CN117115179A - 一种基于最近邻knn算法的逐帧点云快速实例分割方法及装置 - Google Patents
一种基于最近邻knn算法的逐帧点云快速实例分割方法及装置 Download PDFInfo
- Publication number
- CN117115179A CN117115179A CN202311144242.3A CN202311144242A CN117115179A CN 117115179 A CN117115179 A CN 117115179A CN 202311144242 A CN202311144242 A CN 202311144242A CN 117115179 A CN117115179 A CN 117115179A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- frame
- model
- knn
- instance segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 230000011218 segmentation Effects 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 18
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/77—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，有效提升了模型对逐帧点云实例分割的处理效率。属于三维计算机视觉领域。本发明方法步骤包括：首先对相邻每两帧的点云数据进行配准，得到相邻每两帧点云数据之间的参数变换信息；对点云数据进行标准化处理并利用变换信息实现两帧点云的转换；基于最邻近KNN算法的思路搭建一种针对逐帧点云的快速实例分割算法；优化点云搜索速度；将训练的模型和真实值做负反馈网络优化KNN模型；利用该优化模型提前得到下一帧的预测结果。本发明提出的逐帧点云快速实例分割算法大大减少了在模型的推理过程中算力以及加快了模型推理的速度。
Description
技术领域
本发明属于三维计算机视觉领域，一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置。
背景技术
随着计算机视觉的兴起，深度学习作为人工智能的主流技术，已经成功地应用于解决各种二维视觉问题。然而，缺乏深度信息一直是二维视觉的缺陷，因此点云数据开始被广泛应用。点云数据能够极大程度的保留了原始的几何信息而不需要进行任何离散化。因此，它是许多场景理解相关应用的首选表示，如自主驾驶和机器人技术。但由于点云数据量庞大、计算复杂等缘故导致实际应用效率不高且准确率低的缘故，目前点云的实例分割、目标检测技术还面临着诸多挑战。
目前点云在训练后产生的模型对每一帧点云数据的测试和验证都是相互独立的，但是每相邻帧数据都存在极大的相似性。但是目前仍未有对相邻帧点云推理的方法被提出，针对逐帧点云快速实例分割方法能够很好的解决模型在推理过程中的重复计算，节省更多的算力。
K最邻近算法(K-Nearest Neighbors Algorithm，KNN)是一种非参数监督学习分类器，它利用邻近度对单个数据点的分组进行分类或预测，十分契合点云逐帧数据相近的条件。但该算法还存在当点云数据的庞大时计算量过大导致速度变慢，同时当样本不平衡时，新样本的类别偏向训练样本中数量占优的类别，容易导致预测错误的问题。FacebookAI Similarity Search(Faiss)算法是一个Facebook AI团队开源的库，Faiss本质上是一个向量(矢量)数据库。进行搜索时，基础是原始向量数据库，基本单位是单个向量，默认输入一个向量x，返回和x最相似的k个向量。在使用Faiss进行query向量的相似性搜索之前，需要将原始的向量集构建封装成一个索引文件(index file)并缓存在内存中，提供实时的查询计算。
发明内容
为了克服现有技术的不足，本发明提出了一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，利用点云数据的庞大时计算量过大和样本不平衡时导致的效果不佳的特点做出算法优化，使得算法大幅度提升速度和效率。
本发明为实现上述发明目的采用的技术方案如下；第一方面，本发明提供了一种基于最近邻KNN算法的逐帧点云快速实例分割方法，该方法包括以下步骤：
步骤1：对于任一目标物体相邻的两帧点云数据，使用迭代最近法ICP进行配准，得到目标物体相邻的两帧点云数据之间的第一姿态变换参数；
步骤2：根据步骤1得到的第一姿态变换参数，将目标物体相邻的两帧点云数据中的第一帧点云数据拼接到第二帧点云数据，得到第一配准点云数据；
步骤3：获取基础训练验证数据，包括目标物体第一帧点云的数目m，第一帧点云的坐标zi，第一帧点云的目标物体实例分割结果gi，第一配准点云的数目为n，点云数据的坐标为zk，第一配准点云的目标物体实例分割结果以点云坐标作为输入，计算欧式距离得到预测的分类概率，以点云的目标物体实例分割结果作为输出训练KNN模型并基于预测误差进行优化；将第一配准点云输入到优化后的KNN模型，输出预测的点云的目标物体实例分割结果/>得到目标物体类别。
进一步地，步骤1中的相邻的两帧点云数据配准过程如下：
a)预处理：滤波、清洗目标物体点云数据；
b)匹配：利用粗配准的估计矩阵，找目标物体点云最邻近点；
c)加权：调整一些对应点对的权重；
d)剔除不合理的对应目标物体点云；
e)优化目标函数，计算Loss；
其中和/>是第一帧点云和配准目标物体点云对应的第i点，Np表示点云的总数；其中R表示从第一帧点云到第二帧点云的旋转矩阵，t则表示偏移矩阵；
f)最小化Loss，求解当前最优变换；
g)重复执行b-f，迭代直到收敛。
进一步地，步骤3中，设置算法的初始参数，模型K邻近值设为的k＝7，迭代次数初始值t＝10，欧式距离参数di(zi，gi)，点云数据的参数索引index，其中：
zi＝[z1，z2，z3，...，zm]，
gi＝[g1，g2，g3，...，gm]T
zk＝[z1，z2，z3，...，zn]
其中zi表示第一帧点云的坐标，zm表示第m点的坐标，gi表示第一帧点云的目标物体实例分割结果，gm表示第m点的实例分割结果；其中zk表示第一帧点云配准后的坐标，zn表示配准后的第n点的坐标。
进一步地，步骤3中，KNN模型训练的具体过程如下：
a)设置点云的坐标位输入量zi，该点云实例分割的结果为被分类点gi；
b)计算记录gi与验证数据集每个记录的欧式距离di(zi，gi)：
c)对距离di(zi，gi)从小到大进行排序；
d)确定前k个点类别出现的频率，其中k设置为7；
e)出现频率最高的类别作为预测分类，得到训练模型KNN；
f)将步骤二得到的第一配准点云作为模型输入，得到预测结果为：
其中，yn表示第n个配准点云对应的模型KNN的输出预测结果。
进一步地，步骤3中，KNN模型优化过程如下：
a)对点云坐标添加索引Index；
b)利用Faiss算法将点云搜索构建封装成一个索引文件Index iile并缓存在内存中，提供实时的查询计算；
c)基于基础训练验证数据的原始值和通过KNN模型预测数据/>进行相减计算出误差G(y)；
d)对G(y)以负反馈形式传递到模型KNN中，使得模型进行二次优化，最后得到训练模型Model_KNN；
e)将步骤2得到的第一配准点云作为模型Model_KNN输入，得到预测结果为：
其中，y′n表示第n个配准点云对应的模型Model_KNN输出的预测结果。
进一步地，Faiss算法详细步骤如下：
a)将目标物体的原始点云向量化，分成M个子空间，针对每个子空间训练中心点；
b)查找向量对应的中心点；
c)向量减去对应的中心点生成残差向量；
d)针对残差向量生成二级量化器。
第二方面，本发明还提供了一种基于最近邻KNN算法的逐帧点云快速实例分割装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法。
本发明的有益结果主要表现在：由于传统的点云在训练后产生的模型对每一帧点云数据的测试和验证都是相互独立的，但是每相邻帧数据都存在极大的相似性。但是目前仍未有对相邻帧点云推理的方法被提出，为了优化此方法，本发明融入Faiss算法并优化了KNN的算法，提升了模型在训练过程中对逐帧点云实例分割的处理效率。
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做简单地介绍，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前提下，还可以根据这些附图获得其他附图。
图1为本发明的流程图；
图2为传统模型推理过程流程图；
图3为本发明推理过程流程图；
图4为本发明推理宏观表现图；
图5为传统模型推理宏观表现图；
图6为本发明一种基于最近邻KNN算法的逐帧点云快速实例分割装置的结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
实施例1:
本发明可应用于点云推理阶段的任何场合，以数据的标注场合结合附图1、图2和图3进行举例说明。
针对现有的数据标注场合，目前需要对激光雷达采集到的目标物体点云信号进行标注处理，针对逐帧点云的目标物体实例分割标注往往是数据重复性大且耗时，本发明提出的一种基于最近邻KNN算法的逐帧点云快速实例分割方法，所述方法包括以下步骤：
步骤1：现有激光雷达采集到的一组目标物体点云数据流数据需要进行标注，针对传入的目标物体点云数据流，将其抽帧处理，每一帧点云表示为独立点云输入。
步骤2：为了获取目标物体相邻点云数据之间的空间转换关系，对于任一组目标物体的相邻的两帧点云数据，使用迭代最近法ICP对相邻的两帧点云数据进行配准，得到所述相邻的两帧点云数据之间的第一姿态变换参数；
a)预处理：滤波、清洗目标物体的第一帧和第二帧点云数据；
b)匹配：利用粗配准的估计矩阵，找最邻近点；
c)加权：调整一些对应点对的权重；
d)剔除不合理的对应点；
e)优化目标函数，计算Loss；
其中和/>是第一帧点云和配准目标点云对应的第i点，Np表示点云的总数；其中R表示从第一帧点云到第二帧点云的旋转矩阵，t则表示偏移矩阵；
f)最小化Loss，求解当前最优变换；
步骤3：根据步骤2所述第一姿态变换参数，利用该参数将所述目标物体的相邻的两帧点云数据中的第一帧点云数据拼接到第二帧点云数据，得到第一配准点云数据；
步骤4：获取基础训练验证数据，包括目标物体的第一帧点云的数目m，对应点云的坐标zi，点云的目标物体实例分割结果gi，第一配准点云的数目为n，点云数据的坐标为zk，点云的目标物体实例分割结果
zk＝R*·zi+t*
步骤5：利用到KNN模型算法，并设置算法的初始参数，模型K邻近值设为的k＝7，迭代次数初始值t＝10，欧式距离参数di(zi，gi)，点云数据的参数索引index，其中：
zi＝[z1，z2，z3，...，zm]，
gi＝[g1，g2，g3，...，gm]T
zk＝[z1，z2，z3，...，zn]
其中zi表示第一帧点云的坐标，gi表示第一帧点云的目标物体实例分割结果；其中zk表示第一帧点云配准后的坐标；
步骤6：开始KNN模型训练，过程如下：
a)设置点云的坐标位输入量zi，该点云实例分割的结果为被分类点gi；
b)计算记录gi与验证数据集每个记录的欧式距离di(zi，gi)：
c)对距离di(zi，gi)从小到大进行排序；
d)确定前k个点类别出现的频率，其中k设置为7；
e)出现频率最高的类别作为预测分类，得到训练模型KNN；
f)将步骤二得到的第一配准点云作为模型输入，得到目标物体的预测分类结果为：
实施例2：
在实施例1的基础上，为了进一步减少KNN模型在对比计算点云空间关系上耗费的时间，本发明利用Faiss算法优化KNN所得到的训练模型，过程如下：
a)对每个点云文件中的点云坐标依次添加索引Index；
b)利用Facebook AI Similarity Search(Faiss)算法将点云搜索构建封装成一个索引文件(Index file)并缓存在内存中，提供实时的查询计算，大大减少了对点云文件的处理计算量；
c)基于验证数据集的原始值和预测数据集/>进行相减计算出误差G(y)：
d)对G(y)以负反馈形式传递到模型中，使得模型进行二次优化，最后得到训练模型Model_KNN；
e)将步骤二得到的第一配准点云作为模型输入，得到目标物体的预测分类结果为：
实施例3：
在实施例1和实施例2的基础上，本发明同样可以用于模型推理阶段，辅助模型提升推理速度，如图4和图5所示，传统推理阶段，针对视频流点云内存在极强的数据关联信息，但是由于推理阶段的独立性导致关联信息被忽略，因此本发明方法在应用于模型推理阶段也能有效较低模型的推理时间，提升推理速度。
步骤1：针对激光雷达采集到的一组目标物体点云数据流数据需要进行推理，针对传入的点云数据流，将其抽帧处理，每一帧点云表示为独立点云输入
步骤2：获取相邻点云数据之间的空间转换关系，对于任一组目标物体的相邻的两帧点云数据，使用迭代最近法ICP对相邻的两帧点云数据进行配准，得到所述相邻的两帧点云数据之间的第一姿态变换参数。
步骤3：在实施例1的基础上，根据步骤2所述第一姿态变换参数，利用该参数将所述相邻的两帧点云数据中的第一帧点云数据拼接到第二帧点云数据，得到第一配准点云数据；
zk＝R*·zi+t*
步骤4：为了进一步减少KNN模型在对比计算点云空间关系上耗费的时间，本发明利用Faiss算法优化KNN所得到的训练模型。
最终将作为第二帧点云的输出结果，经过测试，本发明能在本例中提升模型的推理速度，减少计算机算力和相邻帧之间的相似带来的资源浪费，同时保证了与模型推理结果高达98％的相似程度。
本发明的有益结果主要表现在：由于传统的点云在训练后产生的模型对每一帧点云数据的测试和验证都是相互独立的，但是每相邻帧数据都存在极大的相似性。但是目前仍未有对相邻帧点云推理的方法被提出，为了优化此方法，本发明融入Faiss算法并优化了KNN的算法，提升了模型在训练过程中对逐帧点云实例分割的处理效率。
与前述一种基于最近邻KNN算法的逐帧点云快速实例分割方法的实施例相对应，本发明还提供了一种基于最近邻KNN算法的逐帧点云快速实例分割装置的实施例。
参见图6，本发明实施例提供的一种基于最近邻KNN算法的逐帧点云快速实例分割装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的一种基于最近邻KNN算法的逐帧点云快速实例分割方法。
本发明提供的一种基于最近邻KNN算法的逐帧点云快速实例分割装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本发明提供的一种基于最近邻KNN算法的逐帧点云快速实例分割装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种基于最近邻KNN算法的逐帧点云快速实例分割方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (8)
1.一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，其特征在于，该方法包括以下步骤：
步骤1：对于任一目标物体相邻的两帧点云数据，使用迭代最近法ICP进行配准，得到目标物体相邻的两帧点云数据之间的第一姿态变换参数；
步骤2：根据步骤1得到的第一姿态变换参数，将目标物体相邻的两帧点云数据中的第一帧点云数据拼接到第二帧点云数据，得到第一配准点云数据；
步骤3：获取基础训练验证数据，包括目标物体第一帧点云的数目m，第一帧点云的坐标zi，第一帧点云的目标物体实例分割结果gi，第一配准点云的数目为n，点云数据的坐标为zk，第一配准点云的目标物体实例分割结果以点云坐标作为输入，计算欧式距离得到预测的分类概率，以点云的目标物体实例分割结果作为输出训练KNN模型并基于预测误差进行优化；将第一配准点云输入到优化后的KNN模型，输出预测的点云的目标物体实例分割结果/>得到目标物体类别。
2.根据权利要求1所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，其特征在于，步骤1中的相邻的两帧点云数据配准过程如下：
a)预处理：滤波、清洗目标物体点云数据；
b)匹配：利用粗配准的估计矩阵，找目标物体点云最邻近点；
c)加权：调整一些对应点对的权重；
d)剔除不合理的对应目标物体点云；
e)优化目标函数，计算Loss；
其中和/>是第一帧点云和配准目标物体点云对应的第i点，Np表示点云的总数；其中R表示从第一帧点云到第二帧点云的旋转矩阵，t则表示偏移矩阵；
f)最小化Loss，求解当前最优变换；
g)重复执行b-f，迭代直到收敛。
3.根据权利要求1所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，其特征在于，步骤3中，设置算法的初始参数，模型K邻近值设为的k＝7，迭代次数初始值t＝10，欧式距离参数di(zi,gi)，点云数据的参数索引index，其中：
zi＝[z1,z2,z3,…,zm],
gi＝[g1,g2,g3,…,gm]T
zk＝[z1,z2,z3,…,zn]
其中zi表示第一帧点云的坐标，zm表示第m点的坐标，gi表示第一帧点云的目标物体实例分割结果，gm表示第m点的实例分割结果；其中zk表示第一帧点云配准后的坐标，zn表示配准后的第n点的坐标。
4.根据权利要求1所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，其特征在于，步骤3中，KNN模型训练的具体过程如下：
a)设置点云的坐标位输入量zi，该点云实例分割的结果为被分类点gi；
b)计算记录gi与验证数据集每个记录的欧式距离di(zi,gi):
c)对距离di(zi,gi)从小到大进行排序；
d)确定前k个点类别出现的频率，其中k设置为7；
e)出现频率最高的类别作为预测分类，得到训练模型KNN；
f)将步骤二得到的第一配准点云作为模型输入，得到预测结果为：
其中，yn表示第n个配准点云对应的模型KNN的输出预测结果。
5.根据权利要求1所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，其特征在于，步骤3中，KNN模型优化过程如下：
a)对点云坐标添加索引Index；
b)利用Faiss算法将点云搜索构建封装成一个索引文件Index file并缓存在内存中，提供实时的查询计算；
c)基于基础训练验证数据的原始值和通过KNN模型预测数据/>进行相减计算出误差G(y)；
d)对G(y)以负反馈形式传递到模型KNN中，使得模型进行二次优化，最后得到训练模型Model_KNN；
e)将步骤2得到的第一配准点云作为模型Model_KNN输入，得到预测结果为：
其中，y′ n表示第n个配准点云对应的模型Model_KNN输出的预测结果。
6.根据权利要求5所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，其特征在于，Faiss算法详细步骤如下：
a)将目标物体的原始点云向量化，分成M个子空间，针对每个子空间训练中心点；
b)查找向量对应的中心点；
c)向量减去对应的中心点生成残差向量；
d)针对残差向量生成二级量化器。
7.根据权利要求1所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，其特征在于，一种基于最近邻KNN算法的逐帧点云快速实例分割装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1-6中任一项所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法。
8.根据权利要求7所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法及装置，其特征在于，一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-6中任一项所述的一种基于最近邻KNN算法的逐帧点云快速实例分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311144242.3A CN117115179A (zh) | 2023-09-06 | 2023-09-06 | 一种基于最近邻knn算法的逐帧点云快速实例分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311144242.3A CN117115179A (zh) | 2023-09-06 | 2023-09-06 | 一种基于最近邻knn算法的逐帧点云快速实例分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117115179A true CN117115179A (zh) | 2023-11-24 |
Family
ID=88802007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311144242.3A Pending CN117115179A (zh) | 2023-09-06 | 2023-09-06 | 一种基于最近邻knn算法的逐帧点云快速实例分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115179A (zh) |
-
2023
- 2023-09-06 CN CN202311144242.3A patent/CN117115179A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569901B (zh) | 一种基于通道选择的对抗消除弱监督目标检测方法 | |
| CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
| CN112184508B (zh) | 一种用于图像处理的学生模型的训练方法及装置 | |
| CN111127364B (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
| US8108324B2 (en) | Forward feature selection for support vector machines | |
| US8954365B2 (en) | Density estimation and/or manifold learning | |
| CN111079780B (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
| US11068747B2 (en) | Computer architecture for object detection using point-wise labels | |
| CN115578248B (zh) | 一种基于风格引导的泛化增强图像分类算法 | |
| KR102308752B1 (ko) | 객체 추적 방법 및 장치 | |
| CN116781346A (zh) | 基于数据增强的卷积双向长短期记忆网络入侵检测方法 | |
| CN111223128A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
| CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
| CN117131348B (zh) | 基于差分卷积特征的数据质量分析方法及系统 | |
| CN110717405A (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
| CN114255381A (zh) | 图像识别模型的训练方法、图像识别方法、装置及介质 | |
| WO2021143686A1 (zh) | 神经网络定点化方法、装置、电子设备及可读存储介质 | |
| WO2024012179A1 (zh) | 模型训练方法、目标检测方法及装置 | |
| CN116702839A (zh) | 一种基于卷积神经网络的模型训练方法及应用系统 | |
| CN110728292A (zh) | 一种多任务联合优化下的自适应特征选择算法 | |
| CN117115179A (zh) | 一种基于最近邻knn算法的逐帧点云快速实例分割方法及装置 | |
| CN115565115A (zh) | 一种舾装件智能识别方法、计算机设备 | |
| CN115062769A (zh) | 基于知识蒸馏的模型训练方法、装置、设备及存储介质 | |
| CN111291820B (zh) | 一种结合定位信息和分类信息的目标检测方法 | |
| CN113971737A (zh) | 用于机器人的物体识别方法、电子设备、介质和程序产品 |
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 |