CN117237912A - 目标检测模型的训练方法、装置、计算机设备及存储介质 - Google Patents
目标检测模型的训练方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117237912A CN117237912A CN202311077176.2A CN202311077176A CN117237912A CN 117237912 A CN117237912 A CN 117237912A CN 202311077176 A CN202311077176 A CN 202311077176A CN 117237912 A CN117237912 A CN 117237912A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- target detection
- detection model
- data set
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 378
- 238000012549 training Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000002159 abnormal effect Effects 0.000 claims abstract description 86
- 238000000605 extraction Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 22
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请公开了一种目标检测模型的训练方法、装置、计算机设备及存储介质,涉及车辆技术领域。该方法包括:获取第一点云数据集以及第二点云数据集,第一点云数据集包括构建的行车场景中的异常点云数据帧,第二点云数据集包括采集的真实行车场景中的真实点云数据帧;利用第一点云数据集以及第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。如此,在模型训练过程中,不仅使用了在真实行车场景下采集的点云数据,同时还使用了构建的行车场景中的异常点云数据进行模型训练,提高了第一目标检测模型的鲁棒性,使其可以适应各种会导致点云数据异常的实际行车场景下的目标检测。
Description
技术领域
本申请涉及车辆技术领域,尤其涉及一种目标检测模型的训练方法、装置、计算机设备及存储介质。
背景技术
在驾驶辅助或者自动驾驶领域中,目标检测对车辆的道路规划、车道保持以及车辆驾驶安全等方面有着至关重要的作用。但是,目前相关技术中的目标检测模型的鲁棒性仍然较差,尤其是在驾驶场景中采集到的点云数据存在异常的情况下,无法根据异常点云数据实现准确的目标检测。
发明内容
本申请提出了一种目标检测模型的训练方法、装置、计算机设备及存储介质。
第一方面,本申请实施例提供了一种目标检测模型的训练方法,所述方法包括:获取第一点云数据集以及第二点云数据集,所述第一点云数据集包括构建的行车场景中的异常点云数据帧,所述第二点云数据集包括采集的真实行车场景中的真实点云数据帧;利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。
在一种可选的实施例中,所述利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型,包括:利用所述第一点云数据集,对第二初始检测模型进行训练,得到第二目标检测模型,所述第二初始检测模型中包括第二特征提取单元以及第二目标检测单元,所述第二特征提取单元用于对所述异常点云数据帧进行点云特征提取,所述第二目标检测单元用于基于提取到的点云特征进行目标检测;利用所述第二点云数据集以及所述第二目标检测模型中的第二特征提取单元,对所述第一初始检测模型进行训练,得到所述第一目标检测模型。
在一种可选的实施例中,所述第一初始检测模型包括第一特征提取单元以及第一目标检测单元,每个所述真实点云数据帧携带有检测目标对应的标签信息;所述利用所述第二点云数据集以及所述第二目标检测模型中的第二特征提取单元,对所述第一初始检测模型进行训练,得到所述第一目标检测模型,包括:利用所述第一特征提取单元,提取每个所述真实点云数据帧的点云特征,得到每个所述真实点云数据帧对应的第一点云特征;利用所述第一目标检测单元,对每个所述真实点云数据帧对应的第一点云特征进行目标检测,得到每个所述真实点云数据帧对应的第一检测结果;利用所述第二目标检测模型中的第二特征提取单元,提取所述真实点云数据帧的点云特征,得到每个所述真实点云数据帧对应的第二点云特征;基于每个所述真实点云数据帧对应的第一检测结果与每个所述真实点云数据帧携带的标签信息之间的差异程度,以及每个所述真实点云数据帧对应的第一点云特征与每个所述真实点云数据帧对应的第二点云特征之间的差异程度,对所述第一初始检测模型中的模型参数进行迭代更新,直至满足第一训练条件,得到所述第一目标检测模型。
在一种可选的实施例中,所述第一初始检测模型包括第一特征提取单元以及第一目标检测单元,所述第一点云数据集以及所述第二点云数据集中每个点云数据帧携带有检测目标对应的标签信息;所述利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型,包括:利用所述第一特征提取单元,提取所述第一点云数据集以及所述第二点云数据集中每个点云数据帧的点云特征,得到所述每个点云数据帧的第三点云特征;利用所述第一目标检测单元,对所述每个点云数据帧的第三点云特征进行目标检测,得到所述每个点云数据帧对应的第三检测结果;基于所述每个点云数据帧对应的第三检测结果与所述每个点云数据帧携带的标签信息之间的差异程度,对所述第一初始模型中的模型参数进行迭代更新,直至满足第二训练条件,得到所述第一目标检测模型。
在一种可选的实施例中,所述获取第一点云数据集,包括:从目标点云数据库中,获取多种行车场景下的原始点云数据帧;对所述原始点云数据帧进行预设处理,得到所述原始点云数据帧对应的异常点云数据帧,并基于所述异常点云数据帧构建所述第一点云数据集。
在一种可选的实施例中,在所述利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,直至满足第一训练条件,得到第一目标检测模型之后,所述方法包括:获取所述目标检测模型在目标行车场景下的目标检测结果;若所述目标检测结果不满足预设验证条件,则利用在所述目标场景下采集的目标点云数据帧,对所述第一目标检测模型进行训练,得到更新的所述第一目标检测模型。
第二方面,本申请实施例提供了一种目标检测方法,所述方法包括:获取车辆在行车场景下的实时点云数据;将所述实时点云数据输入至预先训练的第一目标检测模型,得到实时目标检测结果,其中,所述第一目标检测模型根据前述的目标检测模型训练方法训练得到。
第三方面,本申请实施例提供了一种目标检测模型的训练装置,所述装置包括:点云数据获取模块和模型训练模块。点云数据获取模块,用于获取第一点云数据集以及第二点云数据集,所述第一点云数据集包括构建的行车场景中的异常点云数据帧,所述第二点云数据集包括采集的真实行车场景中的真实点云数据帧;模型训练模块,用于利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。
第四方面,本申请实施例提供了一种目标检测装置,所述装置包括:实时点云获取模块和目标检测模块。实时点云获取模块,用于获取车辆在行车场景下的实时点云数据;目标检测模块,用于将所述实时点云数据输入至预先训练的第一目标检测模型,得到实时目标检测结果,其中,所述第一目标检测模型前述的目标检测模型训练方法训练得到。
第五方面,本申请实施例提供了一种计算机设备,包括:一个或多个处理器;存储器;一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行上述的方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有程序代码,所述程序代码可被处理器调用执行上述的方法。
本申请提供的方案中,获取第一点云数据集以及第二点云数据集,第一点云数据集包括构建的行车场景中的异常点云数据帧,第二点云数据集包括采集的真实行车场景中的真实点云数据帧;利用第一点云数据集以及第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。也就是说,不仅使用了在真实行车场景下采集的点云数据,同时还使用了构建的行车场景中的异常点云数据进行模型训练,即为模型训练提供了异常点云场景下的针对性训练数据,从而使得训练得到的第一目标检测模型在面对实际行车场景中的异常点云数据帧时,能够准确地实现目标检测;即提高了目标检测模型的鲁棒性,使其可以适应各种会导致点云数据异常的实际行车场景下的目标检测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请一实施例提供的目标检测模型的训练方法的流程示意图。
图2示出了本申请另一实施例提供的目标检测模型的训练方法的流程示意图。
图3示出了图2中步骤S230在一种实施方式下的子步骤的流程示意图。
图4示出了图3中步骤S234在一种实施方式下的子步骤的流程示意图。
图5示出了本申请又一实施例提供的目标检测模型的训练方法的流程示意图。
图6示出了本申请一实施例提供的目标检测方法的流程示意图。
图7是根据本申请一实施例提供的一种目标检测模型的训练装置的框图。
图8是根据本申请一实施例提供的一种目标检测装置的框图。
图9是本申请实施例的用于执行根据本申请实施例的目标检测模型的训练方法的计算机设备的框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本申请的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作,这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如S110、S120等,仅仅是用于区分各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。以及,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或子模块的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或子模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或子模块。
在相关技术中,现有的实际自动驾驶场景中,激光雷达点云往往会出现缺失、噪声等异常情况,而目前的目标检测模型大多是采用理想的点云数据集进行训练,对于实际的异常点云场景表现效果较差。同时,这类异常点云数据也较难针对性采集、标注,难以提供针对性训练数据。
发明人提出一种目标检测模型的训练方法、装置、计算机设备及存储介质。下面对本申请实施例提供的目标检测模型的训练方法进行详细描述。
请参照图1,图1为本申请一实施例提供的一种目标检测模型的训练方法的流程示意图。下面将结合图1对本申请实施例提供的目标检测模型的训练方法进行详细阐述。该目标检测模型的训练方法可以包括以下步骤:
步骤S110:获取第一点云数据集以及第二点云数据集,所述第一点云数据集包括构建的行车场景中的异常点云数据帧,所述第二点云数据集包括采集的真实行车场景中的真实点云数据帧。
在实际行车场景下,因环境或传感器硬件等因素的影响,会造成点云数据存在噪声、缺失、膨胀和/或变形等问题;但由于实际行车场景中,存在前述问题的点云数据较难采集且数量较少。基于此,在本实施例中,通过获取预先构建的存在前述问题的点云数据的方式,来丰富用于训练目标检测模型的点云数据集。
在一些实施方式中,获取第一点云数据集,可以从目标点云数据库中,获取多种行车场景下的原始点云数据帧;对所述原始点云数据帧进行预设处理,得到所述原始点云数据帧对应的异常点云数据帧,并基于所述异常点云数据帧构建所述第一点云数据集。其中,目标点云数据库可以为KITTI或Waymo等点云数据集。
在另一些实施方式中,还可以预先构建出多种行车场景中的虚拟点云数据集,然后再对虚拟点云数据集中的虚拟点云数据帧进行预设处理,得到虚拟点云数据帧对应的异常点云数据帧,并基于虚拟点云数据帧对应的异常点云数据帧构建前述第一点云数据集。如此,可以根据实际需求,构建出足够多的行车下的虚拟点云数据集,在对虚拟点云数据帧进行预设处理后,可以得到足够多异常点云数据帧构成的第一点云数据集,从而为后续的第一目标检测模型的训练提供足够多的训练样本,保证对第一目标检测模型的训练效果。
在再一些实施方式中,还可以是先获取前述第二点云数据集,在对第二点云数据集中的真实点云数据帧进行预设处理,得到真实点云数据帧对应的异常点云数据帧,并基于真实点云数据帧对应的异常点云数据帧构建前述第一点云数据集。如此,在对真实点云数据帧进行预设处理而得到的第一点云数据集,与实际行车场景中遇到的点云异常场景可以更为贴近,进而提高最终得到的第一目标检测模型的目标检测效果。
在又一些实施方式中,还可以从目标点云数据库中获取多种行车场景下的原始点云数据帧,同时也预先构建出多种行车场景中的虚拟点云数据集,以及获取前述第二点云数据集;在对获取到的所有点云数据帧进行预处理,得到所有点云数据帧对应的异常点云数据帧,最后,基于所有点云数据帧对应的异常点云数据帧构建前述第一点云数据集。如此,可以获取到更加丰富的异常点云数据帧,从而提升最终目标检测模型在各种异常点云场景下的目标检测效果。
在本实施例中,前述每种实施方式中提及的预处理可以包括以下处理操作中的至少一种:
对点云数据帧中的点云数据进行缩放处理,即对点云数据进行随机异性缩放;
对点云数据帧中的点云数据进行旋转处理,即将点云数据旋转指定角度;
向点云数据帧中添加噪声,其中,添加的噪声可以为高斯噪声、泊松噪声、乘性噪声以及椒盐噪声中的至少一种;
全局删除点云数据帧中的部分点云数据,即从点云数据帧中整体区域内随机均匀删除部分点云数据;
局部删除点云数据帧中的部分点云数据,即从点云数据帧中的部分区域中,随机删除几个个k-NN(k近邻)点云群;
全局添加部分点云数据至点云数据帧中,即从点云数据帧中整体区域内随机均匀添加部分点云数据;
局部添加部分点云数据至点云数据帧中,即在点云数据帧中的部分区域中,将任一个或任多个点云扩展为正态分布点云群。
如此,通过上述预设处理的方式,可以人为构建出能够覆盖多种异常点云场景的第一点云数据集,改善了这些异常场景下,点云数据难以通过传感器获取与标注困难问题。
步骤S120:利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。
进一步地,可以同时利用获取到的第一点云数据集和第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。其中,第一初始检测模型可以是基于PointPillars网络构建的初始目标检测模型;第一目标检测模型用于对车辆在实际行车场景中进行目标检测,目标检测对象包括但不限于车辆以及行人。其中,PointPillars网络是一个基于点云的快速目标检测网络。
在一些实施方式中,在步骤S120之后,可以将目标检测模型部署在目标车辆上,并通过目标车辆在多种行车场景下进行行驶,从而根据目标检测模型在目标车辆形式在不同行车场景下的目标检测进行测试和验证。基于此,可以获取目标检测模型在目标行车场景下的目标检测结果;若目标检测结果不满足预设验证条件,则利用在所述目标行车场景下采集的目标点云数据帧,对第一目标检测模型进行训练,得到更新的第一目标检测模型。其中,目标行车场景可以是相关人员选择的容易导致目标检测模型的目标检测效果不好的行车场景,例如,天气较差、能见度较低或者路障较多等行车场景,本实施例对此不作限制。而检测针对该目标行车场景下的目标检测结果是否符合预设验证条件;其中,预设验证条件可以是目标检测的准确率大于预设准确率阈值。基于此,在准确率不大于预设准确率阈值的情况下,即目标检测结果不满足预设验证条件,利用目标行车场景下采集到的目标点云数据帧,继续对第一目标检测模型进行训练,得到更新的第一目标检测模型。也就是说,在首次训练得到的第一目标检测模型之后,可以根据该第一目标检测模型的在实际应用中的目标检测效果,对其进行更新,以保证更新后的第一目标检测模型在实际应用中的各种行车场景下,均能有较好的目标检测能力。
在本实施例中,在进行目标检测模型的训练过程中,除了使用了在真实行车场景下采集的点云数据,同时还使用了构建的行车场景中的异常点云数据,即提供了异常点云场景下的针对性训练数据,从而使得训练得到的第一目标检测模型在面对实际行车场景中的异常点云数据帧时,也能准确地实现目标检测;即提高了目标检测模型的鲁棒性,使其可以适应各种会导致点云数据异常的实际行车场景下的目标检测。
请参照图2,图2为本申请另一实施例提供的一种目标检测模型的训练方法的流程示意图。下面将结合图2对本申请实施例提供的目标检测模型的训练方法进行详细阐述。该目标检测模型的训练方法可以包括以下步骤:
步骤S210:获取第一点云数据集以及第二点云数据集,所述第一点云数据集包括构建的行车场景中的异常点云数据帧,所述第二点云数据集包括采集的真实行车场景中的真实点云数据帧。
在本实施例中,步骤S210的具体实施方式可以参阅前述实施例中的内容,在此不再赘述。
步骤S220:利用所述第一点云数据集,对第二初始检测模型进行训练,得到第二目标检测模型,所述第二初始检测模型中包括第二特征提取单元以及第二目标检测单元,所述第二特征提取单元用于对所述异常点云数据帧进行点云特征提取,所述第二目标检测单元用于基于提取到的点云特征进行目标检测。
在本实施例中,第二初始检测模型也可以是基于PointPillars网络结构构建的初始目标检测模型,此时,第二特征提取单元包括PointPillars网络结构中的点云特征处理网络(Pillar FeatureNet,PFN)以及点云特征提取网络(Feature Pyramid Networks,FPN),第二目标检测单元则为PointPillars网络结构中的3D目标检测头网络。第二初始检测模型中的超参数可以与前述第一初始检测模型中的超参数设置相同。第一点云数据集中的每帧异常点云数据帧均携带有用于检测目标的标签信息。
基于此,首先,利用第二特征提取单元,提取每帧异常点云数据帧的点云特征,得到每帧异常点云数据帧对应的异常点云特征。具体地,以第二特征提取单元包括点云特征处理网络和点云特征提取网络为例,先利用点云特征处理网络将每帧异常点云数据帧通过Voxelization(体素化)操作将点云转换为体素网格,并将每个体素网格中的点云特征投影到二维BEV(鸟瞰图)平面上,生成一个BEV图像;换句话说,即利用点云特征处理网络将每帧异常点云数据帧进行空间划分以及3D到2D的转换等处理。再使用点云特征提取网络作为骨干网络(Backbone 2DCNN),对点云特征处理网络输出的2D处理结果进行点云特征的提取,即对BEV图像进行处理,提取特征,作为每帧异常点云数据帧对应的异常点云特征。
其次,利用第二目标检测单元,对所述每帧异常点云数据帧对应的异常点云特征进行目标检测,得到每帧异常点云数据帧对应的目标检测结果;即利用3D目标检测头网络,用于对点云特征提取网络输出的每帧异常点云数据帧对应的异常点云特征进行预测,得到每帧异常点云数据帧对应的目标检测结果。
最后,再基于每帧异常点云数据帧对应的目标检测结果与每帧异常点云数据帧携带的所述标签信息之间的差异程度,确定目标损失值;并基于目标损失值,对所述第二特征提取单元以及第二目标检测单元的模型参数进行迭代更新,直至满足目标训练条件,得到第二目标检测模型。其中,目标检测结果包括框位置预测、类别预测以及方向(航向)预测,标签信息可以包括目标对应的类别信息、目标对应的框位置信息以及目标的方向(航向)信息。如此,目标损失值也由对框位置预测的损失值、对类别预测的损失值以及对方向预测的损失值构成。可选地,可以分别利用预先定义好的损失函数计算前述损失值,例如,对于类别预测的损失可以采用Focal Loss函数来计算,对于框位置预测的损失可以采用SmoothL1函数来计算,对于方向预测的损失可以采用交叉熵损失函数来计算等,本实施例对此不作限制;最后在结合前述三种损失值以及每种损失值对应的损失权重,来计算最终的上述目标损失值。
可选地,目标训练条件可以为:目标损失值小于预设值、目标损失值不再变化、或者训练次数达到预设次数等。可以理解的,在根据第一点云数据集对第二初始检测模型进行多个训练周期的迭代训练后,其中,每个训练周期包括多次的迭代训练,不断对第二初始检测模型中的参数进行优化,使得上述目标损失值越来越小,最后变小为一个固定值,或者小于以上预设值,此时,则表示第二初始检测模型已收敛;当然也可以是在训练次数达到预设次数后,确定第二初始检测模型已经收敛,此时,则可以将第二初始检测模型作为上述第二目标检测模型。其中,预设值以及预设次数均为预先设置的,也可以根据不同的应用场景对其数值进行调整,本实施例对此不作限制。
步骤S230:利用所述第二点云数据集以及所述第二目标检测模型中的第二特征提取单元,对所述第一初始检测模型进行训练,得到所述第一目标检测模型。
可以理解地,由于第二目标检测模型是利用构建的行车场景中的异常点云数据帧训练得到的,显然,第二目标检测模型中的第二特征提取单元具备能够从异常点云数据帧中提取到有利于目标检测的点云特征的能力。而考虑到第二目标检测模型并非是利用的真实行车场景中的真实点云数据帧训练得到的,可知,若直接利用第二目标检测模型进行真实行车场景中的目标检测,其不具备从真实点云数据帧中提取出有利于目标检测的点云特征的能力;因此,可以将第二目标检测模型中的第二特征提取单元,看作为训练用于真实行车场景下的第一目标检测模型在训练过程中的特征约束网络。
通俗来说,就是通过域适应迁移学习方法将源域模型所得到的异常点云场景特征知识向目标域分割网络进行迁移,从而提高最终在目标域下的目标检测能。其中,源域即为本实施例中的构建的第一点云数据集对应的存在异常点云数据帧的行车场景,目标域即为实际行车场景。
在一些实施方式中,所述第一初始检测模型包括第一特征提取单元以及第一目标检测单元,每个所述真实点云数据帧携带有检测目标对应的标签信息,请参阅图3,步骤S230可以包括步骤S231至步骤S234中的内容:
步骤S231:利用所述第一特征提取单元,提取每个所述真实点云数据帧的点云特征,得到每个所述真实点云数据帧对应的第一点云特征。
在本实施例中,在第一初始检测模型为PointPillars网络结构的情况下,第一特征提取单元包括PointPillars网络结构中的点云特征处理网络以及点云特征提取网络,第一目标检测单元为PointPillars网络结构中的3D目标检测头网络。基于此,利用第一初始检测模型中的利用点云特征处理网络将每个所述真实点云数据帧通过体素化操作将点云转换为体素网格,并将每个体素网格中的点云特征投影到二维BEV平面上,生成一个BEV图像;换句话说,即利用点云特征处理网络将每个所述真实点云数据帧进行空间划分以及3D到2D的转换等处理。再使用点云特征提取网络作为骨干网络,对点云特征处理网络输出的2D处理结果进行点云特征的提取,即对BEV图像进行处理,提取特征,作为每个所述真实点云数据帧对应的第一点云特征。
步骤S232:利用所述第一目标检测单元,对每个所述真实点云数据帧对应的第一点云特征进行目标检测,得到每个所述真实点云数据帧对应的第一检测结果。
进一步地,再利用第一初始检测模型中的3D目标检测头网络,用于对点云特征提取网络输出的每个所述真实点云数据帧对应的第一点云特征进行目标预测,得到每个所述真实点云数据帧对应的第二检测结果。
步骤S233:利用所述第二目标检测模型中的第二特征提取单元,提取每个所述真实点云数据帧的点云特征,得到每个所述真实点云数据帧对应的第二点云特征。
同时,还会同时将每个真实点云数据帧也输入至预训练好的第二目标检测模型中的第二特征提取单元,提取出每个所述真实点云数据帧对应的第二点云特征。
步骤S234:基于每个所述真实点云数据帧对应的第一检测结果与每个所述真实点云数据帧携带的标签信息之间的差异程度,以及每个所述真实点云数据帧对应的第一点云特征与每个所述真实点云数据帧对应的第二点云特征之间的差异程度,对所述第一初始检测模型中的模型参数进行迭代更新,直至满足第一训练条件,得到所述第一目标检测模型。
在一些实施方式中,请参阅图4,步骤S234可以包括步骤S2341至步骤S2344中的内容:
步骤S2341:基于每个所述真实点云数据帧对应的第一检测结果与每个所述真实点云数据帧携带的标签信息之间的差异程度,确定第一损失值。
在该实施方式中,第一损失值也是基于对框位置预测的损失值、对类别预测的损失值以及对方向预测的损失值三部分确定得到;即确定第一损失值与前述针对第一初始检测模型进行预训练过程中确定目标损失值的原理相似,因此,步骤S2341的具体实施方式可以参阅前述确定目标损失值中的内容,在此不再赘述。
步骤S2342:基于每个所述真实点云数据帧对应的第一点云特征与每个所述真实点云数据帧对应的第二点云特征之间的差异程度,确定第二损失值。
在本实施例中,第一点云特征与第二点云特征之间的差异程度,可以理解为两种特征的分布的差异程度,可选地,可以利用最大均值差异(Max mean discrepancy,MMD)损失函数,来计算两个不同但相关的点云特征分布的距离,作为上述第二损失值。
步骤S2343:根据所述第一损失值以及所述第二损失值,确定总损失值。
可选地,可以获取第一损失值与第二损失值的和值,作为总损失值。
可选地,也可以根据第一损失值、第一损失值对应的第一损失权重、第二损失值以及第二损失值对应的第二损失权重,对第一损失值以及第二损失值进行加权求和,得到该总损失值。其中,第一损失权重与第二损失权重可以是预先设置的数值,两者均为大于0小于1的数值,且两者之和为1。
步骤S2344:根据所述总损失值,对所述第一初始检测模型中的模型参数进行迭代更新,直至满足所述第一训练条件,得到所述第一目标检测模型。
其中,第一训练条件可以为:总损失值小于预设值、总损失值不再变化、或者训练次数达到预设次数等。可以理解的,在根据第一点云数据集对第一初始检测模型进行多个训练周期的迭代训练后,其中,每个训练周期包括多次的迭代训练,不断对第一初始检测模型中的参数进行优化,使得上述总损失值越来越小,最后变小为一个固定值,或者小于以上预设值,此时,则表示第一初始检测模型已收敛;当然也可以是在训练次数达到预设次数后,确定第一初始检测模型已经收敛,此时,则可以将第一初始检测模型作为上述第一目标检测模型。其中,预设值以及预设次数均为预先设置的,也可以根据不同的应用场景对其数值进行调整,本实施例对此不作限制。
如此,由于总损失值引入了可以用于表征特征分布偏移的第二损失值,在对模型参数进行迭代更新的过程中,逐渐拉近第一点云特征与第二点云特征之间的特征分布距离,从而可以使得最终得到的第一目标检测模型学习到第二特征提取单元中关于异常点云场景的特征提取能力,进而提高第一目标检测模型在各种异常点云场景下的目标检测的准确性。
在一些实施方式中,在步骤S230之后,获取目标检测模型在目标行车场景下的目标检测结果;若目标检测结果不满足预设验证条件,则利用在目标场景下采集的目标点云数据帧作为新的训练样本,将步骤S231至步骤S234中的第一初始检测模型替换为第一目标检测模型,即继续对第一目标检测模型进行训练,得到更新的第一目标检测模型。如此,可以根据该第一目标检测模型的在实际应用中的目标检测效果,对其进行更新,以保证更新后的第一目标检测模型在实际应用中的各种行车场景下,均能有较好的目标检测能力。
在本实施例中,利用构建的行车场景中的异常点云数据,对第二初始检测模型进行预训练,使得训练得到的第二目标检测模型中的第二特征提取单元学习到针对异常点云数据帧的特征提取能力。进而再将该第二特征提取单元作为第一初始检测模型的训练过程中的约束网络,同时利用在真实行车场景下采集的真实点云数据,对第一初始检测模型进行域适应迁移训练,从而实现了从人工构建的异常点云数据集到实际采集到的真实点云数据的知识迁移,大大提高了第一目标检测模型在实际应用中各种异常点云场景下的目标检测的准确性。
请参照图5,图5为本申请又一实施例提供的一种目标检测模型的训练方法的流程示意图。下面将结合图5对本申请实施例提供的目标检测模型的训练方法进行详细阐述。该目标检测模型的训练方法可以包括以下步骤:
步骤S310:获取第一点云数据集以及第二点云数据集,所述第一点云数据集包括构建的行车场景中的异常点云数据帧,所述第二点云数据集包括采集的真实行车场景中的真实点云数据帧。
在本实施例中,步骤S310的具体实施方式可以参阅前述实施例中的内容,在此不再赘述。
步骤S320:利用所述第一特征提取单元,提取所述第一点云数据集以及所述第二点云数据集中每个点云数据帧的点云特征,得到所述每个点云数据帧的第三点云特征。
步骤S330:利用所述第一目标检测单元,对所述每个点云数据帧的第三点云特征进行目标检测,得到所述每个点云数据帧对应的第三检测结果。
步骤S340:基于所述每个点云数据帧对应的第三检测结果与所述每个点云数据帧携带的标签信息之间的差异程度,对所述第一初始模型中的模型参数进行迭代更新,直至满足第二训练条件,得到所述第一目标检测模型。
在本实施例中,可以直接将第一点云数据集和第二点云数据集一同作为用于训练第一目标检测模型的点云训练样本集。此时,基于该点云训练样本集的,对第一目标检测模型的训练过程与前述对第二目标检测模型的训练过程相似,具体训练过程可以参阅前述实施例中的内容,在此不再赘述。
在本实施例中,同时使用在真实行车场景下采集的点云数据以及构建的行车场景中的异常点云数据,对第一初始检测模型进行训练,可以更为快速得到最终所需的第一目标检测模型。并且,由于提供了异常点云场景下的针对性训练数据,从而使得训练得到的第一目标检测模型在面对实际行车场景中的异常点云数据帧时,也能准确地实现目标检测;大大提高了目标检测模型的鲁棒性,使其可以适应各种会导致点云数据异常的实际行车场景下的目标检测。
请参照图6,图6为本申请一实施例提供的一种目标检测方法的流程示意图。下面将结合图6对本申请实施例提供的目标检测方法进行详细阐述。该目标检测方法可以包括以下步骤:
步骤S410:获取车辆在行车场景下的实时点云数据。
步骤S420:将所述实时点云数据输入至预先训练的第一目标检测模型,得到实时目标检测结果。
在本实施例中,所述第一目标检测模型前述的目标检测模型训练方法训练得到,即第一目标检测模型可以根据前述任一实施例提供的目标检测模型的训练方法训练得到的。也就是说,可以将预先训练好的第一目标检测模型部署至车辆中,从而在车辆的实际的行程场景下,车辆可以采集行车场景下的实时点云数据,并利用该第一目标检测模型对实时点云数据进行实时目标检测,从而得到实时目标检测结果。也就是说,本实施例提供的目标检测方法可以由车辆本车直接执行。当然,也可以将第一目标检测模型保存在云服务器,车辆在获取到实时点云数据之后,将实时点云数据上传至云服务器,由云服务器利用第一目标检测模型进行目标检测,并将目标检测结果反馈给车辆,即本实施例提供的目标检测方法也可以由云服务器执行。可以理解地,具体将第一目标检测模型部署在车辆内,还是部署在云服务器,可以根据实际需求自行设置,本实施例对此不作限制。
在本实施例中,利用的第一目标检测模型是基于真实行车场景下采集的点云数据,以及构建的行车场景中的异常点云数据预先训练的,因此,在实际行车场景中,车辆利用第一目标检测模型进行目标检测,即使面对的是异常点云数据帧时,也能准确地实现目标检测,从而可以适应各种会导致点云数据异常的实际行车场景下的目标检测,进而保证车辆在实际行车过程中的安全性。
请参照图7,其中示出了本申请一实施例提供的一种目标检测模型的训练装置500的结构框图。该装置500可以包括:点云数据获取模块510和模型训练模块520。
点云数据获取模块510用于获取第一点云数据集以及第二点云数据集,所述第一点云数据集包括构建的行车场景中的异常点云数据帧,所述第二点云数据集包括采集的真实行车场景中的真实点云数据帧。
模型训练模块520用于利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。
在一些实施方式中,模型训练模块520可以包括:预训练单元以及目标模型训练单元。其中,预训练单元可以用于利用所述第一点云数据集,对第二初始检测模型进行训练,得到第二目标检测模型,所述第二初始检测模型中包括第二特征提取单元以及第二目标检测单元,所述第二特征提取单元用于对所述异常点云数据帧进行点云特征提取,所述第二目标检测单元用于基于提取到的点云特征进行目标检测。目标模型训练单元可以用于利用所述第二点云数据集以及所述第二目标检测模型中的第二特征提取单元,对所述第一初始检测模型进行训练,得到所述第一目标检测模型。
在该方式下,述第一初始检测模型包括第一特征提取单元以及第一目标检测单元,每个所述真实点云数据帧携带有检测目标对应的标签信息;目标模型训练单元可以包括:第一特征提取子单元、检测子单元、第二特征提取子单元以及模型参数更新子单元。其中,第一特征提取子单元可以用于利用所述第一特征提取单元,提取每个所述真实点云数据帧的点云特征,得到每个所述真实点云数据帧对应的第一点云特征。检测子单元可以用于利用所述第一目标检测单元,对每个所述真实点云数据帧对应的第一点云特征进行目标检测,得到每个所述真实点云数据帧对应的第二检测结果。第二特征提取子单元可以用于利用所述第二目标检测模型中的第二特征提取单元,提取所述真实点云数据帧的点云特征,得到每个所述真实点云数据帧对应的第二点云特征。模型参数更新子单元可以用于基于每个所述真实点云数据帧对应的第一检测结果与每个所述真实点云数据帧携带的标签信息之间的差异程度,以及每个所述真实点云数据帧对应的第一点云特征与每个所述真实点云数据帧对应的第二点云特征之间的差异程度,对所述第一初始检测模型中的模型参数进行迭代更新,直至满足第一训练条件,得到所述第一目标检测模型。
在一些实施方式中,所述第一初始检测模型包括第一特征提取单元以及第一目标检测单元,所述第一点云数据集以及所述第二点云数据集中每个点云数据帧携带有检测目标对应的标签信息。模型训练模块520还可以具体用于:利用所述第一特征提取单元,提取所述第一点云数据集以及所述第二点云数据集中每个点云数据帧的点云特征,得到所述每个点云数据帧的第三点云特征;利用所述第一目标检测单元,对所述每个点云数据帧的第三点云特征进行目标检测,得到所述每个点云数据帧对应的第三检测结果;基于所述每个点云数据帧对应的第三检测结果与所述每个点云数据帧携带的标签信息之间的差异程度,对所述第一初始模型中的模型参数进行迭代更新,直至满足第二训练条件,得到所述第一目标检测模型。
在一些实施方式中,点云数据获取模块510可以具体用于:从目标点云数据库中,获取多种行车场景下的原始点云数据帧;对所述原始点云数据帧进行预设处理,得到所述原始点云数据帧对应的异常点云数据帧,并基于所述异常点云数据帧构建所述第一点云数据集。
在一些实施方式中,目标检测模型的训练装置500还可以包括:模型更新模块。其中,模型更新模块可以具体用于在所述利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,直至满足第一训练条件,得到第一目标检测模型之后,获取所述目标检测模型在目标行车场景下的目标检测结果;若所述目标检测结果不满足预设验证条件,则利用在所述目标场景下采集的目标点云数据帧,对所述第一目标检测模型进行训练,得到更新的所述第一目标检测模型。
请参照图8,其中示出了本申请一实施例提供的一种目标检测装置600的结构框图。该装置600可以包括:实时点云获取模块610和目标检测模块620。
实时点云获取模块610用于获取车辆在行车场景下的实时点云数据;
目标检测模块620用于将所述实时点云数据输入至预先训练的第一目标检测模型,得到实时目标检测结果,其中,所述第一目标检测模型根据前述的目标检测模型训练方法训练得到。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。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。
综上所述,获取第一点云数据集以及第二点云数据集,第一点云数据集包括构建的行车场景中的异常点云数据帧,第二点云数据集包括采集的真实行车场景中的真实点云数据帧;利用第一点云数据集以及第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。也就是说,不仅使用了在真实行车场景下采集的点云数据,同时还使用了构建的行车场景中的异常点云数据进行模型训练,即为模型训练提供了异常点云场景下的针对性训练数据,从而使得训练得到的第一目标检测模型在面对实际行车场景中的异常点云数据帧时,能够准确地实现目标检测;即提高了目标检测模型的鲁棒性,使其可以适应各种会导致点云数据异常的实际行车场景下的目标检测。
下面将结合图9对本申请提供的一种计算机设备进行说明。
参照图9,图9示出了本申请实施例提供的一种计算机设备700的结构框图,本申请实施例提供的上述方法可以由该计算机设备700执行。该计算机设备700可以是具有数据处理功能的电子终端,该电子终端包括但不限于智能手机、平板电脑、笔记本电脑、台式电脑、智能手表、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器以及智能家居设备等;当然,该计算机设备700也可以是服务器,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例中的计算机设备700可以包括一个或多个如下部件:处理器701、存储器702、以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器702中并被配置为由一个或多个处理器701执行,一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器701可以包括一个或者多个处理核。处理器701利用各种接口和线路连接整个计算机设备700内的各个部分,通过运行或执行存储在存储器702内的指令、程序、代码集或指令集,以及调用存储在存储器702内的数据,执行计算机设备700的各种功能和处理数据。可选地,处理器701可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器701可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以集成到处理器701中,单独通过一块通信芯片进行实现。
存储器702可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器702可用于存储指令、程序、代码、代码集或指令集。存储器702可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储计算机设备700在使用中所创建的数据(比如上述的各种对应关系)等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,所显示或讨论的模块相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。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。
本申请实施例提供的一种计算机可读存储介质中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质具有执行上述方法中的任何方法步骤的程序代码的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码可以例如以适当形式进行压缩。
在一些实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行上述各方法实施例中的步骤。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (11)
1.一种目标检测模型的训练方法,其特征在于,所述方法包括:
获取第一点云数据集以及第二点云数据集,所述第一点云数据集包括构建的行车场景中的异常点云数据帧,所述第二点云数据集包括采集的真实行车场景中的真实点云数据帧;
利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。
2.根据权利要求1所述的方法,其特征在于,所述利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型,包括:
利用所述第一点云数据集,对第二初始检测模型进行训练,得到第二目标检测模型,所述第二初始检测模型中包括第二特征提取单元以及第二目标检测单元,所述第二特征提取单元用于对所述异常点云数据帧进行点云特征提取,所述第二目标检测单元用于基于提取到的点云特征进行目标检测;
利用所述第二点云数据集以及所述第二目标检测模型中的第二特征提取单元,对所述第一初始检测模型进行训练,得到所述第一目标检测模型。
3.根据权利要求2所述的方法,其特征在于,所述第一初始检测模型包括第一特征提取单元以及第一目标检测单元,每个所述真实点云数据帧携带有检测目标对应的标签信息;
所述利用所述第二点云数据集以及所述第二目标检测模型中的第二特征提取单元,对所述第一初始检测模型进行训练,得到所述第一目标检测模型,包括:
利用所述第一特征提取单元,提取每个所述真实点云数据帧的点云特征,得到每个所述真实点云数据帧对应的第一点云特征;
利用所述第一目标检测单元,对每个所述真实点云数据帧对应的第一点云特征进行目标检测,得到每个所述真实点云数据帧对应的第一检测结果;
利用所述第二目标检测模型中的第二特征提取单元,提取所述真实点云数据帧的点云特征,得到每个所述真实点云数据帧对应的第二点云特征;
基于每个所述真实点云数据帧对应的第一检测结果与每个所述真实点云数据帧携带的标签信息之间的差异程度,以及每个所述真实点云数据帧对应的第一点云特征与每个所述真实点云数据帧对应的第二点云特征之间的差异程度,对所述第一初始检测模型中的模型参数进行迭代更新,直至满足第一训练条件,得到所述第一目标检测模型。
4.根据权利要求1所述的方法,其特征在于,所述第一初始检测模型包括第一特征提取单元以及第一目标检测单元,所述第一点云数据集以及所述第二点云数据集中每个点云数据帧携带有检测目标对应的标签信息;
所述利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型,包括:
利用所述第一特征提取单元,提取所述第一点云数据集以及所述第二点云数据集中每个点云数据帧的点云特征,得到所述每个点云数据帧的第三点云特征;
利用所述第一目标检测单元,对所述每个点云数据帧的第三点云特征进行目标检测,得到所述每个点云数据帧对应的第三检测结果;
基于所述每个点云数据帧对应的第三检测结果与所述每个点云数据帧携带的标签信息之间的差异程度,对所述第一初始模型中的模型参数进行迭代更新,直至满足第二训练条件,得到所述第一目标检测模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述获取第一点云数据集,包括:
从目标点云数据库中,获取多种行车场景下的原始点云数据帧;
对所述原始点云数据帧进行预处理,得到所述原始点云数据帧对应的异常点云数据帧,并基于所述异常点云数据帧构建所述第一点云数据集。
6.根据权利要求1-4任一项所述的方法,其特征在于,在所述利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型之后,所述方法包括:
获取所述目标检测模型在目标行车场景下的目标检测结果;
若所述目标检测结果不满足预设验证条件,则利用在所述目标场景下采集的目标点云数据帧,对所述第一目标检测模型进行训练,得到更新的所述第一目标检测模型。
7.一种目标检测方法,其特征在于,所述方法包括:
获取车辆在行车场景下的实时点云数据;
将所述实时点云数据输入至预先训练的第一目标检测模型,得到实时目标检测结果,其中,所述第一目标检测模型根据权利要求1-6任一项所述的方法训练得到。
8.一种目标检测模型的训练装置,其特征在于,所述装置包括:
点云数据获取模块,用于获取第一点云数据集以及第二点云数据集,所述第一点云数据集包括构建的行车场景中的异常点云数据帧,所述第二点云数据集包括采集的真实行车场景中的真实点云数据帧;
模型训练模块,用于利用所述第一点云数据集以及所述第二点云数据集,对第一初始检测模型进行训练,得到第一目标检测模型。
9.一种目标检测装置,其特征在于,所述装置包括:
实时点云获取模块,用于获取车辆在行车场景下的实时点云数据;
目标检测模块,用于将所述实时点云数据输入至预先训练的第一目标检测模型,得到实时目标检测结果,其中,所述第一目标检测模型根据权利要求1-6任一项所述的方法训练得到。
10.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行如权利要求1至7任一项所述的方法。
11.一种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中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077176.2A CN117237912A (zh) | 2023-08-24 | 2023-08-24 | 目标检测模型的训练方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077176.2A CN117237912A (zh) | 2023-08-24 | 2023-08-24 | 目标检测模型的训练方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237912A true CN117237912A (zh) | 2023-12-15 |
Family
ID=89090231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311077176.2A Pending CN117237912A (zh) | 2023-08-24 | 2023-08-24 | 目标检测模型的训练方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237912A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117456130A (zh) * | 2023-12-22 | 2024-01-26 | 山东街景智能制造科技股份有限公司 | 一种场景模型构建方法 |
-
2023
- 2023-08-24 CN CN202311077176.2A patent/CN117237912A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117456130A (zh) * | 2023-12-22 | 2024-01-26 | 山东街景智能制造科技股份有限公司 | 一种场景模型构建方法 |
CN117456130B (zh) * | 2023-12-22 | 2024-03-01 | 山东街景智能制造科技股份有限公司 | 一种场景模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10726304B2 (en) | Refining synthetic data with a generative adversarial network using auxiliary inputs | |
CN108875676B (zh) | 活体检测方法、装置及系统 | |
US10019652B2 (en) | Generating a virtual world to assess real-world video analysis performance | |
CN108961369B (zh) | 生成3d动画的方法和装置 | |
CN112232293B (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
US11810326B2 (en) | Determining camera parameters from a single digital image | |
CN114331829A (zh) | 一种对抗样本生成方法、装置、设备以及可读存储介质 | |
JP7374001B2 (ja) | 学習モデルの生成方法、プログラム及び情報処理装置 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN112734931B (zh) | 一种辅助点云目标检测的方法及系统 | |
US20230281974A1 (en) | Method and system for adaptation of a trained object detection model to account for domain shift | |
CN117237912A (zh) | 目标检测模型的训练方法、装置、计算机设备及存储介质 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
JP2019185787A (ja) | 地理的地域内のコンテナのリモート決定 | |
CN110598705B (zh) | 图像的语义标注方法及装置 | |
CN114549369B (zh) | 数据修复方法、装置、计算机及可读存储介质 | |
CN114140563A (zh) | 虚拟对象的处理方法及装置 | |
CN115588192A (zh) | 细胞图像分类方法和图像分类系统、电子设备及存储介质 | |
US20210064955A1 (en) | Methods, apparatuses, and computer program products using a repeated convolution-based attention module for improved neural network implementations | |
CN115019218B (zh) | 图像处理方法和处理器 | |
KR102026280B1 (ko) | 딥 러닝을 이용한 씬 텍스트 검출 방법 및 시스템 | |
CN115240168A (zh) | 感知结果获取方法、装置、计算机设备、存储介质 | |
CN111860261B (zh) | 一种客流值的统计方法、装置、设备及介质 | |
CN114463608A (zh) | 任务处理方法及相关设备 |
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 |