸对多个三维目标的检测框进行筛选，筛选尺寸符合的三维目标的检测框。与此同时，根据非极大值抑制算法对三维目标的检测框作进一步的筛选，最终得到三维目标的目标框。
本发明实施例提供的三维目标的检测方法，通过预先设定的目标框尺寸阈值以及非极大值抑制算法，对目标框回归器输出的多个检测框进行筛选，进一步的实现了三维目标的确定。
在一个实施例中，对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像，包括：对三维目标的原始目标点云图像进行预设次数的平衡最远点降采样，得到各特征尺度的第一目标点云图像；对三维目标的原始目标点云图像进行预设次数的特征距离降采样，得到各特征尺度的第二目标点云图像；将所述各特征尺度的第一目标点云图像和对应特征尺度的第二目标点云图像进行拼接，得到各特征尺度的点云图像。
具体地，在获取原始目标点云图像后，对三维目标的原始目标点云图像进行预设次数的降采样。其中，每次的降采样过程可以通过平衡最远点降采样与特征距离降采样两种方法进行结合作为本次降采样的最终结果。比如将原始目标点云图像2048个点降采样到1024个点时，可以通过平衡最远点降采样的采样方式采样512个点，再通过特征距离降采样的采样方式采样512个点。将两种降采样的获得的点拼接，得到当前特征尺度降采样的点云图像。
可选地，降采样方法中的平衡最远点降采样方法，通过计算整个三维场景下采样范围的长宽高，得到每一维度的平衡权重确定。其计算公式如下：
Figure BDA0003545568180000121
其中，Xd为空间中X轴的采样范围，Yd为空间中Y轴的采样范围，Zd为空间中Z轴的采样范围，αx为X轴的权重值，αy为Y轴的权重值，αz为Z轴的权重值。
通过随机选取原始点云目标图像的点集中的一个点，随后计算与其他点的欧式空间距离，计算时每一维度需要计算得到的平衡权重，通过平衡权重平衡三个轴的不同范围，计算公式如下：
Figure BDA0003545568180000122
其中，DB1(Pi,Pj)为点Pi与点Pj的相似度，ατ为当前轴的权重值，τ为具体的坐标轴，τi和τj为点Pi和Pj的坐标。将得到的最远点加入将采样点云的子集并继续迭代上述方法，直到子集中点的数量达到要求。
可选地，整个原始点云目标图像的点集进行下采样的特征距离降采样方法，对点集进行特征提取，通过随机选取点集中的一个点，计算与其他点特征的相似度，计算公式如下：
Figure BDA0003545568180000131
其中，DB2(Pi,Pj)为点Pi与点Pj的相似度，fi为点的特征向量，n为点集中点的个数。
将与之相似度最低的点加入将采样点云的子集并继续迭代上述方法，直到子集中点的数量达到降采样的数量要求。
本发明实施例提供的三维目标的检测方法，通过结合平衡最远点降采样与特征距离降采样两种降采样方式，得到当前特征尺度降采样的点云图像，实现减少数据量以减轻及计算负担。
下面以一应用本发明实施例提供的三维目标的检测方法的流程示意图图5为例，说明本发明实施例提供的技术方案：
在步骤510中，通过激光雷达或者深度相机获取原始目标点云图像，并将原始目标点云图像进行坐标系转换，转换为自主坐标系下的点云图像。
在步骤520中，对自主坐标系下的原始目标点云图像进行降采样，降采样可以通过平衡最远点降采样与特征距离降采样两种方法混合降采样进行。
在步骤530中，对步骤520中降采样得到的降采样后的点云图像进行特征提取。
在完成一次降采样和特征提取后，根据预设次数，循环降采样与特征提取的过程。实现原始目标点云图像预设次数的降采样，得到各特征尺度的点云图像以及各特征尺度的第一点云特征。
在步骤540中，构建点云金字塔模块。如图6本发明实施例提供的点云金字塔模块结构示意图所示。设定预设次数为三次，根据降采样与特征提取模块610，对三维目标的原始目标点云图像进过三次降采样，得到L1、L2以及L3的三层点云图像对应的第一点云特征。将L1、L2以及L3的三层点云图像分别输入上采样与特征提取模块620，得到三层点云图像对应的第二点云特征。L1、L2以及L3的三层点云图像对应的第一点云特征与L1、L2以及L3的三层点云图像对应的第二点云特征进行拼接，得到拼接后的各特征尺度点云特征。
在步骤550中，拼接后的各特征尺度的点云特征输入全连接层，得到三维目标的中心候选点，聚合中心候选点的预设半径内的临近点云，并根据自注意力传播算法，得到中心候选点的局部特征。
在步骤560中，将中心候选点的局部特征输入训练后的分类器和目标框回归器，输出三维目标的分类结果、三维目标的目标框以及三维目标的朝向，将此输出作为三维目标的目标检测结果。
本发明实施例提供的三维目标的检测方法，通过结合平衡最远点降采样与特征距离降采样两种降采样方式，得到当前特征尺度降采样的点云图像，实现减少数据量以减轻及计算负担。
图7为本发明实施例提供的三维目标的检测装置的结构示意图，如图7所示，该装置包括：
点云降采样模块710，用于对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；
第一点云特征提取模块720，用于将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；
第二点云特征提取模块730，用于将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；
特征拼接模块740，用于将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；
三维目标检测模块750，用于对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
本发明实施例提供的三维目标的检测装置，通过将多次降采样后得到的各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征。将多次降采样后得到的各特征尺度点云图像进行分别上采样与特征提取，得到各特征尺度的第二点云特征。将各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，对拼接后的特征进行三维目标检测，使得原始点云图像在特征提取的过程中保留更多的三维目标的特征信息，提高了三维目标的检测准确率。
在一个实施例中，第一点云特征提取模块720具体用于：
将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征，包括：
根据自注意力传播算法，获取所述各特征尺度的点云图像中每个点的全局特征；
聚合所述各特征尺度的点云图像中每个点的预设半径内的临近点云，并根据自注意力传播算法，得到所述各特征尺度的点云图像中每个点的局部特征；
根据所述全局特征和所述局部特征，确定所述各特征尺度的第一点云特征。
在一个实施例中，三维目标检测模块750具体用于：
对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果，包括：
将所述拼接后的各特征尺度的点云特征输入全连接层，得到三维目标的中心候选点，并确定所述中心候选点的局部特征；
将所述中心候选点的局部特征输入分类器，得到所述三维目标的分类结果；
将所述中心候选点的局部特征输入目标框回归器，得到所述三维目标的目标框以及所述三维目标的朝向；
将所述三维目标的分类结果、所述三维目标的目标框以及所述三维目标的朝向作为所述三维目标的检测结果；
所述分类器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的类别标签对初始分类器进行训练得到的；
所述目标框回归器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的目标框标签对初始目标框回归器进行训练得到的。
在一个实施例中，三维目标检测模块750还具体用于：
确定所述中心候选点的局部特征，包括：
聚合所述中心候选点的预设半径内的临近点云，并根据自注意力传播算法，得到所述中心候选点的局部特征。
在一个实施例中，三维目标检测模块750还具体用于：
将所述中心候选点的局部特征输入目标框回归器，得到所述三维目标的目标框以及所述三维目标的朝向，包括：
将所述中心候选点的局部特征输入目标框回归器，得到三维目标的检测框以及三维目标的朝向；
根据预先设定的目标框尺寸阈值以及非极大值抑制算法，筛选所述三维目标的检测框，得到所述三维目标的目标框。
在一个实施例中，点云降采样模块710具体用于：
对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像，包括：
对三维目标的原始目标点云图像进行预设次数的平衡最远点降采样，得到各特征尺度的第一目标点云图像；
对三维目标的原始目标点云图像进行预设次数的特征距离降采样，得到各特征尺度的第二目标点云图像；
将所述各特征尺度的第一目标点云图像和对应特征尺度的第二目标点云图像进行拼接，得到各特征尺度的点云图像。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如下方法：
对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；
将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；
将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；
将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；
对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元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。
进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的三维目标的检测方法，例如包括：
对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；
将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；
将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；
将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；
对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的三维目标的检测方法，例如包括：
对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；
将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；
将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；
将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；
对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围中。

Claims (10)

1.一种三维目标的检测方法，其特征在于，包括：
对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；
将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；
将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；
将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；
对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
2.根据权利要求1所述的三维目标的检测方法，其特征在于，所述将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征，包括：
根据自注意力传播算法，获取所述各特征尺度的点云图像中每个点的全局特征；
聚合所述各特征尺度的点云图像中每个点的预设半径内的临近点云，并根据自注意力传播算法，得到所述各特征尺度的点云图像中每个点的局部特征；
根据所述全局特征和所述局部特征，确定所述各特征尺度的第一点云特征。
3.根据权利要求1所述的三维目标的检测方法，其特征在于，所述对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果，包括：
将所述拼接后的各特征尺度的点云特征输入全连接层，得到三维目标的中心候选点，并确定所述中心候选点的局部特征；
将所述中心候选点的局部特征输入分类器，得到所述三维目标的分类结果；
将所述中心候选点的局部特征输入目标框回归器，得到所述三维目标的目标框以及所述三维目标的朝向；
将所述三维目标的分类结果、所述三维目标的目标框以及所述三维目标的朝向作为所述三维目标的检测结果；
所述分类器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的类别标签对初始分类器进行训练得到的；
所述目标框回归器是基于三维目标点云图像样本，以及标记了所述三维目标点云图像样本对应的目标框标签对初始目标框回归器进行训练得到的。
4.根据权利要求3所述的三维目标的检测方法，其特征在于，所述确定所述中心候选点的局部特征，包括：
聚合所述中心候选点的预设半径内的临近点云，并根据自注意力传播算法，得到所述中心候选点的局部特征。
5.根据权利要求3所述的三维目标的检测方法，其特征在于，所述将所述中心候选点的局部特征输入目标框回归器，得到所述三维目标的目标框以及所述三维目标的朝向，包括：
将所述中心候选点的局部特征输入目标框回归器，得到三维目标的检测框以及三维目标的朝向；
根据预先设定的目标框尺寸阈值以及非极大值抑制算法，筛选所述三维目标的检测框，得到所述三维目标的目标框。
6.根据权利要求1所述的三维目标的检测方法，其特征在于，所述对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像，包括：
对三维目标的原始目标点云图像进行预设次数的平衡最远点降采样，得到各特征尺度的第一目标点云图像；
对三维目标的原始目标点云图像进行预设次数的特征距离降采样，得到各特征尺度的第二目标点云图像；
将所述各特征尺度的第一目标点云图像和对应特征尺度的第二目标点云图像进行拼接，得到各特征尺度的点云图像。
7.一种三维目标的检测装置，其特征在于，包括：
点云降采样模块，用于对三维目标的原始目标点云图像进行预设次数的降采样，得到各特征尺度的点云图像；其中，一次降采样得到一个特征尺度的点云图像，各特征尺度互不相同；
第一点云特征提取模块，用于将所述各特征尺度的点云图像分别进行特征提取，得到各特征尺度的第一点云特征；
第二点云特征提取模块，用于将所述各特征尺度的点云图像分别进行上采样，并将各上采样后的点云图像分别进行特征提取，得到各特征尺度的第二点云特征；
特征拼接模块，用于将所述各特征尺度的第一点云特征与对应特征尺度的第二点云特征进行拼接，得到拼接后的各特征尺度的点云特征；
三维目标检测模块，用于对所述拼接后的各特征尺度的点云特征进行三维目标检测，确定所述三维目标的检测结果。
8.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述三维目标的检测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述三维目标的检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述三维目标的检测方法。
CN202210247364.4A 2022-03-14 2022-03-14 三维目标的检测方法及装置 Pending CN114648757A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210247364.4A CN114648757A (zh) 2022-03-14 2022-03-14 三维目标的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210247364.4A CN114648757A (zh) 2022-03-14 2022-03-14 三维目标的检测方法及装置

Publications (1)

Publication Number Publication Date
CN114648757A true CN114648757A (zh) 2022-06-21

Family

ID=81993800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210247364.4A Pending CN114648757A (zh) 2022-03-14 2022-03-14 三维目标的检测方法及装置

Country Status (1)

Country Link
CN (1) CN114648757A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984638A (zh) * 2022-12-23 2023-04-18 苏州驾驶宝智能科技有限公司 一种基于神经架构搜索的稀疏无序3d点云特征提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115984638A (zh) * 2022-12-23 2023-04-18 苏州驾驶宝智能科技有限公司 一种基于神经架构搜索的稀疏无序3d点云特征提取方法
CN115984638B (zh) * 2022-12-23 2024-01-16 苏州驾驶宝智能科技有限公司 一种基于神经架构搜索的稀疏无序3d点云特征提取方法

Similar Documents

Publication Publication Date Title
CN109685152B (zh) 一种基于dc-spp-yolo的图像目标检测方法
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
CN109683699B (zh) 基于深度学习实现增强现实的方法、装置及移动终端
CN111652054B (zh) 关节点检测方法、姿态识别方法及装置
CN113095333B (zh) 无监督特征点检测方法及装置
CN110838125A (zh) 医学图像的目标检测方法、装置、设备、存储介质
CN113591823B (zh) 深度预测模型的训练及人脸深度图像的生成方法、装置
JP2019152543A (ja) 目標認識装置、目標認識方法及びプログラム
CN111160229A (zh) 基于ssd网络的视频目标检测方法及装置
CN115082322B (zh) 图像处理方法和装置、图像重建模型的训练方法和装置
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN116097307A (zh) 图像的处理方法及相关设备
CN116563726A (zh) 一种基于卷积神经网络的遥感图像舰船目标检测方法
CN114332125A (zh) 点云重建方法、装置、电子设备和存储介质
CN114998610A (zh) 一种目标检测方法、装置、设备及存储介质
CN111046893A (zh) 图像相似性确定方法和装置、图像处理方法和装置
CN114648757A (zh) 三维目标的检测方法及装置
CN113781164B (zh) 虚拟试衣模型训练方法、虚拟试衣方法和相关装置
CN114359709A (zh) 一种针对遥感图像的目标检测方法及装置
CN110414593B (zh) 图像处理方法及装置、处理器、电子设备及存储介质
CN111931558A (zh) 船舶类别识别方法及系统
CN116385281A (zh) 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法
CN116310899A (zh) 基于YOLOv5改进的目标检测方法及装置、训练方法
CN116883770A (zh) 深度估计模型的训练方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230215

Address after: 201700 room 1152, area B, 11th floor, building 1, No.158 Shuanglian Road, Qingpu District, Shanghai

Applicant after: Midea Group (Shanghai) Co.,Ltd.

Applicant after: Beijing University of Posts and Telecommunications

Applicant after: MIDEA GROUP Co.,Ltd.

Address before: 201700 room 1152, area B, 11th floor, building 1, No.158 Shuanglian Road, Qingpu District, Shanghai

Applicant before: Midea Group (Shanghai) Co.,Ltd.

Applicant before: MIDEA GROUP Co.,Ltd.