CN115147474A - 点云标注模型的生成方法、装置、电子设备及存储介质 - Google Patents

点云标注模型的生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115147474A
CN115147474A CN202210775429.2A CN202210775429A CN115147474A CN 115147474 A CN115147474 A CN 115147474A CN 202210775429 A CN202210775429 A CN 202210775429A CN 115147474 A CN115147474 A CN 115147474A
Authority
CN
China
Prior art keywords
point cloud
cloud frame
frame
interpolation
marking
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.)
Granted
Application number
CN202210775429.2A
Other languages
English (en)
Other versions
CN115147474B (zh
Inventor
段志祥
马超
杨奎元
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.)
Xiaomi Automobile Technology Co Ltd
Original Assignee
Xiaomi Automobile Technology 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 Xiaomi Automobile Technology Co Ltd filed Critical Xiaomi Automobile Technology Co Ltd
Priority to CN202210775429.2A priority Critical patent/CN115147474B/zh
Publication of CN115147474A publication Critical patent/CN115147474A/zh
Application granted granted Critical
Publication of CN115147474B publication Critical patent/CN115147474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/945—User interactive design; Environments; Toolboxes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本公开提出一种点云标注模型的生成方法、装置、电子设备及存储介质，涉及自动驾驶技术领域。包括：获取点云帧序列及点云帧序列中每个点云帧对应的标注数据；根据点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的虚拟点云帧；将每个点云帧及对应的虚拟点云帧输入初始点云标注模型中，以获取预测标注数据；根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。由此，利用激光雷达采集的初始点云帧序列中，部分已被标注的点云帧训练点云标注模型，从而不仅为对未被标注的点云帧进行标注提供了条件，而且还提高了对初始点云帧序列中未被标注的点云帧进行标注的准确性。

Description

点云标注模型的生成方法、装置、电子设备及存储介质
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种点云标注模型的生成方法、装置、电子设备及存储介质。
背景技术
随着激光雷达技术的不断发展，激光雷达已经被广泛地应用于地形测绘、海洋探索、渔业资源监测、自动驾驶等领域。
对激光点云中的目标物体进行标注，可以为下游的任务提供数据集。相关技术中，为了节省成本，会将连续激光点云数据进行等间隔抽帧后，将抽取的点云帧先进行自动标注，之后由人工进行微调，以获取准确的标注结果。但是，未被抽取的点云帧则会被遗弃，不仅浪费了点云数据，减少了下游任务的数据集，而且还可能遗漏重要的信息。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种点云标注模型的生成方法，包括：
获取点云帧序列，及所述点云帧序列中每个点云帧对应的标注数据；
根据所述点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据；
确定每个所述插值标注数据分别对应的虚拟点云帧；
将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据；
根据所述预测标注数据与对应的所述标注数据之间的差异，对所述初始点云标注模型进行修正，以生成点云标注模型。
本公开第二方面实施例提出了一种激光点云数据的标注方法，包括：
获取待标注的第一点云帧、与所述第一点云帧相邻的两个已标注的第二点云帧及第三点云帧分别对应的标注数据；
根据所述第二点云帧及所述第三点云帧分别对应的标注数据，确定所述第一点云帧对应的插值标注数据；
确定所述插值标注数据对应的虚拟点云帧；
将所述第一点云帧及所述虚拟点云帧输入预设的点云标注模型中，以获取所述第一点云帧对应的目标标注数据，其中，所述预设的点云标注模型为根据本公开第一方面实施例提供的方法生成的。
本公开第三方面实施例提出了一种点云标注模型的生成装置，包括：
第一获取模块，用于获取点云帧序列，及所述点云帧序列中每个点云帧对应的标注数据；
第一确定模块，用于根据所述点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据；
第二确定模块，用于确定每个所述插值标注数据分别对应的虚拟点云帧；
第二获取模块，用于将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据；
生成模块，用于根据所述预测标注数据与对应的所述标注数据之间的差异，对所述初始点云标注模型进行修正，以生成点云标注模型。
本公开第四方面实施例提出了一种激光点云数据的标注装置，包括：
获取模块，用于获取待标注的第一点云帧、与所述第一点云帧相邻的两个已标注的第二点云帧及第三点云帧分别对应的标注数据；
第一确定模块，用于根据所述第二点云帧及所述第三点云帧分别对应的标注数据，确定所述第一点云帧对应的插值标注数据；
第二确定模块，用于确定所述插值标注数据对应的虚拟点云帧；
标注模块，用于将所述第一点云帧及所述虚拟点云帧输入预设的点云标注模型中，以获取所述第一点云帧对应的目标标注数据，其中，所述预设的点云标注模型为根据本宫该开第三方面实施例提供的装置生成的。
本公开第五方面实施例提出了一种电子设备，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，实现如本公开第一方面实施例提出的点云标注模型的生成方法，或者实现如本公开第二方面实施例提出的激光点云数据的标注方法。
本公开第六方面实施例提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现如本公开第一方面实施例提出的点云标注模型的生成方法，或者实现如本公开第二方面实施例提出的激光点云数据的标注方法。
本公开第七方面实施例提出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，实现如本公开第一方面实施例提出的点云标注模型的生成方法，或者实现如本公开第二方面实施例提出的激光点云数据的标注方法。
本公开提供的点云标注模型的生成方法、装置、电子设备及存储介质，存在如下有益效果：
本公开实施例中，先获取点云帧序列，及点云帧序列中每个点云帧对应的标注数据，之后根据点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据，并确定每个插值标注数据分别对应的虚拟点云帧，之后将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据，最后根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。由此，利用激光雷达采集的初始点云帧序列中，部分已被标注的点云帧训练点云标注模型，从而不仅为对未被标注的点云帧进行标注提供了条件，而且还提高了对初始点云帧序列中未被标注的点云帧进行标注的准确性。
本公开附加的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，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开一实施例所提供的一种点云标注模型的生成方法的流程示意图；
图2为本公开另一实施例所提供的一种点云标注模型的生成方法的流程示意图；
图3为本公开一实施例所提供的一种激光点云数据的标注方法的流程示意图；
图4为本公开一实施例所提供的一种点云标注模型的生成装置的结构示意图；
图5为本公开另一实施例所提供的一种激光点云数据的标注装置的结构示意图；
图6示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的点云标注模型的生成方法、装置、电子设备和存储介质。
图1为本公开实施例所提供的一种点云标注模型的生成方法的流程示意图。
本公开实施例以该点云标注模型的生成方法被配置于点云标注模型的生成装置中来举例说明，该点云标注模型的生成装置可以应用于任一电子设备中，以使该电子设备可以执行点云标注模型的生成功能。
如图1所示，该点云标注模型的生成方法可以包括以下步骤：
步骤101，获取点云帧序列，及点云帧序列中每个点云帧对应的标注数据。
可选的，可以先获取预设时间段内采集的初始点云帧序列，之后对初始点云帧序列进行等间隔抽样，以获取点云帧序列。比如，初始点云帧序列中可以包括100个点云帧，以间隔4帧抽取1帧的抽样规则，对初始点云帧序列进行等间隔抽样，即抽取第1帧、第5帧、第10帧……第100帧点云帧，组成点云帧序列。
或者，也可以在获取预设时间段内采集的初始点云帧序列之后，采用随机抽样的方法，获取点云帧序列。比如，每5帧抽取1帧，组成点云帧序列。本公开对此不做限定。
其中，初始点云帧序列可以为激光雷达在预设时间段内采集的全部点云帧。
其中，每个点云帧对应的标注数据可以为对点云帧中的目标物体进行标注，得到的标注数据。比如，可以对点云帧中的人物、车辆等进行标注，得到人物及车辆等对应的检测框等。可选的，标注数据中可以包括目标物体的检测框，检测框的位置，及目标物体的种类等等。本公开对此不做限定。
可选的，可以采用人工标注的方法对点云帧序列中的每个点云帧进行标注，以获取每个点云帧对应的标注数据。或者，也可以采用自动标注的方法先对点云帧序列中的每个点云帧进行标注，之后，由人工对自动标注的得到的标注结果进行微调，以获取每个点云帧对应的标注数据。本公开对此不做限定。
步骤102，根据点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据。
其中，插值标注数据可以为与点云帧相邻的两个点云帧对应的标注数据，插值得到的标注数据。可选的，插值标注数据中可以包括目标物体的插值框，插值框的位置，及目标物体的种类等等。本公开对此不做限定。
举例来说，若要获取点云帧序列中第2个点云帧对应的插值标注结果，需要先获取与第2个点云帧相邻的第1个点云帧对应的标注数据，及第3个点云帧对应的标注数据，之后采用插值的方式，获取第2个点云帧对应的插值标注数据。
可选的，可以根据第1个点云帧对应的标注数据中每个目标物体所在的点云，及第3个点云帧对应的标注数据中每个目标物体所在的点云，插值得到第2个点云帧中目标物体所在的点云，进而根据目标物体所在的点云，确定为目标物体的插值标注数据。
步骤103，确定每个插值标注数据分别对应的虚拟点云帧。
可选的，可以将每个插值标注数据中每个目标物体所在的点云，确定为插值标注数据对应的虚拟点云帧。本公开对此不做限定。
步骤104，将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据。
其中，初始点云标注模型可以为还未经过训练的点云自动标注模型，也可以为已经经过预训练的点云自动标注模型。本公开对此不做限定。可选的，初始点云模型可以为PointPillars，PointPillars是一个基于点云的快速目标检测网络。或者，初始点云模型也可以为VoxelNet网络模型等等。本公开对此不做限定。
本公开实施例中，将插值标注数据对应的点云帧及虚拟点云帧同时输入初始点云标注模型，从而在初始点云标注模型训练的过程中，可以更关注点云帧中，虚拟点云帧的点云分布的位置，进而使得获取的预测标注数据更加准确。
步骤105，根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。
可选的，在对初始点云标注模型进行训练的过程中，可以先根据损失函数，确实损失值，损失值可以反映预测标注数据与对应的标注数据之间的差异。之后根据损失值，对初始点云标注模型中的参数进行调整，直至达到预设的停止条件，获取云标注模型。
其中，预设的停止条件可以为点云标注模型的训练次数达到预设的迭代次数；或者，也可以为获取的损失值满足预设的阈值。本公开对此不做限定。
可选的，在对初始点云标注模型训练结束之后，可以根据训练过程中损失值最小，或者鲁棒性最好的初始点云标注模型对应的模型参数，生成最终的点云标注模型。
本公开实施例中，获取点云帧序列，及点云帧序列中每个点云帧对应的标注数据，之后根据点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据，并确定每个插值标注数据分别对应的虚拟点云帧，之后将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据，最后根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。由此，利用激光雷达采集的初始点云帧序列中，部分已被标注的点云帧训练点云标注模型，从而不仅为对未被标注的点云帧进行标注提供了条件，而且还提高了对初始点云帧序列中未被标注的点云帧进行标注的准确性。
图2为本公开一实施例所提供的一种点云标注模型的生成方法的流程示意图，如图2所示，该点云标注模型的生成方法可以包括以下步骤：
步骤201，获取点云帧序列，及点云帧序列中每个点云帧对应的标注数据。
其中，步骤201的具体实现形式，可参照本公开中其他各实施例中的详细步骤，此处不再具体描述。
步骤202，获取点云帧序列中每个点云帧对应的采集时间。
其中，采集时间可以为激光雷达采集该点云帧时的时间。或者，也可以将激光雷达采集该点云帧序列中的第一个点云帧的时间设置为0，之后根据每个点云帧与第一个点云帧之间的采集时间间隔，确定每个点云帧对应的采集时间。本公开对此不做限定。
步骤203，根据每个点云帧对应的标注数据及采集时间，确定点云帧序列中目标物体的运动轨迹。
需要说明的是，每个点云帧对应的标注数据中可以包括目标物体对应的检测框，可以将目标物体的中心点作为目标物体在当前帧中的位置，根据同一目标物体的中心点在点云帧序列中的位置变化，及每个点云帧对应的采集时间，确定同一目标物体的运动轨迹。
可以理解的是，目标物体在点云帧序列中的位置变化是离散的点，因此，可以进一步对同一目标物体的中心点在点云帧序列中的位置变化，及每个点云帧对应的采集时间进行拟合，即可以通过最小二乘法找出其运动学参数，进而确定目标物体对应的运动学模型，且运行运动学模型是平滑的曲线。其中，目标物体对应的运动学模型可以反映目标物体对应的运动轨迹。
步骤204，根据目标物体的运动轨迹及每个点云帧对应的采集时间，确定每个点云帧中目标物体的中心点坐标。
可以理解的是，在确定了目标物体的运动轨迹之后，即可根据每个点云帧的采集时间，预测每个点云帧中目标物体的中心点坐标。
步骤205，根据每个点云帧中目标物体的中心点坐标，及相邻的两个点云帧分别对应的标注数据中目标物体对应的检测框，确定每个点云帧对应的插值标注数据中目标物体对应的插值框。
举例来说，若确定点云帧序列中第2个点云帧对应的插值标注数据中目标物体对于滚的插值框。可以先获取点云帧序列中第1个点云帧及第3个点云帧分别对应的标注数据中目标物体的检测框，之后根据同一个目标物体的检测框分别在第1个点云帧及第3个点云帧中的位置，及目标物体在第2个点云帧中的中心点坐标，通过插值的方式，确定目标物体在第2个点云帧中的插值框。
可选的，还可以将每个点云帧对应的插值标注数据中目标物体的插值框进行中心点偏移，以获取每个点云帧对应的多个插值标注数据。
本公开实施例中，在确定了每个点云帧对应的插值标注数据中目标物体对应的插值框之后，还可以将每个点云帧对应的插值标注数据中目标物体的插值框进行中心点偏移，以获取每个点云帧对应的多个插值标注数据，从而不仅可以增加每个点云帧对应的训练数据，提高了数据多样性，而且还可以消除根据运动轨迹确定的目标物体中心点坐标的误差。
步骤206，基于预设的长度，将插值标注数据中目标物体对应的插值框进行划分，以获取目标物体对应的多个小插值框。
其中，预设的长度可以为预先设置的，用于将目标物体对应的插值框划分为多个小插值框的长度，也即小插值框的尺寸。比如，预设的长度可以为5厘米(cm)、6cm等等。本公开对此不做限定。
本公开实施例中，插值标注数据中目标物体对应的插值框可以为三维的，因此，可以基于预设的长度，将插值框划分为多个小立方体。
步骤207，将多个小插值框的中心点，确定为插值标注数据对应的虚拟点云帧。
本公开实施例中，在将每个点云帧中目标物体的插值框划分为多个小插值框之后，可以将每个小插值框的中心点，确定为虚拟点云帧中的点。
步骤208，将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据。
步骤209，根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。
其中，步骤208及步骤209的具体实现形式，可参照本公开中其他各实施例中的详细步骤，此处不再具体描述。
本公开实施例中，可以先获取点云帧序列，及点云帧序列中每个点云帧对应的标注数据，之后获取点云帧序列中每个点云帧对应的采集时间，并根据每个点云帧对应的标注数据及采集时间，确定点云帧序列中目标物体的运动轨迹，根据目标物体的运动轨迹及每个点云帧对应的采集时间，确定每个点云帧中目标物体的中心点坐标，之后根据每个点云帧中目标物体的中心点坐标，及相邻的两个点云帧分别对应的标注数据中目标物体对应的检测框，确定每个点云帧对应的插值标注数据中目标物体对应的插值框，进而基于预设的长度，将插值标注数据中目标物体对应的插值框进行划分，以获取目标物体对应的多个小插值框，将多个小插值框的中心点，确定为插值标注数据对应的虚拟点云帧，最后将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据，并根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。由此，根据目标物体的运动轨迹，确定目标物体在每个点云帧中的中心点坐标，进而根据每个点云帧中目标物体的中心点坐标，及相邻的两个点云帧分别对应的标注数据中目标物体对应的检测框，从而使得确定的虚拟点云帧更加准确，从而进一步提升了点云标注模型的性能。
图3为本公开一实施例所提供的一种激光点云数据的标注方法的流程示意图；如图3所示，该激光点云数据的标注方法可以包括以下步骤：
步骤301，获取待标注的第一点云帧、与第一点云帧相邻的两个已标注的第二点云帧及第三点云帧分别对应的标注数据。
举例来说，若激光雷达采集的初始点云帧序列中，包含100个点云帧。以间隔4帧抽取1帧的抽样规则，对初始点云帧序列进行等间隔抽样，获取第1帧、第5帧、第10帧……第100帧点云帧。并利用第1帧、第5帧、第10帧……第100帧点云帧及对应的标注数据，训练点云识别模型。因此，初始点云帧序列中，第2帧、第3帧、第4帧、第6帧、第7帧……，等点云帧是未标注的点云帧。第一点云帧可以为未标注的点云帧中任一点云帧。本公开对此不做限定。若第一点云帧为初始点云帧序列中第2帧点云帧，则与第一点云帧相邻的两个已标注的第二点云帧及第三点云帧，分别为初始点云帧序列中第1帧点云帧、及第5帧点云帧。
本公开实施例中，可以第二点云帧及第三点云帧分别对应的标注数据，可以包括目标物体的检测框，检测框的位置，及目标物体的种类等等。本公开对此不做限定。
需要说明的是，第二点云帧及第三点云帧中的目标物体可以完全相同，也可以不完全相同。本公开对此不做限定。
本公开实施例中，可以利用训练好的点云识别模型，对初始点云帧序列中未标注的点云帧进行标注。
步骤302，根据第二点云帧及第三点云帧分别对应的标注数据，确定第一点云帧对应的插值标注数据。
可选的，可以利用目标物体的运动轨迹，确定目标物体在第一个点云帧中的中心点坐标，之后，根据目标物体在第一个点云帧中的中心点坐标，第二点云帧及第三点云帧分别对应的标注数据中目标物体对应的检测框，确定第一个点云帧对应的插值标注数据中目标物体对应的插值框。
步骤303，确定插值标注数据对应的虚拟点云帧。
具体的，基于预设的长度，将第一个点云帧对应的插值标注数据中目标物体对应的插值框进行划分，以获取目标物体对应的多个小插值框，将多个小插值框的中心点，确定为插值标注数据对应的虚拟点云帧。
步骤304，将第一点云帧及虚拟点云帧输入预设的点云标注模型中，以获取第一点云帧对应的目标标注数据。
其中，预设的点云标注模型可以为根据上述实施例提供的点云标注模型的生成方法获取的。
本公开实施例中，在确定了第一点云帧及虚拟点云帧之后，可以将第一点云帧及虚拟点云帧输入预设的点云标注模型中，以获取第一点云帧对应的目标标注数据，且该目标标注数据不需人工进行二次微调。从而不仅提高了标注的准确性，还降低了标注的人工成本。
本公开实施例中，可以先获取待标注的第一点云帧、与第一点云帧相邻的两个已标注的第二点云帧及第三点云帧分别对应的标注数据，之后根据第二点云帧及第三点云帧分别对应的标注数据，确定第一点云帧对应的插值标注数据，并确定插值标注数据对应的虚拟点云帧，最后将第一点云帧及虚拟点云帧输入预设的点云标注模型中，以获取第一点云帧对应的目标标注数据。由此，先对激光雷达采集的原始点云帧序列中的部分点云帧进行标注，并利用标注的点云帧训练点云标注模型，最后利用训练好的点云标注模型对未标注的点云帧进行标注，从而不仅避免了未被标注的点云帧被遗弃，而导致遗漏重要的信息，还提高了点云标注模型对为未标注的点云帧进行标注的准确性，增加了下游任务的数据量。
为了实现上述实施例，本公开还提出一种点云标注模型的生成装置。
图4为本公开实施例所提供的点云标注模型的生成装置的结构示意图。
如图4所示，该点云标注模型的生成装置400可以包括：第一获取模块410、第一确定模块420、第二确定模块430、第二获取模块440及生成模块450。
第一获取模块410，用于获取点云帧序列，及点云帧序列中每个点云帧对应的标注数据；
第一确定模块420，用于根据点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据；
第二确定模块430，用于确定每个插值标注数据分别对应的虚拟点云帧；
第二获取模块440，用于将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据；
生成模块450，用于根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。
可选的，第一确定模块420，具体用于：
获取点云帧序列中每个点云帧对应的采集时间；
根据每个点云帧对应的标注数据及采集时间，确定点云帧序列中目标物体的运动轨迹；
根据目标物体的运动轨迹及每个点云帧对应的采集时间，确定每个点云帧中目标物体的中心点坐标；
根据每个点云帧中目标物体的中心点坐标，及相邻的两个点云帧分别对应的标注数据中目标物体对应的检测框，确定每个点云帧对应的插值标注数据中目标物体对应的插值框。
可选的，第二确定模块430，具体用于：
基于预设的长度，将插值标注数据中目标物体对应的插值框进行划分，以获取目标物体对应的多个小插值框；
将多个小插值框的中心点，确定为插值标注数据对应的虚拟点云帧。
可选的，还包括：
第三获取模块，用于将每个点云帧对应的插值标注数据中目标物体的插值框进行中心点偏移，以获取每个点云帧对应的多个插值标注数据。
可选的，第一获取模块410，具体用于：
获取预设时间段内采集的初始点云帧序列；
对初始点云帧序列进行等间隔抽样，以获取点云帧序列。
本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。
本公开实施例的点云标注模型的生成装置，首先获取点云帧序列，及点云帧序列中每个点云帧对应的标注数据，之后根据点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据，并确定每个插值标注数据分别对应的虚拟点云帧，之后将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据，最后根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。由此，利用激光雷达采集的初始点云帧序列中，部分已被标注的点云帧训练点云标注模型，从而不仅为对未被标注的点云帧进行标注提供了条件，而且还提高了对初始点云帧序列中未被标注的点云帧进行标注的准确性。
图5为本公开另一实施例所提供的一种激光点云数据的标注装置的结构示意图。如图5所示，该激光点云数据的标注装置500可以包括：第一获取模块510、第一确定模块520、第二确定模块530，及标注模块540。
获取模块510，用于获取待标注的第一点云帧、与第一点云帧相邻的两个已标注的第二点云帧及第三点云帧分别对应的标注数据；
第一确定模块520，用于根据第二点云帧及第三点云帧分别对应的标注数据，确定第一点云帧对应的插值标注数据；
第二确定模块530，用于确定插值标注数据对应的虚拟点云帧；
标注模块540，用于将第一点云帧及虚拟点云帧输入预设的点云标注模型中，以获取第一点云帧对应的目标标注数据，其中，预设的点云标注模型为根据图4所示的装置生成的。
本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。
本公开实施例的激光点云数据的标注装置，首先获取待标注的第一点云帧、与第一点云帧相邻的两个已标注的第二点云帧及第三点云帧分别对应的标注数据，之后根据第二点云帧及第三点云帧分别对应的标注数据，确定第一点云帧对应的插值标注数据，并确定插值标注数据对应的虚拟点云帧，最后将第一点云帧及虚拟点云帧输入预设的点云标注模型中，以获取第一点云帧对应的目标标注数据。由此，先对激光雷达采集的原始点云帧序列中的部分点云帧进行标注，并利用标注的点云帧训练点云标注模型，最后利用训练好的点云标注模型对未标注的点云帧进行标注，从而不仅避免了未被标注的点云帧被遗弃，而导致遗漏重要的信息，还提高了点云标注模型对为未标注的点云帧进行标注的准确性，增加了下游任务的数据量。
为了实现上述实施例，本公开还提出一种电子设备，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，处理器执行程序时，实现如本公开前述实施例提出的点云标注模型的生成方法，或者实现如本公开前述实施例提出的激光点云数据的标注方法。
为了实现上述实施例，本公开还提出一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，实现如本公开前述实施例提出的点云标注模型的生成方法，或者实现如本公开前述实施例提出的激光点云数据的标注方法。
为了实现上述实施例，本公开还提出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，实现如本公开前述实施例提出的点云标注模型的生成方法，或者实现如本公开前述实施例提出的激光点云数据的标注方法。
图6示出了适于用来实现本公开实施方式的示例性电子设备的框图。图6显示的电子设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
本公开的技术方案，先获取点云帧序列，及点云帧序列中每个点云帧对应的标注数据，之后根据点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据，并确定每个插值标注数据分别对应的虚拟点云帧，之后将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据，最后根据预测标注数据与对应的标注数据之间的差异，对初始点云标注模型进行修正，以生成点云标注模型。由此，利用激光雷达采集的初始点云帧序列中，部分已被标注的点云帧训练点云标注模型，从而不仅为对未被标注的点云帧进行标注提供了条件，而且还提高了对初始点云帧序列中未被标注的点云帧进行标注的准确性。
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公开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。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (15)

1.一种点云标注模型的生成方法，其特征在于，包括：
获取点云帧序列，及所述点云帧序列中每个点云帧对应的标注数据；
根据所述点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据；
确定每个所述插值标注数据分别对应的虚拟点云帧；
将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据；
根据所述预测标注数据与对应的所述标注数据之间的差异，对所述初始点云标注模型进行修正，以生成点云标注模型。
2.根据权利要求1所述的方法，其特征在于，每个所述点云帧对应的所述标注数据中包括每个所述点云帧中的目标物体对应的检测框，所述确定每个点云帧对应的插值标注数据，包括：
获取所述点云帧序列中每个点云帧对应的采集时间；
根据每个所述点云帧对应的标注数据及所述采集时间，确定所述点云帧序列中目标物体的运动轨迹；
根据所述目标物体的运动轨迹及每个所述点云帧对应的采集时间，确定每个所述点云帧中目标物体的中心点坐标；
根据每个所述点云帧中目标物体的中心点坐标，及相邻的两个点云帧分别对应的标注数据中所述目标物体对应的检测框，确定每个所述点云帧对应的插值标注数据中所述目标物体对应的插值框。
3.根据权利要求2所述的方法，其特征在于，所述确定每个所述插值标注数据分别对应的虚拟点云帧，包括：
基于预设的长度，将所述插值标注数据中所述目标物体对应的插值框进行划分，以获取所述目标物体对应的多个小插值框；
将所述多个小插值框的中心点，确定为所述插值标注数据对应的虚拟点云帧。
4.根据权利要求1所述的方法，其特征在于，在所述根据所述点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据之后，还包括：
将每个所述点云帧对应的插值标注数据中目标物体的插值框进行中心点偏移，以获取每个所述点云帧对应的多个插值标注数据。
5.根据权利要求1-4任一所述的方法，其特征在于，所述获取点云帧序列，包括：
获取预设时间段内采集的初始点云帧序列；
对所述初始点云帧序列进行等间隔抽样，以获取所述点云帧序列。
6.一种激光点云数据的标注方法，其特征在于，包括：
获取待标注的第一点云帧、与所述第一点云帧相邻的两个已标注的第二点云帧及第三点云帧分别对应的标注数据；
根据所述第二点云帧及所述第三点云帧分别对应的标注数据，确定所述第一点云帧对应的插值标注数据；
确定所述插值标注数据对应的虚拟点云帧；
将所述第一点云帧及所述虚拟点云帧输入预设的点云标注模型中，以获取所述第一点云帧对应的目标标注数据，其中，所述预设的点云标注模型为根据权利要求1-5任一所述的方法生成的。
7.一种点云标注模型的生成装置，其特征在于，包括：
第一获取模块，用于获取点云帧序列，及所述点云帧序列中每个点云帧对应的标注数据；
第一确定模块，用于根据所述点云帧序列中与每个点云帧相邻的两个点云帧分别对应的标注数据，确定每个点云帧对应的插值标注数据；
第二确定模块，用于确定每个所述插值标注数据分别对应的虚拟点云帧；
第二获取模块，用于将每个插值标注数据对应的点云帧及虚拟点云帧输入初始点云标注模型中，以获取预测标注数据；
生成模块，用于根据所述预测标注数据与对应的所述标注数据之间的差异，对所述初始点云标注模型进行修正，以生成点云标注模型。
8.根据权利要求7所述的装置，其特征在于，所述第一确定模块，具体用于：
获取所述点云帧序列中每个点云帧对应的采集时间；
根据每个所述点云帧对应的标注数据及所述采集时间，确定所述点云帧序列中目标物体的运动轨迹；
根据所述目标物体的运动轨迹及每个所述点云帧对应的采集时间，确定每个所述点云帧中目标物体的中心点坐标；
根据每个所述点云帧中目标物体的中心点坐标，及相邻的两个点云帧分别对应的标注数据中所述目标物体对应的检测框，确定每个所述点云帧对应的插值标注数据中所述目标物体对应的插值框。
9.根据权利要求8所述的装置，其特征在于，所述第二确定模块，具体用于：
基于预设的长度，将所述插值标注数据中所述目标物体对应的插值框进行划分，以获取所述目标物体对应的多个小插值框；
将所述多个小插值框的中心点，确定为所述插值标注数据对应的虚拟点云帧。
10.根据权利要求7所述的装置，其特征在于，还包括：
第三获取模块，用于将每个所述点云帧对应的插值标注数据中目标物体的插值框进行中心点偏移，以获取每个所述点云帧对应的多个插值标注数据。
11.根据权利要求7-10任一所述的装置，其特征在于，所述第一获取模块，具体用于：
获取预设时间段内采集的初始点云帧序列；
对所述初始点云帧序列进行等间隔抽样，以获取所述点云帧序列。
12.一种激光点云数据的标注装置，其特征在于，包括：
获取模块，用于获取待标注的第一点云帧、与所述第一点云帧相邻的两个已标注的第二点云帧及第三点云帧分别对应的标注数据；
第一确定模块，用于根据所述第二点云帧及所述第三点云帧分别对应的标注数据，确定所述第一点云帧对应的插值标注数据；
第二确定模块，用于确定所述插值标注数据对应的虚拟点云帧；
标注模块，用于将所述第一点云帧及所述虚拟点云帧输入预设的点云标注模型中，以获取所述第一点云帧对应的目标标注数据，其中，所述预设的点云标注模型为根据权利要求7-11任一所述的装置生成的。
13.一种电子设备，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，实现如权利要求1-5中任一所述的点云标注模型的生成方法，或者实现如权利要求6所述的激光点云数据的标注方法。
14.一种计算机可读存储介质，存储有计算机程序，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1-5中任一所述的点云标注模型的生成方法，或者实现如权利要求6所述的激光点云数据的标注方法。
15.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时，实现如权利要求1-5中任一项所述的点云标注模型的生成方法，或者实现如权利要求6所述的激光点云数据的标注方法。
CN202210775429.2A 2022-07-01 2022-07-01 点云标注模型的生成方法、装置、电子设备及存储介质 Active CN115147474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210775429.2A CN115147474B (zh) 2022-07-01 2022-07-01 点云标注模型的生成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210775429.2A CN115147474B (zh) 2022-07-01 2022-07-01 点云标注模型的生成方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115147474A true CN115147474A (zh) 2022-10-04
CN115147474B CN115147474B (zh) 2023-05-02

Family

ID=83410956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210775429.2A Active CN115147474B (zh) 2022-07-01 2022-07-01 点云标注模型的生成方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115147474B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965824A (zh) * 2023-03-01 2023-04-14 安徽蔚来智驾科技有限公司 点云数据标注方法、点云目标检测方法、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180182103A1 (en) * 2016-12-23 2018-06-28 International Business Machines Corporation 3d segmentation reconstruction from 2d slices
US20190108639A1 (en) * 2017-10-09 2019-04-11 The Board Of Trustees Of The Leland Stanford Junior University Systems and Methods for Semantic Segmentation of 3D Point Clouds
CN110163904A (zh) * 2018-09-11 2019-08-23 腾讯大地通途（北京）科技有限公司 对象标注方法、移动控制方法、装置、设备及存储介质
CN111801711A (zh) * 2018-03-14 2020-10-20 法弗人工智能有限公司 图像标注
CN112948605A (zh) * 2019-12-11 2021-06-11 深圳云天励飞技术有限公司 点云数据的标注方法、装置、设备及可读存储介质
CN113297355A (zh) * 2021-06-29 2021-08-24 中国平安人寿保险股份有限公司 基于对抗插值序列标注数据增强方法、装置、设备及介质
CN114022887A (zh) * 2022-01-04 2022-02-08 北京世纪好未来教育科技有限公司 文本识别模型训练及文本识别方法、装置、电子设备
CN114066960A (zh) * 2022-01-13 2022-02-18 季华实验室 三维重建方法、点云融合方法、装置、设备及存储介质
CN114298982A (zh) * 2021-12-14 2022-04-08 禾多科技（北京）有限公司 图像标注方法、装置、计算机设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180182103A1 (en) * 2016-12-23 2018-06-28 International Business Machines Corporation 3d segmentation reconstruction from 2d slices
US20190108639A1 (en) * 2017-10-09 2019-04-11 The Board Of Trustees Of The Leland Stanford Junior University Systems and Methods for Semantic Segmentation of 3D Point Clouds
CN111801711A (zh) * 2018-03-14 2020-10-20 法弗人工智能有限公司 图像标注
CN110163904A (zh) * 2018-09-11 2019-08-23 腾讯大地通途（北京）科技有限公司 对象标注方法、移动控制方法、装置、设备及存储介质
CN112948605A (zh) * 2019-12-11 2021-06-11 深圳云天励飞技术有限公司 点云数据的标注方法、装置、设备及可读存储介质
CN113297355A (zh) * 2021-06-29 2021-08-24 中国平安人寿保险股份有限公司 基于对抗插值序列标注数据增强方法、装置、设备及介质
CN114298982A (zh) * 2021-12-14 2022-04-08 禾多科技（北京）有限公司 图像标注方法、装置、计算机设备和存储介质
CN114022887A (zh) * 2022-01-04 2022-02-08 北京世纪好未来教育科技有限公司 文本识别模型训练及文本识别方法、装置、电子设备
CN114066960A (zh) * 2022-01-13 2022-02-18 季华实验室 三维重建方法、点云融合方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965824A (zh) * 2023-03-01 2023-04-14 安徽蔚来智驾科技有限公司 点云数据标注方法、点云目标检测方法、设备及存储介质

Also Published As

Publication number Publication date
CN115147474B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN108038474B (zh) 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN110197190B (zh) 模型训练和物体的定位方法及装置
US10255673B2 (en) Apparatus and method for detecting object in image, and apparatus and method for computer-aided diagnosis
CN108984679B (zh) 对话生成模型的训练方法和装置
CN110659658B (zh) 一种目标检测方法及其装置
US20210390347A1 (en) Method and system for object tracking using online training
CN110647675B (zh) 停留点识别及预测模型训练方法、装置及存储介质
CN110647886A (zh) 兴趣点标注方法、装置、计算机设备和存储介质
CN115147474B (zh) 点云标注模型的生成方法、装置、电子设备及存储介质
CN115342796A (zh) 基于视觉激光融合的地图构建方法、系统、装置及介质
CN114913197A (zh) 车辆轨迹预测方法、装置、电子设备及存储介质
CN114596440A (zh) 语义分割模型的生成方法、装置、电子设备及存储介质
CN113643311B (zh) 一种对边界误差鲁棒的图像分割方法和装置
CN109521419B (zh) 基于车辆雷达的目标跟踪方法和装置
CN109740632B (zh) 基于多传感器多被测对象的相似度模型训练方法和装置
CN108829896B (zh) 回复信息反馈方法和装置
CN112685998A (zh) 一种自动标注方法、装置、设备及可读存储介质
CN109816726B (zh) 一种基于深度滤波器的视觉里程计地图更新方法和系统
CN115578386B (zh) 泊车图像生成方法、装置、电子设备及存储介质
CN109583511B (zh) 速度融合方法和装置
CN111833847A (zh) 语音处理模型训练方法和装置
CN111126101A (zh) 关键点位置的确定方法、装置、电子设备和存储介质
CN110647826B (zh) 商品训练图片的获取方法、装置、计算机设备和存储介质
CN110704592B (zh) 语句分析处理方法、装置、计算机设备和存储介质
CN113204891A (zh) 基于指数平滑预测的dp-tbd算法跟踪方法及设备

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
GR01 Patent grant
GR01 Patent grant