CN116721399A - 一种量化感知训练的点云目标检测方法及装置 - Google Patents

一种量化感知训练的点云目标检测方法及装置 Download PDF

Info

Publication number
CN116721399A
CN116721399A CN202310925867.7A CN202310925867A CN116721399A CN 116721399 A CN116721399 A CN 116721399A CN 202310925867 A CN202310925867 A CN 202310925867A CN 116721399 A CN116721399 A CN 116721399A
Authority
CN
China
Prior art keywords
network
point cloud
quantized
training
precision
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
CN202310925867.7A
Other languages
English (en)
Other versions
CN116721399B (zh
Inventor
朱健
陈�光
曾令仿
程稳
常璟飞
胡陈枢
黄章敏
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310925867.7A priority Critical patent/CN116721399B/zh
Publication of CN116721399A publication Critical patent/CN116721399A/zh
Application granted granted Critical
Publication of CN116721399B publication Critical patent/CN116721399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/0495—Quantised networks; Sparse networks; Compressed 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种量化感知训练的点云目标检测方法及装置，可以获取训练样本，将训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以对全精度网络进行训练，得到训练后的全精度网络，而后，将训练后的全精度网络进行模型量化，得到量化后网络，量化后网络的参数精度低于全精度网络的参数精度，而后，将训练样本输入到量化后网络中，得到量化后网络得到的目标检测结果，根据标注信息和目标检测结果，对量化后网络进行参数微调训练，得到训练后的量化后网络，最后，将训练后的量化后网络部署在无人驾驶设备中，以使无人驾驶设备通过量化后网络进行点云目标检测，从而在保证准确性的情况下提高了无人驾驶设备的点云检测效率。

Description

一种量化感知训练的点云目标检测方法及装置
技术领域
本说明书涉及点云目标检测技术领域，尤其涉及一种量化感知训练的点云目标检测方法及装置。
背景技术
当前，目标检测是计算机视觉领域重要的问题之一，在视频监控、智能交通、无人驾驶等领域被广泛运用。
当前，为了通过点云数据进行目标检测的准确性，进行点云目标检测的模型往往体积较大，需要消耗较多的计算资源，但是，若需要实现无人驾驶设备中的点云检测，由于无人驾驶设备的硬件条件限制，将这种模型部署到无人驾驶设备中，将消耗无人驾驶设备较多的计算资源，进行点云检测的效率也会很慢。而直接通过较小的模型来进行点云检测，则准确率也会下降许多。
因此，如何提高在无人驾驶设备端进行点云检测的效率，并且，保证点云检测的准确性，则是一个亟待解决的问题。
发明内容
本说明书提供一种量化感知训练的点云目标检测方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种量化感知训练的点云目标检测方法，包括：
获取训练样本，所述训练样本包括点云样本数据以及标注信息，所述标注信息用于表示所述点云样本数据对应的目标物类别；
将所述训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以最小化所述目标检测结果与所述标注信息之间的差异为训练目标对所述全精度网络进行训练，得到训练后的全精度网络；
将所述训练后的全精度网络进行模型量化，得到量化后网络，所述量化后网络的参数精度低于所述全精度网络的参数精度；
将所述训练样本中的点云样本数据输入到所述量化后网络中，得到所述量化后网络得到的目标检测结果，以最小化所述量化后网络得到的目标检测结果与所述标注信息之间的差异为训练目标对所述量化后网络进行参数微调训练，得到训练后的量化后网络；
将所述训练后的量化后网络部署在无人驾驶设备中，以使所述无人驾驶设备通过所述量化后网络进行点云目标检测。
可选地，所述全精度网络中包括若干网络层；
将所述训练后的全精度网络进行模型量化，得到量化后网络，具体包括：
针对所述训练后的全精度网络中的每个网络层，按照预设方式对全精度网络中的该网络层进行量化，得到该网络层对应的量化网络；
根据预设的检测样本，确定该网络层对应的量化网络的精准程度；
根据各网络层对应的量化网络的精准程度，从各网络层中选取出敏感网络层以及非敏感网络层；
根据所述敏感网络层对应的量化调整幅度和所述非敏感网络层对应的量化调整幅度，对所述训练后的全精度网络进行模型量化，得到量化后网络，所述敏感网络层对应的量化调整幅度大于所述非敏感网络层对应的量化调整幅度。
可选地，获取训练样本，具体包括：
获取原始点云数据；
对所述原始点云数据进行数据增强，得到数据增强后的点云数据；
根据所述原始点云数据、所述数据增强后的点云数据以及所述原始点云数据对应的标注信息，获取训练样本。
可选地，所述数据增强包括：将原始点云数据中的部分点添加高斯噪声；对原始点云数据进行关于预设坐标轴的镜像翻转；将原始点云数据进行关于预设坐标轴的旋转；随机放大或者缩小原始点云数据，所述预设坐标轴包括x轴、y轴以及z轴。
可选地，所述全精度网络中包括主干网络、辅助网络和检测网络；所述主干网络中包含若干连续的卷积网络，每个卷积网络用于提取出该卷积网络对应尺寸的卷积特征，所述辅助网络用于将各卷积网络提取出的卷积特征进行融合，得到融合特征，所述检测网络用于根据所述融合特征，确定出点云数据中目标物的检测框以及确定点云数据中目标物的类别。
可选地，将所述训练样本中点云样本数据输入到全精度网络中，得到目标检测结果之前，所述方法还包括：
确定预设的网格信息，所述网格信息包括网格在平面的竖直和水平方向上的数量；
根据所述点云样本数据中每个点云点的坐标，将所述点云样本数据按照所述网格信息进行划分，得到各网格中包含的点云点；
将各网格中包含的点云点，投影到水平平面上，得到投影数据；
将所述投影数据进行卷积和池化操作，得到所述点云样本数据对应的二维数据；
将所述训练样本中点云样本数据输入到全精度网络中，得到目标检测结果，具体包括：
将所述二维数据输入到所述全精度网络中，得到目标检测结果。
可选地，所述全精度网络中通过多头注意力Multi-Head网络确定目标检测结果，所述目标检测结果包含点云样本数据中目标物的检测框以及目标物的分类结果。
本说明书提供了一种量化感知训练的点云目标检测装置，包括：
获取模块，用于获取训练样本，所述训练样本包括点云样本数据以及标注信息，所述标注信息用于表示所述点云样本数据对应的目标物类别；
输入模块，用于将所述训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以最小化所述目标检测结果与所述标注信息之间的差异为训练目标对所述全精度网络进行训练，得到训练后的全精度网络；
量化模块，用于将所述训练后的全精度网络进行模型量化，得到量化后网络，所述量化后网络的参数精度低于所述全精度网络的参数精度；
微调模块，用于将所述训练样本中的点云样本数据输入到所述量化后网络中，得到所述量化后网络得到的目标检测结果，以最小化所述量化后网络得到的目标检测结果与所述标注信息之间的差异为训练目标对所述量化后网络进行参数微调训练，得到训练后的量化后网络；
部署模块，用于将所述训练后的量化后网络部署在无人驾驶设备中，以使所述无人驾驶设备通过所述量化后网络进行点云目标检测。
本说明书提供了一种计算机可读存储介质，所述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上述量化感知训练的点云目标检测方法。
本说明书提供了一种电子设备，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上述量化感知训练的点云目标检测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述量化感知训练的点云目标检测方法中可以看出，可以获取训练样本，训练样本包括点云样本数据以及标注信息，标注信息用于表示点云样本数据对应的目标物类别，将训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以最小化目标检测结果与标注信息之间的差异为训练目标对全精度网络进行训练，得到训练后的全精度网络，而后，将训练后的全精度网络进行模型量化，得到量化后网络，量化后网络的参数精度低于全精度网络的参数精度，而后，将训练样本输入到量化后网络中，得到量化后网络得到的目标检测结果，以最小化量化后网络得到的目标检测结果与标注信息之间的差异为训练目标对量化后网络进行参数微调训练，得到训练后的量化后网络，最后，将训练后的量化后网络部署在无人驾驶设备中，以使无人驾驶设备通过量化后网络进行点云目标检测。
从上述内容中可以看出，为了在无人驾驶设备中通过点云进行更快的目标检测，可以在训练完成原始的全精度网络后，将训练后的全精度网络进行量化，得到量化后的网络，并为了保证目标检测的准确性，通过训练样本对量化后的网络进行微调训练，得到训练后的量化后网络，将量化后网络部署在无人驾驶设备中，从而无人驾驶设备可以通过部署其中的量化后网络进行点云目标检测。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种量化感知训练的点云目标检测方法的流程示意图；
图2为本说明书提供的一种混合精度量化的流程示意图；
图3为本说明书中提供的一种全精度网络的网络结构示意图；
图4为本说明书提供的一种量化感知训练的点云目标检测装置示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种量化感知训练的点云目标检测方法的流程示意图，具体包括以下步骤：
S100：获取训练样本，所述训练样本包括点云样本数据以及标注信息，所述标注信息用于表示所述点云样本数据对应的目标物类别。
S102：将所述训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以最小化所述目标检测结果与所述标注信息之间的差异为训练目标对所述全精度网络进行训练，得到训练后的全精度网络。
S104：将所述训练后的全精度网络进行模型量化，得到量化后网络，所述量化后网络的参数精度低于所述全精度网络的参数精度。
在实际应用中，无人驾驶设备可通过雷达设备所采集到点云数据，通过点云数据进行目标物的检测，以及目标物的定位等，这就需要在无人驾驶设备上部署相应的点云检测的网络模型。
基于此，服务器可以获取训练样本，该训练样本包括点云样本数据以及标注信息，标注信息可以用于表示点云样本数据对应的目标物类别，其中，该标注信息还可以包括用于表示点云样本数据中目标物对应的标注框，标注框即标注出的目标物在点云样本数据中的位置。
而后，可以通过训练样本对全精度模型进行训练，得到训练完成后的全精度模型，该全精度模型可以是单阶段目标检测模型，具体的，可以将训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以最小化目标检测结果与标注信息之间的差异为训练目标对全精度网络进行训练，得到训练后的全精度网络。
进而，可以对训练后的全精度网络进行模型量化，得到量化后网络，其中，该量化后网络的参数精度低于全精度网络的参数精度，具体的，可以对全精度网络中的参数进行格式转换，以得到参数精度更低的量化后网络。例如，若全精度网络的参数格式为FP32（单精度浮点数），则可以将全精度网络的参数转化为INT8，得到量化后网络，或者可以FP32格式转化为INT4格式，得到量化后网络。
需要说明的是，在对全精度网络进行量化的过程中，可以是将全精度网络中各网络层的参数进行统一的调整，但是为了使得模型量化的效果更好，可以从全精度网络的网络层中挑选出敏感网络层和非敏感网络，在模型量化中，敏感网络层的调整相比于非敏感网络层的调整会更加影响网络准确性的下跌。对敏感网络层和非敏感网络层中的参数调整需要是不同的，如图2所示。
图2为本说明书提供的一种混合精度量化的流程示意图。
具体的，在确定敏感网络层和非敏感网络层时，可以针对训练后的全精度网络中的每个网络层，按照预设方式对全精度网络中的该网络层进行量化，得到该网络层对应的量化网络。也就是说，全精度网络中可以包含有多个网络层，可以仅对某个网络层进行量化其余网络层保持不变，得到该网络层对应的一个量化网络，这个量化网络相比于原始的全精度网络，仅是该网络层中的参数进行了量化。
上述提到的按照预设方式对该网络层进行量化，是指对不同网络层进行量化的方式是一致的（类似控制变量），该预设方式可以进行人为设定。
而后，可以根据预设的检测样本，确定该网络层对应的量化网络的精准程度。根据各网络层对应的量化网络的精准程度，从各网络层中选取出敏感网络层以及非敏感网络层。对于一个网络层对应的量化网络来说，精准程度越低，该网络层越有可能是敏感网络层，具体，精准程度与敏感网络层和非敏感网络层之间的对应关系可以人为进行设定。
其中，对敏感网络层的量化可以是16bit量化（将FP32转换为INT16），对非敏感网络层的量化可以是8bit量化（将FP32转换为INT8）。
上述检测样本可以是指专门用于测试对全精度网络中某个网络层进行量化后得到的量化网络的模型准确性的训练样本，类似训练样本集中的测试集。
S106：将所述训练样本输入到所述量化后网络中，得到所述量化后网络得到的目标检测结果，以最小化所述量化后网络得到的目标检测结果与所述标注信息之间的差异为训练目标对所述量化后网络进行参数微调训练，得到训练后的量化后网络。
确定出量化后网络后，由于量化后网络是将全精度网络的参数精度降低得到的，因此，量化后网络的准确率也会降低，那么，为了进一步地提高量化后网络的模型准确率，可以对量化后网络继续进行训练（进行量化感知训练），从而得到更加精确地量化后网络。
具体的，可以继续根据上述训练样本对量化后网络进行训练，可以将训练样本中的点云样本数据输入到量化后网络中，得到量化后网络得到的目标检测结果，以最小化量化后网络得到的目标检测结果与标注信息之间的差异为训练目标对量化后网络进行参数微调训练，得到训练后的量化后网络。
需要说明的是，对量化后网络进行训练的训练样本，可以是之前对全精度网络进行训练的训练样本。
在通过点云来构建训练样本时，可以对点云进行数据增强，来得到更多的训练样本。具体地，可以获取原始点云数据，而后，对原始点云数据进行数据增强，得到数据增强后的点云数据，根据原始点云数据、数据增强后的点云数据以及原始点云数据对应的标注信息，获取训练样本。
上述提到的数据增强可以包括将原始点云数据中的部分点添加高斯噪声；对原始点云数据进行关于预设坐标轴的镜像翻转；将原始点云数据进行关于预设坐标轴的旋转；随机放大或者缩小原始点云数据，所述预设坐标轴包括x轴、y轴以及z轴等。
全精度网络与量化后网络的网络结构可以是一致的，全精度网络的网络结构可以如图3所示。
图3为本说明书中提供的一种全精度网络的网络结构示意图。
具体的，全精度网络中可以包括主干网络、辅助网络和检测网络；主干网络中包含若干连续的卷积网络，每个卷积网络用于提取出该卷积网络对应尺寸的卷积特征，辅助网络用于将各卷积网络提取出的卷积特征进行融合，得到融合特征，检测网络用于根据融合特征，确定出点云数据中目标物的检测框以及确定点云数据中目标物的类别。
可以看出，本说明书中用于进行点云目标检测的网络可以同时确定出点云数据中目标物的检测框和目标物的分类结果，因此，目标检测结果中可以包含点云样本数据中目标物的检测框以及目标物的分类结果，全精度网络（和量化后网络）中可通过多头注意力Multi-Head网络确定目标检测结果。
其中，主干网络可以采用ResNet、AlexNet和VGGNet等网络。主干网络主要进行特征抽取。辅助网络可以采用特征金子塔网络，进行多尺度的特征融合。检测网络为分类和回归的预测网络。分类是对检测的目标物进行分类，例如行人、汽车。回归是对检测的目标物绘制出它的空间坐标轮廓。
还需说明的是，点云是三维的数据，为了便于模型对点云进行目标检测，可以将点云转换为二维数据，具体的，可以确定预设的网格信息，该网格信息包括网格在平面的竖直和水平方向上的数量（即，网格是n*k的，则网格信息包括n和k），而后，根据点云样本数据中每个点云点的坐标，将点云样本数据按照网格信息进行划分，得到各网格中包含的点云点，进而，将各网格中包含的点云点，投影到水平平面上，得到投影数据，最后将投影数据进行卷积和池化操作，得到点云样本数据对应的二维数据。
在模型预测时，可以将二维数据输入到全精度网络中，得到目标检测结果，另外，在通过量化后网络进行预测时，也可以将点云样本数据转换为二维数据，输入到量化后网络中，得到目标检测结果。
上述提到的投影数据可以表示点云样本数据投影到水平平面上的数据分布，其中，点云样本数据原始表示可以为[N,x,y,z,r]，其中N为点云中点的数量，xyz为坐标，r为点云强度。然后建立以雷达为原点的投影横向水平平面，通过网格法依据点云坐标xy投影到这个平面上，并且对z坐标分段得到l。转化后的数据格式（投影数据的数据格式）为[wn,hn,l,m]，其中wn和hn为投影水平平面的两个方向（竖直和水平）的网格数目，l表示z轴的分段区间大小，m为每个网格中的点云数量。而后再通过卷积和池化层转化为[w,h,c]的数据格式，得到二维数据，这种数据格式和图片是相同，w和h分别为长和宽，c为通道数。
需要说明的是，可以采用smooth-Ll 损失来计算回归损失，用于检测框预测。对于分类损失，采用Sigmod 函数来预测置信度。
S108：将所述训练后的量化后网络部署在无人驾驶设备中，以使所述无人驾驶设备通过所述量化后网络进行点云目标检测。
将量化后网络训练完成后，可以将训练后的量化后网络部署在无人驾驶设备中，以使该无人驾驶设备通过量化后网络进行点云目标检测。
需要说明的是，为了便于描述，将执行本方法的执行主体作为服务器进行描述，执行主体可以是台式电脑、服务器、大型的服务平台等，在此不进行限定。
从上述内容中可以看出，为了在无人驾驶设备中通过点云进行更快的目标检测，可以在训练完成原始的全精度网络后，将训练后的全精度网络进行量化，得到量化后的网络，并为了保证目标检测的准确性，通过训练样本对量化后的网络进行微调训练，得到训练后的量化后网络，将量化后网络部署在无人驾驶设备中，从而无人驾驶设备可以通过部署其中的量化后网络进行点云目标检测。
以上为本说明书的一个或多个实施例提供的量化感知训练的点云目标检测方法，基于同样的思路，本说明书还提供了量化感知训练的点云目标检测装置，如图4所示。
图4为本说明书提供的一种量化感知训练的点云目标检测装置示意图，包括：
获取模块401，用于获取训练样本，所述训练样本包括点云样本数据以及标注信息，所述标注信息用于表示所述点云样本数据对应的目标物类别；
输入模块402，用于将所述训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以最小化所述目标检测结果与所述标注信息之间的差异为训练目标对所述全精度网络进行训练，得到训练后的全精度网络；
量化模块403，用于将所述训练后的全精度网络进行模型量化，得到量化后网络，所述量化后网络的参数精度低于所述全精度网络的参数精度；
微调模块404，用于将所述训练样本中的点云样本数据输入到所述量化后网络中，得到所述量化后网络得到的目标检测结果，以最小化所述量化后网络得到的目标检测结果与所述标注信息之间的差异为训练目标对所述量化后网络进行参数微调训练，得到训练后的量化后网络；
部署模块405，用于将所述训练后的量化后网络部署在无人驾驶设备中，以使所述无人驾驶设备通过所述量化后网络进行点云目标检测。
可选地，所述全精度网络中包括若干网络层；
所述量化模块403具体用于，针对所述训练后的全精度网络中的每个网络层，按照预设方式对全精度网络中的该网络层进行量化，得到该网络层对应的量化网络；根据预设的检测样本，确定该网络层对应的量化网络的精准程度；根据各网络层对应的量化网络的精准程度，从各网络层中选取出敏感网络层以及非敏感网络层；根据所述敏感网络层对应的量化调整幅度和所述非敏感网络层对应的量化调整幅度，对所述训练后的全精度网络进行模型量化，得到量化后网络，所述敏感网络层对应的量化调整幅度大于所述非敏感网络层对应的量化调整幅度。
可选地，所述获取模块401具体用于，获取原始点云数据；对所述原始点云数据进行数据增强，得到数据增强后的点云数据；根据所述原始点云数据、所述数据增强后的点云数据以及所述原始点云数据对应的标注信息，获取训练样本。
可选地，所述数据增强包括：将原始点云数据中的部分点添加高斯噪声；对原始点云数据进行关于预设坐标轴的镜像翻转；将原始点云数据进行关于预设坐标轴的旋转；随机放大或者缩小原始点云数据，所述预设坐标轴包括x轴、y轴以及z轴。
可选地，所述全精度网络中包括主干网络、辅助网络和检测网络；所述主干网络中包含若干连续的卷积网络，每个卷积网络用于提取出该卷积网络对应尺寸的卷积特征，所述辅助网络用于将各卷积网络提取出的卷积特征进行融合，得到融合特征，所述检测网络用于根据所述融合特征，确定出点云数据中目标物的检测框以及确定点云数据中目标物的类别。
可选地，所述输入模块402还用于，确定预设的网格信息，所述网格信息包括网格在平面的竖直和水平方向上的数量；根据所述点云样本数据中每个点云点的坐标，将所述点云样本数据按照所述网格信息进行划分，得到各网格中包含的点云点；将各网格中包含的点云点，投影到水平平面上，得到投影数据；将所述投影数据进行卷积和池化操作，得到所述点云样本数据对应的二维数据；所述输入模块402具体用于，将所述二维数据输入到所述全精度网络中，得到目标检测结果。
可选地，所述全精度网络中通过多头注意力Multi-Head网络确定目标检测结果，所述目标检测结果包含点云样本数据中目标物的检测框以及目标物的分类结果。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述量化感知训练的点云目标检测方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述量化感知训练的点云目标检测方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种量化感知训练的点云目标检测方法，其特征在于，包括：
获取训练样本，所述训练样本包括点云样本数据以及标注信息，所述标注信息用于表示所述点云样本数据对应的目标物类别；
将所述训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以最小化所述目标检测结果与所述标注信息之间的差异为训练目标对所述全精度网络进行训练，得到训练后的全精度网络；
将所述训练后的全精度网络进行模型量化，得到量化后网络，所述量化后网络的参数精度低于所述全精度网络的参数精度；
将所述训练样本中的点云样本数据输入到所述量化后网络中，得到所述量化后网络得到的目标检测结果，以最小化所述量化后网络得到的目标检测结果与所述标注信息之间的差异为训练目标对所述量化后网络进行参数微调训练，得到训练后的量化后网络；
将所述训练后的量化后网络部署在无人驾驶设备中，以使所述无人驾驶设备通过所述量化后网络进行点云目标检测。
2.如权利要求1所述的方法，其特征在于，所述全精度网络中包括若干网络层；
将所述训练后的全精度网络进行模型量化，得到量化后网络，具体包括：
针对所述训练后的全精度网络中的每个网络层，按照预设方式对全精度网络中的该网络层进行量化，得到该网络层对应的量化网络；
根据预设的检测样本，确定该网络层对应的量化网络的精准程度；
根据各网络层对应的量化网络的精准程度，从各网络层中选取出敏感网络层以及非敏感网络层；
根据所述敏感网络层对应的量化调整幅度和所述非敏感网络层对应的量化调整幅度，对所述训练后的全精度网络进行模型量化，得到量化后网络，所述敏感网络层对应的量化调整幅度大于所述非敏感网络层对应的量化调整幅度。
3.如权利要求1所述的方法，其特征在于，获取训练样本，具体包括：
获取原始点云数据；
对所述原始点云数据进行数据增强，得到数据增强后的点云数据；
根据所述原始点云数据、所述数据增强后的点云数据以及所述原始点云数据对应的标注信息，获取训练样本。
4.如权利要求3所述的方法，其特征在于，所述数据增强包括：将原始点云数据中的部分点添加高斯噪声；对原始点云数据进行关于预设坐标轴的镜像翻转；将原始点云数据进行关于预设坐标轴的旋转；随机放大或者缩小原始点云数据，所述预设坐标轴包括x轴、y轴以及z轴。
5.如权利要求1所述的方法，其特征在于，所述全精度网络中包括主干网络、辅助网络和检测网络；所述主干网络中包含若干连续的卷积网络，每个卷积网络用于提取出该卷积网络对应尺寸的卷积特征，所述辅助网络用于将各卷积网络提取出的卷积特征进行融合，得到融合特征，所述检测网络用于根据所述融合特征，确定出点云数据中目标物的检测框以及确定点云数据中目标物的类别。
6.如权利要求1所述的方法，其特征在于，将所述训练样本中点云样本数据输入到全精度网络中，得到目标检测结果之前，所述方法还包括：
确定预设的网格信息，所述网格信息包括网格在平面的竖直和水平方向上的数量；
根据所述点云样本数据中每个点云点的坐标，将所述点云样本数据按照所述网格信息进行划分，得到各网格中包含的点云点；
将各网格中包含的点云点，投影到水平平面上，得到投影数据；
将所述投影数据进行卷积和池化操作，得到所述点云样本数据对应的二维数据；
将所述训练样本中点云样本数据输入到全精度网络中，得到目标检测结果，具体包括：
将所述二维数据输入到所述全精度网络中，得到目标检测结果。
7.如权利要求1所述的方法，其特征在于，所述全精度网络中通过多头注意力Multi-Head网络确定目标检测结果，所述目标检测结果包含点云样本数据中目标物的检测框以及目标物的分类结果。
8.一种量化感知训练的点云目标检测装置，其特征在于，包括：
获取模块，用于获取训练样本，所述训练样本包括点云样本数据以及标注信息，所述标注信息用于表示所述点云样本数据对应的目标物类别；
输入模块，用于将所述训练样本中的点云样本数据输入到全精度网络中，得到目标检测结果，以最小化所述目标检测结果与所述标注信息之间的差异为训练目标对所述全精度网络进行训练，得到训练后的全精度网络；
量化模块，用于将所述训练后的全精度网络进行模型量化，得到量化后网络，所述量化后网络的参数精度低于所述全精度网络的参数精度；
微调模块，用于将所述训练样本中的点云样本数据输入到所述量化后网络中，得到所述量化后网络得到的目标检测结果，以最小化所述量化后网络得到的目标检测结果与所述标注信息之间的差异为训练目标对所述量化后网络进行参数微调训练，得到训练后的量化后网络；
部署模块，用于将所述训练后的量化后网络部署在无人驾驶设备中，以使所述无人驾驶设备通过所述量化后网络进行点云目标检测。
9.一种计算机可读存储介质，其特征在于，所述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上述权利要求1~7任一项所述的方法。
10.一种电子设备，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上述权利要求1~7任一项所述的方法。
CN202310925867.7A 2023-07-26 2023-07-26 一种量化感知训练的点云目标检测方法及装置 Active CN116721399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310925867.7A CN116721399B (zh) 2023-07-26 2023-07-26 一种量化感知训练的点云目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310925867.7A CN116721399B (zh) 2023-07-26 2023-07-26 一种量化感知训练的点云目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN116721399A true CN116721399A (zh) 2023-09-08
CN116721399B CN116721399B (zh) 2023-11-14

Family

ID=87873641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310925867.7A Active CN116721399B (zh) 2023-07-26 2023-07-26 一种量化感知训练的点云目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN116721399B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952182A (zh) * 2024-03-25 2024-04-30 之江实验室 一种基于数据质量的混合精度模型训练方法及装置

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204405020U (zh) * 2015-01-12 2015-06-17 浙江大学 一种消除多台Kinect结构光深度摄像机相互干涉的装置
CN111523600A (zh) * 2020-04-26 2020-08-11 上海商汤临港智能科技有限公司 神经网络训练、目标检测、及智能设备控制的方法及装置
CN113642620A (zh) * 2021-07-30 2021-11-12 北京三快在线科技有限公司 一种模型训练以及障碍物检测方法及装置
CN113743601A (zh) * 2020-05-27 2021-12-03 合肥君正科技有限公司 一种低比特量化网络重训弥补激活函数的方法
CN113799793A (zh) * 2020-05-29 2021-12-17 魔门塔(苏州)科技有限公司 一种基于数据驱动的实现预测模型自动化迭代的系统
CN113947193A (zh) * 2020-10-15 2022-01-18 北京航空航天大学 一种面向点云的高效二值化神经网络量化方法及装置
CN114332201A (zh) * 2021-12-01 2022-04-12 北京三快在线科技有限公司 一种模型训练、目标检测的方法以及装置
WO2022078197A1 (zh) * 2020-10-16 2022-04-21 北京字节跳动网络技术有限公司 点云分割方法、装置、设备和存储介质
WO2022088720A1 (zh) * 2020-10-30 2022-05-05 上海商汤临港智能科技有限公司 样本生成、神经网络的训练、数据处理方法及装置
US20220164666A1 (en) * 2020-11-20 2022-05-26 Adobe Inc. Efficient mixed-precision search for quantizers in artificial neural networks
CN114638954A (zh) * 2022-02-22 2022-06-17 深圳元戎启行科技有限公司 点云分割模型的训练方法、点云数据分割方法及相关装置
CN114970853A (zh) * 2022-03-16 2022-08-30 华南理工大学 一种跨范围量化的卷积神经网络压缩方法
WO2022206414A1 (zh) * 2021-03-29 2022-10-06 华为技术有限公司 三维目标检测方法及装置
CN115204349A (zh) * 2021-04-09 2022-10-18 合肥君正科技有限公司 卷积神经网络的量化方法以及存储介质、电子设备
CN115375899A (zh) * 2022-08-24 2022-11-22 北京京东乾石科技有限公司 点云语义分割网络训练方法、点云语义分割方法及装置
WO2023277975A1 (en) * 2021-06-30 2023-01-05 Tencent America LLC Systems and methods of contrastive point completion with fine-to-coarse refinement
WO2023035822A1 (zh) * 2021-09-13 2023-03-16 上海芯物科技有限公司 一种目标检测方法、装置、设备及存储介质
WO2023045252A1 (zh) * 2021-09-26 2023-03-30 浪潮电子信息产业股份有限公司 模型训练、点云缺失补全方法、装置、设备及介质
WO2023050707A1 (zh) * 2021-09-28 2023-04-06 苏州浪潮智能科技有限公司 网络模型量化方法、装置、计算机设备以及存储介质
WO2023082415A1 (zh) * 2021-11-15 2023-05-19 深圳先进技术研究院 一种点云补全方法和装置
CN116304720A (zh) * 2023-05-18 2023-06-23 之江实验室 一种代价模型训练的方法、装置、存储介质及电子设备

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204405020U (zh) * 2015-01-12 2015-06-17 浙江大学 一种消除多台Kinect结构光深度摄像机相互干涉的装置
CN111523600A (zh) * 2020-04-26 2020-08-11 上海商汤临港智能科技有限公司 神经网络训练、目标检测、及智能设备控制的方法及装置
CN113743601A (zh) * 2020-05-27 2021-12-03 合肥君正科技有限公司 一种低比特量化网络重训弥补激活函数的方法
CN113799793A (zh) * 2020-05-29 2021-12-17 魔门塔(苏州)科技有限公司 一种基于数据驱动的实现预测模型自动化迭代的系统
CN113947193A (zh) * 2020-10-15 2022-01-18 北京航空航天大学 一种面向点云的高效二值化神经网络量化方法及装置
WO2022078197A1 (zh) * 2020-10-16 2022-04-21 北京字节跳动网络技术有限公司 点云分割方法、装置、设备和存储介质
WO2022088720A1 (zh) * 2020-10-30 2022-05-05 上海商汤临港智能科技有限公司 样本生成、神经网络的训练、数据处理方法及装置
US20220164666A1 (en) * 2020-11-20 2022-05-26 Adobe Inc. Efficient mixed-precision search for quantizers in artificial neural networks
WO2022206414A1 (zh) * 2021-03-29 2022-10-06 华为技术有限公司 三维目标检测方法及装置
CN115204349A (zh) * 2021-04-09 2022-10-18 合肥君正科技有限公司 卷积神经网络的量化方法以及存储介质、电子设备
WO2023277975A1 (en) * 2021-06-30 2023-01-05 Tencent America LLC Systems and methods of contrastive point completion with fine-to-coarse refinement
CN113642620A (zh) * 2021-07-30 2021-11-12 北京三快在线科技有限公司 一种模型训练以及障碍物检测方法及装置
WO2023035822A1 (zh) * 2021-09-13 2023-03-16 上海芯物科技有限公司 一种目标检测方法、装置、设备及存储介质
WO2023045252A1 (zh) * 2021-09-26 2023-03-30 浪潮电子信息产业股份有限公司 模型训练、点云缺失补全方法、装置、设备及介质
WO2023050707A1 (zh) * 2021-09-28 2023-04-06 苏州浪潮智能科技有限公司 网络模型量化方法、装置、计算机设备以及存储介质
WO2023082415A1 (zh) * 2021-11-15 2023-05-19 深圳先进技术研究院 一种点云补全方法和装置
CN114332201A (zh) * 2021-12-01 2022-04-12 北京三快在线科技有限公司 一种模型训练、目标检测的方法以及装置
CN114638954A (zh) * 2022-02-22 2022-06-17 深圳元戎启行科技有限公司 点云分割模型的训练方法、点云数据分割方法及相关装置
CN114970853A (zh) * 2022-03-16 2022-08-30 华南理工大学 一种跨范围量化的卷积神经网络压缩方法
CN115375899A (zh) * 2022-08-24 2022-11-22 北京京东乾石科技有限公司 点云语义分割网络训练方法、点云语义分割方法及装置
CN116304720A (zh) * 2023-05-18 2023-06-23 之江实验室 一种代价模型训练的方法、装置、存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIANPEI ZOU, GUANG CHEN: "《KAM-Net: Keypoint-Aware and Keypoint-Matching Network for Vehicle Detection From 2-D Point Cloud》", 《IEEE TRANSACTIONS ON ARTIFICIAL INTELLIGENCE》 *
王鹏;叶子豪;孙锐;: "融合深度卷积网络与点云网络的三维车辆检测方法分析", 无线互联科技, no. 06 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952182A (zh) * 2024-03-25 2024-04-30 之江实验室 一种基于数据质量的混合精度模型训练方法及装置
CN117952182B (zh) * 2024-03-25 2024-06-14 之江实验室 一种基于数据质量的混合精度模型训练方法及装置

Also Published As

Publication number Publication date
CN116721399B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN116721399B (zh) 一种量化感知训练的点云目标检测方法及装置
CN112036462B (zh) 一种模型训练以及目标检测的方法及装置
CN114283357B (zh) 一种车辆检测方法、装置、存储介质及电子设备
CN114943307B (zh) 一种模型训练的方法、装置、存储介质以及电子设备
CN111797711A (zh) 一种模型训练的方法及装置
CN115828162B (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN115600157B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN113887351B (zh) 一种用于无人驾驶的障碍物检测方法及障碍物检测装置
CN115880685A (zh) 一种基于votenet模型的三维目标检测方法和系统
CN116805393A (zh) 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统
CN117197781B (zh) 一种交通标志识别的方法、装置、存储介质及电子设备
CN117827564A (zh) 一种gpu测试方法、装置、存储介质及电子设备
CN116167431B (zh) 一种基于混合精度模型加速的业务处理方法及装置
CN116186330B (zh) 一种基于多模态学习的视频去重方法及装置
CN117456323A (zh) 一种图像融合的方法、装置、存储介质及电子设备
CN118334278B (zh) 一种点云数据处理方法、装置、存储介质及设备
CN117635850B (zh) 一种数据处理方法及装置
CN116740197B (zh) 一种外参的标定方法、装置、存储介质及电子设备
CN117455015B (zh) 一种模型优化的方法、装置、存储介质及电子设备
CN116363390B (zh) 一种红外弱小目标检测方法、装置、存储介质及电子设备
CN117975202B (zh) 模型训练方法、业务执行方法、装置、介质及设备
CN118603079B (zh) 一种地磁导航的方法、装置、存储介质及电子设备
CN117009729B (zh) 基于softmax的数据处理方法及装置
CN113640823B (zh) 一种基于激光反射率底图进行地图绘制的方法及装置
CN115795342B (zh) 一种业务场景分类的方法、装置、存储介质及电子设备

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