CN116778274A - 点云数据均衡重采样方法、装置、目标检测设备及终端 - Google Patents
点云数据均衡重采样方法、装置、目标检测设备及终端 Download PDFInfo
- Publication number
- CN116778274A CN116778274A CN202310784732.3A CN202310784732A CN116778274A CN 116778274 A CN116778274 A CN 116778274A CN 202310784732 A CN202310784732 A CN 202310784732A CN 116778274 A CN116778274 A CN 116778274A
- Authority
- CN
- China
- Prior art keywords
- class
- target class
- data
- point cloud
- resampling
- 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
- 238000012952 Resampling Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 104
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008447 perception Effects 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000009827 uniform distribution Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种点云数据均衡重采样方法、装置、目标检测设备及终端。通过计算目标类的权重值和数据帧的权重值,在随机采样目标类的数据帧时,提高了重要类及重要帧的采样概率,降低长尾分布现象,并能减少目标类的样本数量,避免重采样的样本数据量激增的情形;还根据针对重采样数据专门设计的均衡度指标对比了重采样前后的数据分布情况,确保重采样的样本数据的均衡程度,提高目标检测感知模型的训练效果。
Description
技术领域
本发明涉及点云数据重采样技术领域,尤其涉及的是一种点云数据均衡重采样方法、装置、目标检测设备及终端。
背景技术
目标检测感知模型大量应用于自动驾驶中,其准确性直接影响到后续算法,如跟踪,规控等的效果。而目标检测感知模型的训练效果依赖于点云数据训练集的质量。
由于数据采集的局限性,直接采集的点云数据中存在较为严重的长尾现象。因此需要对点云数据进行重采样。
现有的重采样方法通过随机采样虽然可以一定程度上增加尾部样本的数量,但总样本数增加得更多,并不能有效地降低长尾现象,且重采样数据分布更加不均衡。
发明内容
本发明的主要目的在于提供一种点云数据均衡重采样方法、装置、目标检测设备、智能终端及计算机可读存储介质,能够解决不能有效地降低长尾现象,且重采样数据分布更加不均衡的问题。
本发明第一方面提供一种点云数据均衡重采样方法,所述方法包括:
计算点云数据的用于表征数据均匀分布程度的第一均衡度;
基于所述点云数据,计算预设目标类集合中每个目标类的第一权重值;
按照所述第一权重值降序排列的顺序遍历所述预设目标类集合,获得第一当前的目标类,根据所述第一当前的目标类在所述点云数据中进行采样,获得类样本池,计算所述类样本池中每个数据帧的第二权重值,将所述第二权重值作为采样概率在所述类样本池中采样,获得所述第一当前的目标类的重采样数据并保存至样本集,所述样本集中包括所述预设目标类集合中每一目标类的重采样数据;
计算所述样本集的用于表征数据均匀分布程度的第二均衡度;
当所述第二均衡度大于所述第一均衡度时,重新执行上述遍历操作以重新获取所述样本集;
当所述第二均衡度小于或等于所述第一均衡度时,根据所述样本集获得重采样结果。
根据上述技术手段,计算了目标类的第一权重值和数据帧的第二权重值,在随机采样目标类的数据帧时,提高了重要类及重要帧的采样概率,降低长尾分布现象;还根据均衡度对比了重采样前后的数据分布情况,保证重采样结果的均衡程度,提高目标检测感知模型的训练效果。
可选地,计算目标数据的均衡度,包括:
遍历所述预设目标类集合,获得第二当前的目标类,在所述目标数据的每一帧中查找所述第二当前的目标类,累计找到所述第二当前的目标类的帧数,获得所述第二当前的目标类的类帧数,所述目标数据为所述点云数据或所述样本集;
根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的概率;
基于所有的所述概率,获得所述预设目标类集合的概率分布;
计算所述概率分布的方差,当所述目标数据为所述点云数据时,获得所述第一均衡度,当所述目标数据为所述样本集时,获得所述第二均衡度。
根据上述技术手段,通过计算目标类的概率,根据所有的概率计算均衡度,相较于直接采用方差,能够在同一标准下比较重采样前后的数据分布程度,不会受到重采样前后样本数据量大小的影响,比对结果更加可靠。
可选地,基于所述点云数据,计算目标类的第一权重值,包括:
遍历所述预设目标类集合,获得第三当前的目标类,在所述点云数据的每一帧中查找所述第三当前的目标类,累计找到所述第三当前的目标类的帧数,获得所述第三当前的目标类的类帧数;
根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的重要性评估值,所述重要性评估值与所述类帧数之间反相关;
根据所述目标类的重要性评估值,获得所述第一权重值。
根据上述技术手段,采用各个目标类的类帧数来计算每一个目标类的第一权重值,适用于点云数据,能够准确地评估点云数据中各个目标类的权重。
可选地,所述根据所述目标类的重要性评估值,获得所述第一权重值,包括:
根据所述预设目标类集合中所有目标类的重要性评估值,对所述目标类的重要性评估值进行归一化,获得所述第一权重值。
根据上述技术手段,归一化处理后,使得目标类的第一权重值更加标准,有利于比较。
可选地,计算所述类样本池中的数据帧的第二权重值,包括:
枚举所述数据帧中出现的目标类,获得类目标集合;
从所述类目标集合中剔除所述第一当前的目标类;
累计所述类目标集合中每个目标类的所述第一权重值,获得所述数据帧的第二权重值并进行归一化处理。
根据上述技术手段,通过数据帧中其他目标类的第一权重值来计算数据帧的第二权重值,能够准确客观地衡量数据帧的重要性。
可选地,在所述类样本池中采样,获得所述第一当前的目标类的重采样数据,包括:
根据所述样本集中包含所述第一当前的目标类的帧数,确定采样数量;
基于所述采样数量,在所述类样本池中采样,获得所述第一当前的目标类的重采样数据。
根据上述技术手段,通过动态确定采样数量,能够减少目标类的样本数量,避免重采样后的样本数据量激增的情形。
可选地,所述根据所述样本集中包含所述第一当前的目标类的帧数,确定采样数量,包括:
当所述样本集中的数据帧的总数小于预设的平均帧数时,将预设的平均帧数设为所述采样数量;
否则,累计所述样本集中包含所述第一当前的目标类的帧数,获得已采帧数,当所述已采帧数小于预设的平均帧数时,将预设的平均帧数与所述已采帧数的差值设为所述采样数量。
根据上述技术手段,根据预设的平均帧数和样本集中包含第一当前的目标类的帧数来动态确定采样数量,既能确保样本集中各个目标类的帧数满足重采样的要求,又能避免重采样后的样本数据量激增的情形。
可选地,所述根据所述样本集获得重采样结果,包括:
将所述样本集保存至采样池;
重新执行上述遍历操作,获取到下一个样本集,计算所述下一个样本集的均衡度,获得第三均衡度,当所述第三均衡度小于所述第一均衡度时,将所述下一个样本集保存至所述采样池,直至所述采样池中的样本集的数量等于预设方案数;
将所述采样池中均衡度最小的样本集设为所述重采样结果。
根据上述技术手段,通过重采样出多个样本集,然后选择均衡度最小的样本集,进一步保证了重采样结果分布均衡,提高目标检测感知模型的训练效果。
本发明第二方面提供一种点云数据均衡重采样装置,其中,上述装置包括:
均衡度计算模块,用于计算点云数据的第一均衡度以及计算所述样本集的第二均衡度,所述第一均衡度和所述第二均衡度均用于表征数据均匀分布程度;
类重要性模块,用于基于所述点云数据,计算预设目标类集合中每个目标类的第一权重值;
样本集模块,用于按照所述第一权重值降序排列的顺序遍历所述预设目标类集合,获得第一当前的目标类,根据所述第一当前的目标类在所述点云数据中进行采样,获得类样本池,计算所述类样本池中每个数据帧的第二权重值,将所述第二权重值作为采样概率在所述类样本池中采样,获得所述第一当前的目标类的重采样数据并保存至样本集,所述样本集中包括所述预设目标类集合中每一目标类的重采样数据;
结果模块,用于当所述第二均衡度大于所述第一均衡度时,重新执行上述遍历操作以重新获取所述样本集;当所述第二均衡度小于或等于所述第一均衡度时,根据所述样本集获得重采样结果。
可选的,所述均衡度计算模块包括遍历单元和均衡度单元,所述遍历单元用于遍历所述预设目标类集合,获得第二当前的目标类,在所述点云数据或所述样本集的每一帧中查找所述第二当前的目标类,累计找到所述第二当前的目标类的帧数,获得所述第二当前的目标类的类帧数;所述均衡度单元用于根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的概率,基于所有的所述概率,获得所述预设目标类集合的概率分布,计算所述概率分布的方差,获得所述均衡度。
可选的,所述类重要性模块包括遍历单元和权重值单元,所述遍历单元用于遍历所述预设目标类集合,获得第三当前的目标类,在所述点云数据的每一帧中查找所述第三当前的目标类,累计找到所述第三当前的目标类的帧数,获得所述第三当前的目标类的类帧数;所述权重值单元用于根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的重要性评估值,所述重要性评估值与所述类帧数之间反相关,根据所述目标类的重要性评估值,获得所述第一权重值。
可选的,所述样本集模块包括帧重要性单元,所述帧重要性单元用于枚举所述类样本池中的数据帧中出现的目标类,获得类目标集合,从所述类目标集合中剔除所述第一当前的目标类,累计所述类目标集合中每个目标类的所述第一权重值,获得所述数据帧的第二权重值并进行归一化处理。
可选的,所述样本集模块包括采样数量单元,所述采样数量单元用于当所述样本集中的数据帧的总数小于预设的平均帧数时,将预设的平均帧数设为所述采样数量;否则,累计所述样本集中包含所述第一当前的目标类的帧数,获得已采帧数,当所述已采帧数小于预设的平均帧数时,将预设的平均帧数与所述已采帧数的差值设为所述采样数量。
可选的,还包括采样池模块,所述采样池模块用于保存所述样本集,当所述采样池中的样本集的数量小于预设方案数时,重新执行上述遍历操作,获取到下一个样本集,计算所述下一个样本集的均衡度,获得第三均衡度,当所述第三均衡度小于所述第一均衡度时,将所述下一个样本集保存至所述采样池,直至所述采样池中的样本集的数量等于预设方案数,将所述采样池中均衡度最小的样本集设为所述重采样结果。
本发明第三方面提供一种用于自动驾驶的目标检测设备,所述目标检测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的目标检测感知模型,所述目标检测感知模型训练时采用的训练样本为执行上述任意一项所述点云数据均衡重采样方法获得的样本数据。
本发明第四方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的点云数据均衡重采样程序,上述点云数据均衡重采样程序被上述处理器执行时实现任意一项上述点云数据均衡重采样方法的步骤。
本发明第五方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有点云数据均衡重采样程序,上述点云数据均衡重采样程序被处理器执行时实现任意一项上述点云数据均衡重采样方法的步骤。
由上可见,本发明的点云数据均衡重采样方法、装置、目标检测设备、智能终端及计算机可读存储介质,通过计算目标类的权重值和数据帧的权重值,在随机采样目标类的数据帧时,提高了重要类及重要帧的采样概率,降低长尾分布现象,并能减少目标类的样本数量,避免重采样的样本数据量激增的情形;还根据针对重采样数据专门设计的均衡度指标对比了重采样前后的数据分布情况,确保重采样的样本数据的均衡程度,提高目标检测感知模型的训练效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的点云数据均衡重采样方法的流程示意图;
图2是图1实施例中计算均衡度的流程示意图;
图3是图1实施例中计算目标类的第一权重值的流程示意图;
图4是图1实施例中计算数据帧的第二权重值的流程示意图;
图5是本发明实施例提供的点云数据均衡重采样装置的结构示意图;
图6是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
下面详细描述本发明的实施例,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,旨在用于解释本发明,而不能理解为对本发明的限制。
采集的点云数据中每一帧都可能存在多个目标,如大卡车、小汽车、障碍物、水马、隔离带、绿化带等,自动驾驶过程中,需要目标检测感知模型准确地检测点云数据中每一帧中存在的目标,并判定目标所属的类别(即目标类)。依据目标的类别来执行后续的跟踪、规控算法。因此,用于训练目标检测感知模型的点云数据样本需要包括各个目标类的样本,且保证每个目标类都具备一定数量的样本,这样才能使得目标检测感知模型的训练效果更好,目标检测感知模型的精度更高。常见的目标类有:车辆类、障碍物类和行人类等,所有的目标类组成目标类集合。需要说明的是,目标类的具体内容不做限制,可以根据自动驾驶场景需要而预先设定。
然而,由于数据采集的局限性,直接采集的点云数据存在较为严重的长尾现象,如大卡车,小汽车等目标占据着较大的比例,而障碍物,水马等目标类只占据较小的比例,这种长尾现象在训练时,往往会导致尾部类的准确率较低。
为缓解这种长尾分布现象,常对采集到的点云数据进行再次采样(即重采样),通过统计包含每个目标类的帧数,计算出所有目标类的平均帧数。然后进行随机采样来使得每个目标类能达到平均帧数。但是重采样后的样本的数据量更大,增加训练成本,而且不能有效地降低长尾分布效应,也会使得重采样后的样本的数据分布更加不均衡。
本发明通过按照目标类的重要性来逐类采集点云数据,并在采集每个目标类的点云数据时,衡量数据帧的重要性,以在随机采样目标类的数据帧时,提高重要类数据帧的采样概率,能够降低长尾分布现象;并针对点云数据重采样的特性,设计了量化点云数据分布均衡度的指标来对比重采样前后的数据分布情况,确保重采样后的样本数据分布均衡。
具体地,本实施例提供了一种点云数据均衡重采样方法,运行在电子设备上,用于对已采集到的激光点云数据进行重采样,将重采样后的样本数据作为训练数据集来训练目标检测感知模型。能够缓解当前重采样激光点云训练数据出现的长尾分布现象,同时降低重采样所带来的训练数据激增,训练时间增加的问题。
重采样的步骤如图1所示,具体包括:
步骤S100:计算点云数据的用于表征数据均匀分布程度的第一均衡度;
均衡度为数据离散程度的量化指标,用来表征数据均匀分布程度。深度学习模型训练时,样本数据分布越均衡,模型训练效果越好。也就是说,重采样后的样本数据分布越均衡,模型训练效果越好。然而重采样会带来数据量激增,很可能重采样后的样本数据的均衡度会变差。为了确保重采样后的样本数据分布仍均衡,因此,首先计算点云数据的均衡度,获得第一均衡度,后续再计算重采样后的数据的均衡度,通过比较重采样前后的均衡度来判定数据分布的变化情况,确保重采样后的样本数据分布均衡。
方差能够反映一组数据与其平均值的偏离程度。通常可以将方差作为点云数据的均衡度指标。
考虑到对采集的点云数据重采样后,获得的重采样后的样本数据的数据量将增加一个量级。此时直接计算重采样后的样本数据的方差,将该方差与原始点云数据的方差直接比较时并不是在同一标准下对比重采样前后的均衡程度,比较结果不准确。因此,本实施例采用了一种计算归一化后的方差来衡量点云数据的均衡度。
计算均衡度的步骤如图2所示,具体包括:
步骤S110:遍历预设目标类集合,获得当前的目标类,在点云数据的每一帧中查找当前的目标类,累计找到当前的目标类的帧数,获得当前的目标类的类帧数;
点云数据的每一数据帧中都可能会存在多个目标类,例如:在一个数据帧中,既有汽车类、又有行人类,还可能有障碍物类。因此,每一个目标类会在多个数据帧中出现,每个数据帧中能查找到多个目标类。通过遍历预设目标类集合中的每一个目标类,累计当前正在遍历的目标类(即当前的目标类)出现在数据帧中的次数,获得当前的目标类的类帧数。假定目标类为行人类,共在2000帧中都出现了行人,则行人类的类帧数为2000。最终获取到预设目标类集合中每个目标类的类帧数。可以将其表示为:(s1,s2,...,sn),其中s i表示第i个目标类的类帧数。
步骤S120:根据预设目标类集合中所有目标类的类帧数,计算预设目标类集合中每一个目标类的概率;
步骤S130:基于所有的上述概率,获得预设目标类集合的概率分布;
步骤S140:计算概率分布的方差,获得均衡度。
根据预设目标类集合中所有目标类的类帧数,计算预设目标类集合中每一个目标类的概率,具体公式为:,其中P i表示第i个目标类的概率,s i表示第i个目标类的类帧数。
将预设目标类集合中所有目标类的概率组成预设目标类集合的概率分布:(p 1 , p 2 ,..., p n )。然后计算概率分布的方差,获得均衡度:。
通过计算归一化后的方差,能在同一标准下对比重采样前后的点云数据的离散程度,比对结果更加可靠。
步骤S200:基于上述点云数据,计算预设目标类集合中每个目标类的第一权重值;
不同目标类在点云数据中的出现概率是不同的,比如修路标志等故障警示类的出现概率就较小。因此,相对来说,重采样时这些目标类应当重点关注,优先满足这些目标类的平均帧数,才能既降低重采样数据的数据量,又改善长尾分布效应。而目前在重采样时,并没有区分目标类的重要性,而是在点云数据中不断地随机采样,通过增加数据量来使得每个类能达到平均帧数,导致重采样数据的数据量激增,数据分布的离散程度变大。
本实施例通过分析点云数据,计算预设目标类集合中每个目标类的第一权重值来确定类的重要性,重采样时先采样重要的类对应的点云数据。
具体地,计算目标类的第一权重值的步骤如图3所示,包括:
步骤S210:遍历预设目标类集合,获得当前的目标类,在点云数据的每一帧中查找当前的目标类,累计找到当前的目标类的帧数,获得当前的目标类的类帧数;
首先遍历预设目标类集合,统计每个目标类的类帧数。遍历的具体过程可以参考步骤S110中的描述,在此不再赘述。
步骤S220:根据预设目标类集合中所有目标类的类帧数,计算预设目标类集合中每一个目标类的重要性评估值,上述重要性评估值与类帧数之间反相关;
步骤S230:根据目标类的重要性评估值,获得第一权重值。
当目标类在点云数据中的类帧数s i越小,在重采样过程中应当重点关注,其重要性也就越高。基于这个准则,本发明设计了用来评估目标类的重要性的量化指标。
首先根据预设目标类集合中所有目标类的类帧数,计算预设目标类集合中每一个目标类的重要性评估值k i。具体计算公式为:。由上式可以看出,目标类的重要性评估值与类帧数之间为反相关:目标类的类帧数越少,目标类的重要性评估值越大。
获得目标类的重要性评估值后,可以直接将目标类的重要性评估值作为目标类的第一权重值。
本实施例考虑到所有类目标的重要性评估值之和:,并不等于1,因此还对目标类的重要性评估值k i进行了归一化,将归一化后的重要性评估值作为目标类的第一权重值,使得第一权重值表达得更加准确、形象。归一化的具体表达式为:。
步骤S300:按照第一权重值降序排列的顺序遍历预设目标类集合,获得当前的目标类,根据当前的目标类在点云数据中进行采样,获得类样本池,计算类样本池中每个数据帧的第二权重值,将第二权重值作为采样概率在类样本池中采样,获得当前的目标类的重采样数据并保存至样本集;
获得预设目标类集合中每一个目标类的第一权重值后,再按照第一权重值降序排列的顺序遍历预设目标类集合,依序针对预设目标类集合中每个目标类进行采样,获得预设目标类集合中各个目标类的重采样数据,并将每个目标类的重采样数据保存至样本集。也就是说,样本集中包括预设目标类集合中每个目标类的重采样数据。重采样的最终指标是每个目标类在样本集的数据帧中出现的总次数大于或等于平均帧数。例如:假定平均帧数是10,预设目标类集合包括目标类A、目标类B和目标类C,重采样完成后,在样本集中的所有数据帧中至少能找到10帧包含目标类A的数据帧,对于目标类B、目标类C也同样。通过规定目标类的采样顺序,首先对重要的目标类采样,能够提高重要类的采样概率。降低长尾分布现象。
具体地,采样目标类的重采样数据时,先在点云数据中采样到包含目标类的数据帧,这些数据帧的集合形成类样本池。需要说明的是,类样本池中的每一数据帧并不仅仅包含正在采样的目标类,还会包含其他的目标类,并且每一数据帧中包含其他的目标类的数量也是不定的。
因此,为了控制重采样数据的数据量,本发明还计算了类样本池中每个数据帧的第二权重值,通过第二权重值来衡量不同帧之间的重要性,将第二权重值作为类样本池中各个数据帧的采样概率,然后在类样本池中采样,获得当前的目标类的重采样数据。例如:累计类样本池中各个数据帧中除了当前的目标类之外还包括的其他的目标类的总数作为第二权重值或者累计类样本池中各个数据帧中除了当前的目标类之外还包括的其他的目标类的第一权重值作为第二权重值,也就是说,在重要性评估值高的目标类优先采集的前提下,还提高目标类的类样本池中包含更多目标类的数据帧的采样概率,提高样本集中包含各个目标类的类帧数,快速使得类帧数大于或等于平均帧数。
基于上述内容,采样过程中,在不同的目标类的类样本池中所需采样的目标数量是不同的,需要根据样本集中包含当前的目标类的帧数来确定采样数量。本实施例确定采样数量的具体过程为:当样本集中的数据帧的总数小于预设的平均帧数时,将预设的平均帧数设为采样数量,比如当前的目标类为预设目标类集合中第一权重值最大的目标类时,此时样本集中的数据帧的总数为0,则可以一次性采样预设的平均帧数数量的点云数据帧,保存至样本集,则当前的目标类的类帧数就满足重采样的类帧数要求。当样本集中的数据帧的总数大于或等于预设的平均帧数时,意味着当前的目标类不是预设目标类集合中第一权重值最大的目标类。例如:按照第一权重值排序后预设目标类集合的目标类为:目标类A、目标类B、目标类C,若当前的目标类为目标类B,则样本集中已保存了目标类A的重采样数据,此时样本集中的数据帧的总数等于预设的平均帧数。由于目标类A的重采样数据中的每一数据帧也可能包括目标类B,因此要使得目标类B对应的类帧数也大于或等于预设的平均帧数,对目标类B的采样数量就可以根据样本集中目标类B的已采帧数来动态确定。具体地,首先累计样本集中包含当前的目标类的帧数,获得当前的目标类的已采帧数,若当前的目标类的已采帧数小于预设的平均帧数时,将预设的平均帧数与已采帧数相减,获得的差值就是当前的目标类的采样数量;若当前的目标类的已采帧数大于或等于预设的平均帧数时,则表示当前的目标类的类帧数已满足要求,则可以跳过当前的目标类,直接采样预设目标类集合中下一个目标类,获得下一个目标类的重采样数据。
通过对样本集进行分析,统计样本集中包含当前的目标类的帧数,来动态确定采样数量,既能够减少目标类的样本,减少训练样本的总数,又能够在一定程度上降低长尾分布现象。
步骤S400:计算样本集的均衡度,获得第二均衡度;
步骤S500:当第二均衡度小于第一均衡度时,输出样本集,否则重新执行上述遍历操作以重新获取样本集。
为了保持重采样获得的样本集中的数据的均衡程度,获得样本集后,还计算了样本集的均衡度,获得第二均衡度,比较第一均衡度和第二均衡度,只有第二均衡度小于第一均衡度时,才认为重采样获得的样本集的均衡程度是合格的,否则,返回步骤S300重新执行遍历操作,获得一个新的样本集,直至样本集的均衡程度合格,才输出样本集,作为用于训练目标检测感知模型的训练样本。
由上可知,本实施例计算了目标类的权重值和数据帧的权重值,在随机采样目标类的数据帧时,提高了重要类及重要帧的采样概率,降低长尾分布现象,并能减少目标类的样本和训练样本,避免重采样的样本数据量激增的情形;还根据针对重采样数据专门设计的均衡度指标对比了重采样前后的数据分布情况,确保重采样后的样本数据的均衡程度,提高目标检测感知模型的训练效果。
在一个实施例中,计算类样本池中的数据帧的第二权重值具体步骤如图4所示,包括:
步骤S310:枚举数据帧中出现的目标类,获得类目标集合;
步骤S320:从类目标集合中剔除当前的目标类;
步骤S330:累计类目标集合中每个目标类的第一权重值,获得数据帧的第二权重值并进行归一化处理。
每个数据帧上存在不同的目标,如何衡量帧的重要性,通过帧的重要性来确定采样过程中数据帧的采样概率,以便采样时依据重要性进行采样,降低长尾效应、减少采样数量是至关重要的。
本实施例通过枚举数据帧中出现的每一个目标类,获得由所有目标类组成的目标类集合,由于类样本池是针对于当前的目标类在点云数据中采样获得的,类样本池中的每一个数据帧都包含当前的目标类。因此数据帧的重要性应该排除当前的目标类,由其他的目标类来衡量,即需要从类目标集合中剔除当前的目标类,类目标集合更新后,然后根据类目标集合来衡量数据帧的重要性。具体地,根据步骤S200中计算的每一个目标类的第一权重值,累计类目标集合中每个目标类的第一权重值,累计的结果作为数据帧的第二权重值;获得类样本池中每一数据帧的第二权重值后,再对每一数据帧的第二权重值进行归一化处理。
具体过程可以表示为:假定类样本池为u{f 1,f 2,…,f n},f i 为数据帧,包含了当前的目标类c i ,以及其他的目标类c 1 ,…,c m ,(需要说明的是:f 1, f 2 中均会包含当前的目标类c i ,但是包含的其他目标类则各不相同,m的数量也不相同)。数据帧的第二权重值计算方法为:,其中k c1表示目标类c1的第一权重值,k c2表示目标类c2的第一权重值,当前类样本池中每个数据帧的第二权重值为{o 1,o 2,…,o n },对第二权重值进行归一化处理的表达式为:/>,其中o i表示第i个数据帧的第二权重值。
通过上述计算第二权重值来反应数据帧的重要性,考虑了数据帧中其他目标类的重要性,能得到均衡度更高的重采样数据。
在一个实施例中,为了使得重采样获得的样本集的数据分布均衡度更好,进行了多轮次采集,每一轮次获得一个样本集,最后输出均衡度最小的样本集,确保重采样后点云数据的均衡性。
具体地,在上述步骤S500中,当第二均衡度小于第一均衡度时,并没有直接输出该轮次获得的样本集,而是将样本集保存至采样池;再重新执行步骤S300,即重新执行遍历操作,获取到下一个样本集,计算下一个样本集的均衡度,获得第三均衡度,当第三均衡度小于第一均衡度时,将下一个样本集保存至采样池,如此循环,直至采样池中的样本集的数量等于预设方案数(本实施例设为10个)。然后比较采样池中每个样本集的均衡度,将均衡度最小的样本集作为最终的采样结果,作为用于训练目标检测感知模型的训练样本。
综上所述,本实施例的实现过程为:首先初始化采样池和初始化样本集。计算每个目标类的重要性,按照目标类的重要性从高至低的顺序在点云数据中进行采样,获得各个目标类的类样本池。假定当前的目标类为i类,在当前的类样本池中采样之前,首先计算类样本池中每个数据帧的重要性作为采样概率,然后计算样本集中包含当前的目标类i的总帧数,若总帧数大于预设的平均帧数,则不进行采样;若总帧数小于预设的平均帧数y则进行采样。所有目标类完成采样后,计算样本集的均衡度,若小于点云数据的均衡度,则将样本集加入采样池,若大于点云数据的均衡度,则进行下一轮次的随机采样,直至采样池中的样本集总数为10,最后选择采样池中均衡度最小的样本集作为训练数据集。
如图5所示,对应于上述点云数据均衡重采样方法,本发明实施例还提供一种点云数据均衡重采样装置,上述装置包括:
均衡度计算模块600,用于计算点云数据的第一均衡度以及计算所述样本集的第二均衡度,所述第一均衡度和所述第二均衡度均用于表征数据均匀分布程度;
类重要性模块610,用于基于所述点云数据,计算预设目标类集合中每个目标类的第一权重值;
样本集模块620,用于按照所述第一权重值降序排列的顺序遍历所述预设目标类集合,获得第一当前的目标类,根据所述第一当前的目标类在所述点云数据中进行采样,获得类样本池,计算所述类样本池中每个数据帧的第二权重值,将所述第二权重值作为采样概率在所述类样本池中采样,获得所述第一当前的目标类的重采样数据并保存至样本集,所述样本集中包括所述预设目标类集合中每一目标类的重采样数据;
结果模块630,用于当所述第二均衡度大于所述第一均衡度时,重新执行上述遍历操作以重新获取所述样本集;当所述第二均衡度小于或等于所述第一均衡度时,根据所述样本集获得重采样结果。
可选的,所述均衡度计算模块包括遍历单元和均衡度单元,所述遍历单元用于遍历所述预设目标类集合,获得第二当前的目标类,在所述点云数据或所述样本集的每一帧中查找所述第二当前的目标类,累计找到所述第二当前的目标类的帧数,获得所述第二当前的目标类的类帧数;所述均衡度单元用于根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的概率,基于所有的所述概率,获得所述预设目标类集合的概率分布,计算所述概率分布的方差,获得所述均衡度。
可选的,所述类重要性模块包括遍历单元和权重值单元,所述遍历单元用于遍历所述预设目标类集合,获得第三当前的目标类,在所述点云数据的每一帧中查找所述第三当前的目标类,累计找到所述第三当前的目标类的帧数,获得所述第三当前的目标类的类帧数;所述权重值单元用于根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的重要性评估值,所述重要性评估值与所述类帧数之间反相关,根据所述目标类的重要性评估值,获得所述第一权重值。
可选的,所述样本集模块包括帧重要性单元,所述帧重要性单元用于枚举所述类样本池中的数据帧中出现的目标类,获得类目标集合,从所述类目标集合中剔除所述第一当前的目标类,累计所述类目标集合中每个目标类的所述第一权重值,获得所述数据帧的第二权重值并进行归一化处理。
可选的,所述样本集模块包括采样数量单元,所述采样数量单元用于当所述样本集中的数据帧的总数小于预设的平均帧数时,将预设的平均帧数设为所述采样数量;否则,累计所述样本集中包含所述第一当前的目标类的帧数,获得已采帧数,当所述已采帧数小于预设的平均帧数时,将预设的平均帧数与所述已采帧数的差值设为所述采样数量。
可选的,还包括采样池模块,所述采样池模块用于保存所述样本集,当所述采样池中的样本集的数量小于预设方案数时,重新执行上述遍历操作,获取到下一个样本集,计算所述下一个样本集的均衡度,获得第三均衡度,当所述第三均衡度小于所述第一均衡度时,将所述下一个样本集保存至所述采样池,直至所述采样池中的样本集的数量等于预设方案数,将所述采样池中均衡度最小的样本集设为所述重采样结果。
具体的,本实施例中,上述点云数据均衡重采样装置的各模块的具体功能可以参照上述点云数据均衡重采样方法中的对应描述,在此不再赘述。
基于上述实施例,本发明还提供了一种用于自动驾驶的目标检测设备,包括存储器和处理器,存储器上存储有可在处理器上运行的目标检测感知模型,目标检测感知模型训练时采用的训练样本为执行上述任意一种点云数据均衡重采样方法获得的样本数据。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图6所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中,该电动汽车的处理器用于提供计算和控制能力。该电动汽车的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和点云数据均衡重采样程序。该内存储器为非易失性存储介质中的操作系统和点云数据均衡重采样程序的运行提供环境。该电动汽车的网络接口用于与外部的终端通过网络连接通信。该点云数据均衡重采样程序被处理器执行时实现上述任意一种点云数据均衡重采样方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图6中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有点云数据均衡重采样程序,上述点云数据均衡重采样程序被处理器执行时实现本发明实施例提供的任意一种点云数据均衡重采样方法的步骤。
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N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。在本发明的描述中,“N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N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,并且本发明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,这应被本发明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N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,本发明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,N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,在本发明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发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (17)
1.点云数据均衡重采样方法,其特征在于,所述方法包括:
计算点云数据的用于表征数据均匀分布程度的第一均衡度;
基于所述点云数据,计算预设目标类集合中每个目标类的第一权重值;
按照所述第一权重值降序排列的顺序遍历所述预设目标类集合,获得第一当前的目标类,根据所述第一当前的目标类在所述点云数据中进行采样,获得类样本池,计算所述类样本池中每个数据帧的第二权重值,将所述第二权重值作为采样概率在所述类样本池中采样,获得所述第一当前的目标类的重采样数据并保存至样本集,所述样本集中包括所述预设目标类集合中每个目标类的重采样数据;
计算所述样本集的用于表征数据均匀分布程度的第二均衡度;
当所述第二均衡度大于所述第一均衡度时,重新执行上述遍历操作以重新获取所述样本集;
当所述第二均衡度小于或等于所述第一均衡度时,根据所述样本集获得重采样结果。
2.如权利要求1所述的点云数据均衡重采样方法,其特征在于,计算目标数据的均衡度,包括:
遍历所述预设目标类集合,获得第二当前的目标类,在所述目标数据的每一帧中查找所述第二当前的目标类,累计找到所述第二当前的目标类的帧数,获得所述第二当前的目标类的类帧数,所述目标数据为所述点云数据或所述样本集;
根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的概率;
基于所有的所述概率,获得所述预设目标类集合的概率分布;
计算所述概率分布的方差,当所述目标数据为所述点云数据时,获得所述第一均衡度,当所述目标数据为所述样本集时,获得所述第二均衡度。
3.如权利要求1所述的点云数据均衡重采样方法,其特征在于,基于所述点云数据,计算目标类的第一权重值,包括:
遍历所述预设目标类集合,获得第三当前的目标类,在所述点云数据的每一帧中查找所述第三当前的目标类,累计找到所述第三当前的目标类的帧数,获得所述第三当前的目标类的类帧数;
根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的重要性评估值,所述重要性评估值与所述类帧数之间反相关;
根据所述目标类的重要性评估值,获得所述第一权重值。
4.如权利要求3所述的点云数据均衡重采样方法,其特征在于,所述根据所述目标类的重要性评估值,获得所述第一权重值,包括:
根据所述预设目标类集合中所有目标类的重要性评估值,对所述目标类的重要性评估值进行归一化,获得所述第一权重值。
5.如权利要求1所述的点云数据均衡重采样方法,其特征在于,计算所述类样本池中的数据帧的第二权重值,包括:
枚举所述数据帧中出现的目标类,获得类目标集合;
从所述类目标集合中剔除所述第一当前的目标类;
累计所述类目标集合中每个目标类的所述第一权重值,获得所述数据帧的第二权重值并进行归一化处理。
6.如权利要求1所述的点云数据均衡重采样方法,其特征在于,在所述类样本池中采样,获得所述第一当前的目标类的重采样数据,包括:
根据所述样本集中包含所述第一当前的目标类的帧数,确定采样数量;
基于所述采样数量,在所述类样本池中采样,获得所述第一当前的目标类的重采样数据。
7.如权利要求6所述的点云数据均衡重采样方法,其特征在于,所述根据所述样本集中包含所述第一当前的目标类的帧数,确定采样数量,包括:
当所述样本集中的数据帧的总数小于预设的平均帧数时,将预设的平均帧数设为所述采样数量;
否则,累计所述样本集中包含所述第一当前的目标类的帧数,获得已采帧数,当所述已采帧数小于预设的平均帧数时,将预设的平均帧数与所述已采帧数的差值设为所述采样数量。
8.如权利要求1所述的点云数据均衡重采样方法,其特征在于,所述根据所述样本集获得重采样结果,包括:
将所述样本集保存至采样池;
重新执行上述遍历操作,获取到下一个样本集,计算所述下一个样本集的均衡度,获得第三均衡度,当所述第三均衡度小于所述第一均衡度时,将所述下一个样本集保存至所述采样池,直至所述采样池中的样本集的数量等于预设方案数;
将所述采样池中均衡度最小的样本集设为所述重采样结果。
9.点云数据均衡重采样装置,其特征在于,所述装置包括:
均衡度计算模块,用于计算点云数据的第一均衡度以及计算样本集的第二均衡度,所述第一均衡度和所述第二均衡度均用于表征数据均匀分布程度;
类重要性模块,用于基于所述点云数据,计算预设目标类集合中每个目标类的第一权重值;
样本集模块,用于按照所述第一权重值降序排列的顺序遍历所述预设目标类集合,获得第一当前的目标类,根据所述第一当前的目标类在所述点云数据中进行采样,获得类样本池,计算所述类样本池中每个数据帧的第二权重值,将所述第二权重值作为采样概率在所述类样本池中采样,获得所述第一当前的目标类的重采样数据并保存至样本集,所述样本集中包括所述预设目标类集合中每一目标类的重采样数据;
结果模块,用于当所述第二均衡度大于所述第一均衡度时,重新执行上述遍历操作以重新获取所述样本集;当所述第二均衡度小于或等于所述第一均衡度时,根据所述样本集获得重采样结果。
10.如权利要求9所述的点云数据均衡重采样装置,其特征在于,所述均衡度计算模块包括遍历单元和均衡度单元,所述遍历单元用于遍历所述预设目标类集合,获得第二当前的目标类,在所述点云数据或所述样本集的每一帧中查找所述第二当前的目标类,累计找到所述第二当前的目标类的帧数,获得所述第二当前的目标类的类帧数;所述均衡度单元用于根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的概率,基于所有的所述概率,获得所述预设目标类集合的概率分布,计算所述概率分布的方差,获得所述均衡度。
11.如权利要求9所述的点云数据均衡重采样装置,其特征在于,所述类重要性模块包括遍历单元和权重值单元,所述遍历单元用于遍历所述预设目标类集合,获得第三当前的目标类,在所述点云数据的每一帧中查找所述第三当前的目标类,累计找到所述第三当前的目标类的帧数,获得所述第三当前的目标类的类帧数;所述权重值单元用于根据所述预设目标类集合中所有目标类的类帧数,计算所述预设目标类集合中每一个目标类的重要性评估值,所述重要性评估值与所述类帧数之间反相关,根据所述目标类的重要性评估值,获得所述第一权重值。
12.如权利要求9所述的点云数据均衡重采样装置,其特征在于,所述样本集模块包括帧重要性单元,所述帧重要性单元用于枚举所述类样本池中的数据帧中出现的目标类,获得类目标集合,从所述类目标集合中剔除所述第一当前的目标类,累计所述类目标集合中每个目标类的所述第一权重值,获得所述数据帧的第二权重值并进行归一化处理。
13.如权利要求9所述的点云数据均衡重采样装置,其特征在于,所述样本集模块包括采样数量单元,所述采样数量单元用于当所述样本集中的数据帧的总数小于预设的平均帧数时,将预设的平均帧数设为所述采样数量;否则,累计所述样本集中包含所述第一当前的目标类的帧数,获得已采帧数,当所述已采帧数小于预设的平均帧数时,将预设的平均帧数与所述已采帧数的差值设为所述采样数量。
14.如权利要求9所述的点云数据均衡重采样装置,其特征在于,还包括采样池模块,所述采样池模块用于保存所述样本集,当所述采样池中的样本集的数量小于预设方案数时,重新执行上述遍历操作,获取到下一个样本集,计算所述下一个样本集的均衡度,获得第三均衡度,当所述第三均衡度小于所述第一均衡度时,将所述下一个样本集保存至所述采样池,直至所述采样池中的样本集的数量等于预设方案数,将所述采样池中均衡度最小的样本集设为所述重采样结果。
15.用于自动驾驶的目标检测设备,其特征在于,所述目标检测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的目标检测感知模型,所述目标检测感知模型训练时采用的训练样本为执行如权利要求1-8任意一项所述点云数据均衡重采样方法获得的样本数据。
16.智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的点云数据均衡重采样程序,所述点云数据均衡重采样程序被所述处理器执行时实现如权利要求1-8任意一项所述点云数据均衡重采样方法的步骤。
17.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上存储有点云数据均衡重采样程序,所述点云数据均衡重采样程序被处理器执行时实现如权利要求1-8任意一项所述点云数据均衡重采样方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784732.3A CN116778274A (zh) | 2023-06-29 | 2023-06-29 | 点云数据均衡重采样方法、装置、目标检测设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310784732.3A CN116778274A (zh) | 2023-06-29 | 2023-06-29 | 点云数据均衡重采样方法、装置、目标检测设备及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116778274A true CN116778274A (zh) | 2023-09-19 |
Family
ID=87987713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310784732.3A Pending CN116778274A (zh) | 2023-06-29 | 2023-06-29 | 点云数据均衡重采样方法、装置、目标检测设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778274A (zh) |
-
2023
- 2023-06-29 CN CN202310784732.3A patent/CN116778274A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932510B (zh) | 一种图像清晰度的确定方法及装置 | |
CN104883158B (zh) | 电动汽车加速踏板信号的滤波方法及滤波装置 | |
CN110473085B (zh) | 一种车辆风险判别方法和装置 | |
CN114596440B (zh) | 语义分割模型的生成方法、装置、电子设备及存储介质 | |
CN115648944A (zh) | 动力电池的预警方法、装置、设备和存储介质 | |
CN117540153B (zh) | 一种隧道监测数据预测方法及系统 | |
CN116778274A (zh) | 点云数据均衡重采样方法、装置、目标检测设备及终端 | |
CN110535779B (zh) | 流量降级方法及装置 | |
CN110450788B (zh) | 一种驾驶模式切换方法、装置、设备及存储介质 | |
CN114612757B (zh) | 一种基于深度学习的多源导航图像融合方法及系统 | |
CN115163266A (zh) | 一种颗粒捕集器灰分负荷确定方法、装置、设备和介质 | |
CN115115531A (zh) | 图像去噪方法、装置、车辆及存储介质 | |
CN114355234A (zh) | 一种电源模块的智能化质量检测方法及系统 | |
CN114779235A (zh) | 基于车载毫米波雷达的道路边界检测方法和系统 | |
CN113807221A (zh) | 轨迹质量识别方法、装置、电子设备及可读存储介质 | |
CN112149833B (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
CN116403080B (zh) | 一种人脸聚类评价方法、系统、计算机及可读存储介质 | |
CN114913469B (zh) | 一种车辆长度估计模型建立的方法、终端设备及存储介质 | |
CN115114966B (zh) | 模型的操作策略的确定方法、装置、设备及存储介质 | |
CN118070154B (zh) | 一种基于lstm神经网络驾驶疲劳判别方法和装置 | |
CN111161548B (zh) | 车载双目摄像机及其计算相对速度的方法 | |
CN115273456B (zh) | 一种两轮电动车违规行驶的判定方法、系统和存储介质 | |
CN113240019B (zh) | 验证集损失曲线修正方法、装置、终端设备及存储介质 | |
CN110276322B (zh) | 一种结合车机闲散资源的图像处理方法及装置 | |
CN117454929A (zh) | 神经网络阈值确定与动态调整的方法、装置、车辆及介质 |
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 |