CN117975202A - 模型训练方法、业务执行方法、装置、介质及设备 - Google Patents
模型训练方法、业务执行方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117975202A CN117975202A CN202410388685.5A CN202410388685A CN117975202A CN 117975202 A CN117975202 A CN 117975202A CN 202410388685 A CN202410388685 A CN 202410388685A CN 117975202 A CN117975202 A CN 117975202A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- processed
- processing model
- initial residual
- 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
- 238000012549 training Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims description 130
- 238000012545 processing Methods 0.000 claims abstract description 121
- 238000005070 sampling Methods 0.000 claims description 53
- 239000013598 vector Substances 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 39
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000000295 complement effect Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Landscapes
- Image Generation (AREA)
Abstract
本说明书公开了模型训练方法、业务执行方法、装置、介质及设备,专用设备通过将获取的初始残缺点云数据进行填充处理,得到待处理点云数据,而后将待处理点云数据以及该待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中进行去噪,进而得到第一输出点云数据,根据此第一输出点云数据以及初始残缺点云数据对应的标签点云数据,即可对点云处理模型进行训练。训练后的点云处理模型可以将残缺点云数据对应的待处理点云数据去噪,从而获取残缺点云对应的去噪后的点云数据。该去噪后的点云数据相对于残缺点云数据更加完整,可通过此去噪后的点云数据作为还原点云数据,从而构建人体模型,进而执行目标业务。
Description
技术领域
本说明书涉及计算机图形学领域,尤其涉及模型训练方法、业务执行方法、装置、介质及设备。
背景技术
随着计算机图形学领域的不断发展,对点云数据的处理技术也愈发成熟,而基于点云数据的三维模型也越来越多的被使用在多个领域的业务之中,例如,在虚拟现实领域中,采集用户的点云数据并建立根据采集到的点云数据建立三维人体模型,从而实现对人体的测量,进而实现服装定制、尺寸提取等业务。
然而,现有的根据点云数据建立三维人体模型的方法对点云数据的要求往往较高,需要点云数据在精度不低于一定程度的情况下具备较高的完整性,即,点云数据中每个点云点的坐标与实际人体表面位置之间的误差较小,并且点云数据覆盖人体的范围不低于一定阈值,而对于点云数据而言,特别是人体点云数据,在采集过程中若保证较高的采集精度,则难以采集到较为完整的点云数据,所采集到的点云数据往往为残缺的点云数据,而基于残缺点云数据建立的三维人体模型存在无法满足业务需求的问题。
因此,如何提高获取到的人体点云数据的完整性,是一个亟待解决的问题。
发明内容
本说明书提供模型训练方法、业务执行方法、装置、介质及设备,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模型训练方法,包括:
获取初始残缺点云数据;
对所述初始残缺点云数据进行填充处理,得到待处理点云数据;
将所述待处理点云数据以及所述待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中,以使所述点云处理模型将所述待处理点云数据进行N次去噪操作,得到第一输出点云数据,N为整数;
根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练。
可选地,对所述初始残缺点云数据进行填充处理,得到待处理点云数据,具体包括:
根据所述初始残缺点云数据中各点云点对应的坐标,确定出所述初始残缺点云数据对应的形状特征向量;
通过预设的填充噪声数据对所述形状特征向量进行填充处理,得到补充形状特征向量,并依据各预设区域将所述补充形状特征向量转化为各局部点云数据;
将所述各局部点云数据进行叠加,得到融合点云数据,并将所述融合点云数据作为待处理点云数据。
可选地,根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练,具体包括:
根据所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M,M为整数;
将所述标签点云数据以及所述标签点云数据所需的加噪次数M输入到待训练的点云处理模型中,以使所述点云处理模型将所述标签点云数据进行M次加噪操作,得到第二输出点云数据;
以最小化所述第一输出点云数据与所述第二输出点云数据之间的偏差对所述待训练的点云处理模型进行训练。
可选地,根据所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M,具体包括:
根据所述待训练的点云处理模型对应的预设去噪次数T以及所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M。
可选地,在根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练之前,所述方法还包括:
将所述第一输出点云数据与所述初始残缺点云数据进行拼接,得到叠加点云数据;
对所述叠加点云数据进行多次采样,得到各采样点云数据;
从各采样点云数据中筛选出符合预设条件的点云数据,作为重构点云数据;
根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练,具体包括:
根据所述重构点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述待训练的点云处理模型进行训练。
可选地,从各采样点云数据中筛选出符合预设条件的点云数据,具体包括:
针对每个采样点云数据,确定该采样点云数据中包含的目标点云点对的数量,其中,所述目标点云点对中包含的两个点云点之间的距离小于预设距离阈值;
根据每个采样点云数据中包含的目标点云点对的数量,从各采样点云数据中筛选出包含的目标点云点对的数量最小的采样点云数据,作为符合预设条件的点云数据。
本说明书提供了一种业务执行方法,包括:
获取原始残缺点云数据,并对所述原始残缺点云数据进行填充处理,得到所述原始残缺点云数据对应的待处理点云数据;
将所述原始残缺点云数据对应的待处理点云数据以及预设的去噪次数,输入到预先训练的点云处理模型中,得到还原点云数据,其中,所述点云处理模型为采用上述的训练方法训练得到的模型;
根据所述还原点云数据构建人体模型,并通过所述构建出的人体模型执行目标业务。
本说明书提供了一种模型训练装置,包括:
获取模块:用于获取初始残缺点云数据;
填充模块:用于对所述初始残缺点云数据进行填充处理,得到待处理点云数据;
输入模块:用于将所述待处理点云数据以及所述待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中,以使所述点云处理模型将所述待处理点云数据进行N次去噪操作,得到第一输出点云数据,N为整数;
训练模块:用于根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练。
可选地,所述填充模块具体用于,
根据所述初始残缺点云数据中各点云点对应的坐标,确定出所述初始残缺点云数据对应的形状特征向量;通过预设的填充噪声数据对所述形状特征向量进行填充处理,得到补充形状特征向量,并依据各预设区域将所述补充形状特征向量转化为各局部点云数据;将所述各局部点云数据进行叠加,得到融合点云数据,并将所述融合点云数据作为待处理点云数据。
可选地,所述训练模块具体用于,
根据所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M,M为整数;将所述标签点云数据以及所述标签点云数据所需的加噪次数M输入到待训练的点云处理模型中,以使所述点云处理模型将所述标签点云数据进行M次加噪操作,得到第二输出点云数据;以最小化所述第一输出点云数据与所述第二输出点云数据之间的偏差对所述待训练的点云处理模型进行训练。
可选地,所述训练模块具体用于,
根据所述待训练的点云处理模型对应的预设去噪次数T以及所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M。
可选地,所述装置还包括:
重构模块,用于将所述第一输出点云数据与所述初始残缺点云数据进行拼接,得到叠加点云数据;对所述叠加点云数据进行多次采样,得到各采样点云数据;从各采样点云数据中筛选出符合预设条件的点云数据,作为重构点云数据;
所述训练模块,用于根据所述重构点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述待训练的点云处理模型进行训练。
可选地,所述重构模块具体用于,
针对每个采样点云数据,确定该采样点云数据中包含的目标点云点对的数量,其中,所述目标点云点对中包含的两个点云点之间的距离小于预设距离阈值;根据每个采样点云数据中包含的目标点云点对的数量,从各采样点云数据中筛选出包含的目标点云点对的数量最小的采样点云数据,作为符合预设条件的点云数据。
本说明书提供了一种业务执行装置,包括:
获取模块:用于获取原始残缺点云数据,并对所述原始残缺点云数据进行填充处理,得到所述原始残缺点云数据对应的待处理点云数据;
输入模块:用于将所述原始残缺点云数据对应的待处理点云数据以及预设的去噪次数,输入到预先训练的点云处理模型中,得到还原点云数据,其中,所述点云处理模型为采用上述的训练方法训练得到的模型;
执行模块:用于根据所述还原点云数据构建人体模型,并通过所述构建出的人体模型执行目标业务。
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模型训练方法或业务执行方法。
本说明书提供了一种电子设备,包括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模型训练方法或业务执行方法。
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:
在本说明书提供的模型训练方法中,专用设备先获取初始残缺点云数据,而后对初始残缺点云数据进行填充处理,以得到待处理点云数据,而后将待处理点云数据以及该待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中进行去噪,进而得到第一输出点云数据,根据此第一输出点云数据以及初始残缺点云数据对应的标签点云数据,即可对点云处理模型进行训练。训练后的点云处理模型可以将残缺点云数据对应的待处理点云数据去噪,从而获取残缺点云数据对应的去噪后的点云数据。
在本说明书提供的业务执行方法中,在获取原始残缺点云数据并对该原始残缺点云数据进行填充处理后,即可得到该原始残缺点云数据对应的待处理点云数据,而后即可将得到的该原始残缺点云数据对应的待处理点云数据输入到预先训练的点云处理模型中,得到还原点云数据,进而根据还原点云数据构建人体模型,并通过构建出的人体模型执行业务。
从上述方法可以看出,通过将经由填充处理后的原始残缺点云数据输入到预先训练的点云处理模型中,即可生成相对于原始残缺点云数据更加完整的还原点云数据,从而根据得到的还原点云数据构建人体模型,进而通过构建出的人体模型执行目标业务,通过提高获取到的原始残缺点云数据的完整性,满足了所执行业务对于点云数据的完整性的要求。
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模型训练方法流程示意图;
图2为本说明书提供的一种业务执行方法流程示意图;
图3为本说明书提供的一种模型训练装置的结构示意图;
图4为本说明书提供的一种业务执行装置的结构示意图;
图5为本说明书中提供的一种对应于图1或图2的电子设备的结构示意图。
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为本说明书提供的一种模型训练方法的流程示意图,包括:
S101:获取初始残缺点云数据。
本说明书提供的一种模型训练方法的执行主体可以是诸如笔记本电脑、台式电脑等终端设备,也可以是安装在终端设备中的客户端,也可以是服务器,抑或是用于训练模型的专用设备,而为了便于描述,下面仅以执行主体是专用设备为例,对本说明书提供的一种模型训练方法进行说明。
在现有的计算机图形学领域中,目前基于人体点云数据建立人体模型,进而执行业务的业务执行流程已经逐渐被应用到多个场景,例如,通过获取人体的三维点云数据建议人体模型,即可通过此人体模型确定出用户的身体尺寸,进而实现服装定制等后续业务。又例如,在虚拟现实领域,当采集到用户的精度较高的点云数据后,即可根据此点云数据判断用户的姿态,从而针对该姿态做出相应的响应,进而通过虚拟现实设备将此响应信息反馈给用户。而以上所说明的应用都需要采集到的用户的点云数据具备较高的精度,但对于现有的点云采集技术而言,若对点云数据精度的要求较高,则采集到的点云数据很容易出现不完整的情况,而对于基于点云数据执行的业务,点云数据的不完整会对业务的执行效率产生很大的影响。
基于此,本说明书提供了一种模型训练方法,专用设备获取初始残缺点云数据,而后专用设备将初始残缺点云数据进行填充处理,得到待处理点云数据,进而将待处理点云数据输入到点云处理模型进行去噪,并根据去噪后的点云数据以及初始残缺点云数据对应的标签点云数据对点云处理模型进行训练,从而训练出可对填充处理后的残缺点云数据进行去噪,从而初始残缺点云数据进行补全的点云处理模型。
在对点云处理模型进行训练的过程中,专用设备需要先获取用于作为训练样本的初始残缺点云数据,其中,该初始残缺点云数据可以通过对预设的完整点云数据进行采集获取,也可以通过指定的采集设备采集得到。
S102:对所述初始残缺点云数据进行填充处理,得到待处理点云数据。
专用设备获取初始残缺点云数据后,需要将该初始残缺点云数据进行补全,以得到相对该初始残缺点云更加完整的点云。而如果直接对该初始残缺点云数据进行人为补全,则补全难度过高。当然,也可以训练点云数据补全模型以对残缺点云数据进行补全,但点云数据补全模型的训练往往需要残缺点云数据作为训练样本,而后通过点云数据补全模型对残缺点云数据进行直接补全,并以最小化补全后的点云数据与残缺点云数据对应的完整点云之间的偏差为目标对点云数据补全模型进行训练。这种点云数据补全模型可以直接对残缺点云数据进行补全,但训练过程中所需的计算资源过多,并且训练出的点云数据补全模型在补全非训练样本集中的残缺点云时,难以准确的对该残缺点云数据进行补全,即局限性过大。
因此,本说明书提出了一种先获取初始残缺点云数据并对初始残缺点云进行填充处理,而后对填充后的点云数据进行去噪,从而实现初始残缺点云数据的补全。具体的,专用设备需要将获取到的初始残缺点云数据进行填充处理,其中,初始残缺点云数据设定为P,并且P内含有K个点云点,即点云,/>用于表示P为三维点云,/>为P中的第i个点。
专用设备根据初始残缺点云数据P中各点云点对应的坐标,即可对初始残缺点云数据P的形状特征进行提取,进而确定出初始残缺点云数据对应的形状特征向量,而后,专用设备将形状特征向量与预设的填充噪声数据进行拼合,以得到填充后的形状特征向量,作为补充形状特征向量,其中,对于填充噪声数据的预先采样,可以通过在二维高斯噪声数据中随机采样获取,当然,也可以在其他噪声数据中采样,例如符合正态分布的其余二维数据,在此就不多赘述了。补充形状特征向量在P对应的形状特征向量的基础上,额外加入了其他可用于表示形状特征的数据,因此,补充形状特征向量相对于P对应的形状特征向量,所对应的点云数据中的点云点数目更多。
而后,专用设备将补充形状特征向量依据各预设区域转化为各局部点云数据,其中,预设区域可预设为各平面,每个局部点云数据都是根据补充形状特征向量在该局部点云数据对应的预设区域下所表现出的形状特征转化出的。专用设备将各局部点云数据进行叠加,即可得到融合点云数据,作为待处理点云数据,该待处理点云数据对应的数据量相对于初始残缺点云数据对应的数据量更大,含有的点云点的数目更多。因此,可以将得到的待处理点云数据视作初始残缺点云数据对应的完整点云经由加噪后的点云数据,进而通过对待处理点云数据进行去噪,从而实现初始残缺点云数据的补全。
下面将结合公式对专用设备确定初始残缺点云数据P对应的形状特征向量的过程进行说明。
为了提取初始残缺点云数据P的形状特征,专用设备需要先根据P中的每个点云点的坐标,确定出的该点云点在对应着形状特征的特征空间中的表示/>:
其中,为确定该点云点在对应着形状特征的特征空间中的表示所需的激活函数,/>为该处理过程中预设的权重,/>为该处理过程中预设的偏置。
而后专用设备根据P中各点云点对应的在特征空间中的表示,执行最大化池操作max汇总P中各点云点对应的/>,得到池化特征/>:
最后,专用设备即可将池化特征映射为初始残缺点云数据对应的形状特征向量:
其中,为该池化特征映射过程对应的权重,/>为特征映射过程对应的偏置,/>为将池化特征映射为形状特征向量所需的激活函数。
而对于将形状特征向量与预设的填充噪声数据进行拼合,以得到填充后的形状特征向量,作为补充形状特征向量的过程。下面将以预设的填充噪声为在二维高斯噪声中随机采样的512个随机噪声为例,对填充过程进行说明。
z即为预先采集的噪声数据,作为预设的填充噪声数据。
而后专用设备可将形状特征向量与z相拼合,以得到填充后的形状特征向量,作为补充形状特征向量/>,而后将补充形状特征向量依据各预设区域转化为各局部点云数据,以各预设区域为十六个平面为例,将补充形状特征向量根据十六个平面转化为十六个平面点云,补充形状特征向量对应的第一个至第十六个平面点云依次为:,其中,专用设备将补充形状特征向量根据第L个平面转化得到平面点云的计算过程为:
即为转化处理过程。而后将十六个平面点云进行对齐,确保这些点云具备一致的坐标系,进而将其叠加为一个融合点云数据,该融合点云数据相对原本的初始残缺点云更加完整以及具体,尽管点云有一定程度的粗糙,不具备较高精度和细节,但在后续过程的处理下,经过去噪后的融合点云数据将提高精度,从而实现初始残缺点云数据对应的补全过程。
S103:将所述待处理点云数据以及所述待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中,以使所述点云处理模型将所述待处理点云数据进行N次去噪操作,得到第一输出点云数据。
专用设备得到待处理点云数据后,即可对待处理点云数据进行去噪处理,其中,对于待处理点云数据,往往需要多次去噪才能得到理想的点云数据,而如果仅通过单次去噪对待处理点云数据进行处理,则难以保证得到的点云数据的精细度。因此,本说明书在基于点云处理模型处理点云的基础上,为该点云处理模型设定了一个去噪次数T,此去噪次数T用于表示输入的待处理点云数据所需的总去噪次数。相应的,该点云处理模型即可更针对性的专注于学习每次去噪过程中待处理点云数据发生的变化情况,以使点云处理模型输出的待处理点云数据经由T次去噪次数去噪后的点云数据的精细度更高。
下面,将以设定的去噪次数T为5为例,为点云处理模型进行说明:
对于设定的去噪次数T为5的点云处理模型,在输入待处理点云数据之后,点云处理模型对该待处理点云数据进行5次去噪之后,即可得到去噪后的点云数据,作为补全后的点云,但为了更准确的使点云处理模型学习到每次去噪过程中待处理点云数据的变化情况,可以设定一个待处理点云数据所需的去噪次数N,而后将N以及待处理点云数据输入到待训练的点云处理模型之中,而后点云处理模型对待处理点云数据进行N次去噪,得到第一输出点云数据,其中,N为整数,并且0,得到的第一输出点云数据即可视为初始残缺点云数据在补全过程中的中间点云数据。
S104:根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练。
专用设备在获取第一输出点云数据后,即可根据第一输出点云数据以及初始残缺点云数据对应的标签点云数据,对点云处理模型进行训练。下面,将结合步骤S103中说明的第一输出点云数据的获取过程,对点云处理模型的训练过程进行举例说明:
对于第一输出点云数据,若根据该去噪次数为3的第一输出点云数据对点云处理模型进行训练,则需要对初始残缺点云数据对应的标签点云数据进行M次加噪,以得到可与第一输出点云数据进行对比的第二输出点云数据。其中,设定的总去噪次数T为5,待处理点云数据所需的去噪次数N为3,则与第一输出点云数据进行对比的点云数据即为初始残缺点云数据对应的标签点云数据经由两次加噪后获取的第二输出点云数据。获取的第二输出点云数据即可视作第一输出点云数据所对应的对比点云数据,从而根据第一输出点云数据与第二输出点云数据对点云处理模型进行训练。其中,初始残缺点云数据对应的对比点云数据所需的加噪次数M为N与T的差值,M为整数。即,需要根据待处理点云数据所需的去噪次数N,确定出初始残缺点云数据对应的标签点云数据所需的加噪次数M。
具体的,在对初始残缺点云数据对应的标签点云数据进行M次加噪的过程中,也可以通过点云处理模型对标签点云数据进行加噪处理,从而使点云处理模型在学习去噪过程的基础上,额外学习加噪过程中标签点云数据的变化情况。其中,对于加噪过程,可以下述公式进行说明:
其中,x即为输入至点云处理模型中的点云数据,f为加噪处理函数,θ以及都为参数,/>为常数函数,/>表示标准布朗运动,t代表加噪次数,如标签残缺点云对应的加噪次数M的值,或根据第一输出点云数据对应的去噪次数N,确定出的加噪次数T-N的值。
而对于去噪过程,去噪过程是基于加噪过程确定出的,以下述公式进行说明:
其中,s也为模型参数。
专用设备在将标签点云数据以及标签点云数据所需的加噪次数M输入到待训练的点云处理模型中,即可使点云处理模型对标签点云数据进行M次加噪操作,从而得到第二输出点云数据。而后以最小化第一输出点云数据与第二输出点云数据之间的偏差对点云处理模型进行训练。其中,对于总去噪次数为T的训练过程,完全可以分别设定N=1,2,3,4,5而后以每一个不同的N分别对点云处理模型进行训练。而计算点云数据之间偏差的方法可以通过计算两个点云数据之间的KL散度,作为两个点云数据之间的偏差,当然,也可以采用其他方法,本说明书在此就不多赘述了。
以KL散度作为计算点云数据之间偏差的方法为例,专用设备即可根据第一输出点云数据与加噪M次后的标签点云数据之间的KL散度,对点云处理模型进行训练。需要说明的是,由于初始残缺点云经过处理转化为第一输出点云数据的过程中可能会丢失部分原有的点云点,而对于初始残缺点云而言,初始残缺点云内的点云点往往精细度较高,较为准确。因此,在通过第一输出点云数据以及初始残缺点云数据对应的标签点云数据对点云处理模型进行训练之前,可以将第一输出点云数据与初始残缺点云数据进行拼接,得到叠加点云数据,而后对叠加点云数据进行多次采样,得到各采样点云数据。
而后,以点云点对中,两个点云点之间的距离小于预设距离阈值的点云点对作为目标点云点对,针对每个采样点云数据,确定该采样点云数据中包含的目标点云点对的数量,根据每个采样点云数据中包含的目标点云点对的数量,从各采样点云数据中筛选出包含的目标点云点对的数量最小的采样点云数据,作为符合预设条件的点云数据。通过预设点云点之间的距离阈值,可以使选取出的符合预设条件的点云数据中减少两个点云点对应同一个空间位置的情况。而后将符合预设条件的采样点云数据,作为重构点云数据。
对于重构点云数据,该重构点云数据对应的去噪次数与第一输出点云数据对应的去噪次数相同,都为N。因此,完全可以将该重构点云数据视为优化后的第一输出点云数据,在确定出该重构点云数据对应的第二输出点云数据后,根据重构点云数据以及该重构点云数据对应的第二输出点云数据对点云处理模型进行训练。
而除了重构点云数据可以视为优化后的第一输出点云数据,专用设备还可以通过其他方法对第一输出点云数据进行优化。例如,通过预先搭建的类残差网络对第一输出点云数据进行处理,以得到第一输出点云数据中较为重要的部分特征信息,这部分特征信息可以用于在第一输出点云数据中加入部分可信度较高的点云点,而后对加入了部分可信度较高的点云点后的第一输出点云数据进行采样,采样方式与重构点云数据对应的采样方式可以相同,当然,也可以选取其他采样方式,仅为了选取与第一输出点云数据的点云点数目相同的点云数据即可。经过类残差网络处理以及采样处理的第一输出点云数据,也可以视为优化后的第一输出点云数据,对应的去噪次数都为N。专用设备可以确定出该重构点云数据对应的第二输出点云数据,而后根据重构点云数据以及该重构点云数据对应的第二输出点云数据对点云处理模型进行训练。
当然,除了已经说明过的点云数据的重构以及通过类残差网络对点云数据的处理,还可以通过其他方式对第一输出点云数据进行优化,而后也可以将优化后的第一输出点云数据对应的去噪次数设为N,进而根据该强化后的第一输出点云数据对点云处理模型进行训练。对于优化次数,并没有严格的要求,完全可以对第一输出点云数据进行多次优化,例如,第一输出点云数据经由重构后,专用设备还可以将重构点云数据通过类残差网络进行优化,将优化后的重构点云数据对应的去噪次数设为N,确定出该优化后重构点云数据对应的第二输出点云数据,而后根据优化后重构点云数据以及该优化后重构点云数据对应的第二输出点云数据对点云处理模型进行训练。
另外,对于点云处理模型的加噪次数M,去噪次数N,以及总去噪次数T,本说明书不作具体限制,可根据实际需求具体限定,例如,对于需要点云数据精准度较高的业务,完全可以设定更多的去噪次数N,或设定更多的去噪次数T,以获取精准度更高的点云数据。
训练后的点云处理模型可以对输入的经过填充处理的残缺点云数据进行去噪,从而获取残缺点云数据对应的补全后的点云数据,实现了残缺点云数据在原有点云数据的基础上的补全,即还原过程。
从上述方法可以看出,通过上述的模型训练方法,可以训练出一个能够准确对点云数据进行加噪或去噪的点云处理模型,并且对于经过填充处理的残缺点云数据,可以通过对该填充后的填充点云进行去噪,得到残缺点云数据经由补全后的点云数据,作为还原点云数据,具体过程如下:
图2为本说明书提供的一种业务执行方法的流程示意图,包括:
S201:获取原始残缺点云数据,并对所述原始残缺点云数据进行填充处理,得到所述原始残缺点云数据对应的待处理点云数据。
本说明书提供的一种业务执行方法的执行主体可以是诸如笔记本电脑、台式电脑等终端设备,也可以是安装在终端设备中的客户端、服务器,而为了便于描述,下面仅以执行主体是服务器为例,对本说明书提供的一种业务执行方法进行说明。
对于基于点云数据所执行的业务,其往往对点云数据的精细度有着较高要求,而在采集点云数据的过程中,采集出的点云数据往往为残缺的,这难以满足业务对点云数据的要求。而本说明书提供的业务执行方法可以通过上述的模型训练方法训练出的点云处理模型,获取原始残缺点云数据对应的还原点云数据,以通过该还原点云数据执行目标任务。
以人体尺寸测量业务为例,服务器可将业务执行过程中所获取的残缺点云数据作为原始残缺点云数据,而后对原始残缺点云数据进行填充处理,得到原始残缺点云数据对应的待处理点云数据。 而后,服务器即可通过点云处理模型对原始残缺点云数据对应的待处理点云数据进行处理,得到还原点云数据。
S202:将所述原始残缺点云数据对应的待处理点云数据以及预设的去噪次数,输入到预先训练的点云处理模型中,得到还原点云数据。
服务器将原始残缺点云数据对应的待处理点云数据以及预设的去噪次数,输入到预先训练的点云处理模型中,即可得到还原点云数据,其中对于预设的去噪次数,可设定为训练过程中所设定的去噪次数T,当然,也可以设定其他次数,例如T+1次数,从而通过点云处理模型获取相对于还原点云更加精细的点云数据。
例如,在人体尺寸测量业务执行过程中,即可将残缺人体点云数据进行填充处理,获取残缺人体点云数据对应的待处理点云数据,而后将残缺人体点云数据对应的待处理点云数据以及预设的去噪次数T,输入到预先训练的点云处理模型中,得到残缺人体点云数据对应的还原点云数据,进而根据还原点云数据执行目标业务。
S203:根据所述还原点云数据构建人体模型,并通过所述构建出的人体模型执行目标业务。
服务器在获取原始残缺点云数据对应的还原点云数据后,即可根据原始残缺点云数据对应的还原点云数据构建人体模型,并通过构建出的人体模型执行目标业务。
例如,服务器在执行人体尺寸测量业务时,即可根据残缺人体点云数据对应的还原点云数据构建人体模型,从而通过构建出的人体模型确定出用户的身体所对应的尺寸信息,从而实现基于残缺点云数据的尺寸测量。
以上为本说明书的一个或多个模型训练方法与业务执行方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图3为本说明书实施例提供的一种模型训练装置的结构示意图,所述装置包括:
获取模块301:用于获取初始残缺点云数据;
填充模块302:用于对所述初始残缺点云数据进行填充处理,得到待处理点云数据;
输入模块303:用于将所述待处理点云数据以及所述待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中,以使所述点云处理模型将所述待处理点云数据进行N次去噪操作,得到第一输出点云数据,N为整数;
训练模块304:用于根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练。
可选地,所述填充模块302具体用于,
根据所述初始残缺点云数据中各点云点对应的坐标,确定出所述初始残缺点云数据对应的形状特征向量;通过预设的填充噪声数据对所述形状特征向量进行填充处理,得到补充形状特征向量,并依据各预设区域将所述补充形状特征向量转化为各局部点云数据;将所述各局部点云数据进行叠加,得到融合点云数据,并将所述融合点云数据作为待处理点云数据。
可选地,所述训练模块304具体用于,
根据所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M,M为整数;将所述标签点云数据以及所述标签点云数据所需的加噪次数M输入到待训练的点云处理模型中,以使所述点云处理模型将所述标签点云数据进行M次加噪操作,得到第二输出点云数据;以最小化所述第一输出点云数据与所述第二输出点云数据之间的偏差对所述待训练的点云处理模型进行训练。
可选地,所述训练模块304具体用于,
根据所述待训练的点云处理模型对应的预设去噪次数T以及所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M。
可选地,所述装置还包括:
重构模块305,用于将所述第一输出点云数据与所述初始残缺点云数据进行拼接,得到叠加点云数据;对所述叠加点云数据进行多次采样,得到各采样点云数据;从各采样点云数据中筛选出符合预设条件的点云数据,作为重构点云数据;
所述训练模块304,用于根据所述重构点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述待训练的点云处理模型进行训练。
可选地,所述重构模块305具体用于,
针对每个采样点云数据,确定该采样点云数据中包含的目标点云点对的数量,其中,所述目标点云点对中包含的两个点云点之间的距离小于预设距离阈值;根据每个采样点云数据中包含的目标点云点对的数量,从各采样点云数据中筛选出包含的目标点云点对的数量最小的采样点云数据,作为符合预设条件的点云数据。
图4为本说明书实施例提供的一种业务执行装置的结构示意图,所述装置包括:
获取模块401:用于获取原始残缺点云数据,并对所述原始残缺点云数据进行填充处理,得到所述原始残缺点云数据对应的待处理点云数据;
输入模块402:用于将所述原始残缺点云数据对应的待处理点云数据以及预设的去噪次数,输入到预先训练的点云处理模型中,得到还原点云数据,其中,所述点云处理模型为采用上述的训练方法训练得到的模型;
执行模块403:用于根据所述还原点云数据构建人体模型,并通过所述构建出的人体模型执行目标业务。
本说明书还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可用于执行上述图1提供的模型训练方法或上述图2提供的业务执行方法。
基于图1所示的模型训练方法与图2提供的业务执行方法,本说明书实施例还提供了图5所示的电子设备的结构示意图。如图5,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,以实现上述图1所述的一种模型训练方法或图2所述的一种业务执行方法。
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)
1.一种模型训练方法,其特征在于,包括:
获取初始残缺点云数据;
对所述初始残缺点云数据进行填充处理,得到待处理点云数据;
将所述待处理点云数据以及所述待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中,以使所述点云处理模型将所述待处理点云数据进行N次去噪操作,得到第一输出点云数据,N为整数;
根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练。
2.如权利要求1所述的方法,其特征在于,对所述初始残缺点云数据进行填充处理,得到待处理点云数据,具体包括:
根据所述初始残缺点云数据中各点云点对应的坐标,确定出所述初始残缺点云数据对应的形状特征向量;
通过预设的填充噪声数据对所述形状特征向量进行填充处理,得到补充形状特征向量,并依据各预设区域将所述补充形状特征向量转化为各局部点云数据;
将所述各局部点云数据进行叠加,得到融合点云数据,并将所述融合点云数据作为待处理点云数据。
3.如权利要求1所述的方法,其特征在于,根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练,具体包括:
根据所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M,M为整数;
将所述标签点云数据以及所述标签点云数据所需的加噪次数M输入到待训练的点云处理模型中,以使所述点云处理模型将所述标签点云数据进行M次加噪操作,得到第二输出点云数据;
以最小化所述第一输出点云数据与所述第二输出点云数据之间的偏差对所述待训练的点云处理模型进行训练。
4.如权利要求3所述的方法,其特征在于,根据所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M,具体包括:
根据所述待训练的点云处理模型对应的预设去噪次数T以及所述待处理点云数据所需的去噪次数N,确定出所述初始残缺点云数据对应的标签点云数据所需的加噪次数M。
5.如权利要求1所述的方法,其特征在于,在根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练之前,所述方法还包括:
将所述第一输出点云数据与所述初始残缺点云数据进行拼接,得到叠加点云数据;
对所述叠加点云数据进行多次采样,得到各采样点云数据;
从各采样点云数据中筛选出符合预设条件的点云数据,作为重构点云数据;
根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练,具体包括:
根据所述重构点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练。
6.如权利要求5所述的方法,其特征在于,从各采样点云数据中筛选出符合预设条件的点云数据,具体包括:
针对每个采样点云数据,确定该采样点云数据中包含的目标点云点对的数量,其中,所述目标点云点对中包含的两个点云点之间的距离小于预设距离阈值;
根据每个采样点云数据中包含的目标点云点对的数量,从各采样点云数据中筛选出包含的目标点云点对的数量最小的采样点云数据,作为符合预设条件的点云数据。
7.一种业务执行方法,其特征在于,包括:
获取原始残缺点云数据,并对所述原始残缺点云数据进行填充处理,得到所述原始残缺点云数据对应的待处理点云数据;
将所述原始残缺点云数据对应的待处理点云数据以及预设的去噪次数,输入到预先训练的点云处理模型中,得到还原点云数据,其中,所述点云处理模型为采用权利要求1~6中任一项所述的训练方法训练得到的模型;
根据所述还原点云数据构建人体模型,并通过所述构建出的人体模型执行目标业务。
8.一种模型训练装置,其特征在于,包括:
获取模块:用于获取初始残缺点云数据;
填充模块:用于对所述初始残缺点云数据进行填充处理,得到待处理点云数据;
输入模块:用于将所述待处理点云数据以及所述待处理点云数据所需的去噪次数N输入到待训练的点云处理模型中,以使所述点云处理模型将所述待处理点云数据进行N次去噪操作,得到第一输出点云数据,N为整数;
训练模块:用于根据所述第一输出点云数据以及所述初始残缺点云数据对应的标签点云数据,对所述点云处理模型进行训练。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410388685.5A CN117975202A (zh) | 2024-04-01 | 2024-04-01 | 模型训练方法、业务执行方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410388685.5A CN117975202A (zh) | 2024-04-01 | 2024-04-01 | 模型训练方法、业务执行方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117975202A true CN117975202A (zh) | 2024-05-03 |
Family
ID=90861398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410388685.5A Pending CN117975202A (zh) | 2024-04-01 | 2024-04-01 | 模型训练方法、业务执行方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117975202A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275633A (zh) * | 2020-01-13 | 2020-06-12 | 五邑大学 | 基于图像分割的点云去噪方法、系统、装置和存储介质 |
CN115546061A (zh) * | 2022-09-30 | 2022-12-30 | 杭州电子科技大学 | 一种具有形状感知的三维点云模型修复方法 |
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 |
CN116012600A (zh) * | 2023-01-30 | 2023-04-25 | 西湾智慧(广东)信息科技有限公司 | 基于形态学提取点云局部曲面特征的方法 |
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 |
WO2023087526A1 (zh) * | 2021-11-18 | 2023-05-25 | 上海仙途智能科技有限公司 | 用于点云去噪的方法、电子设备及存储介质 |
CN116309144A (zh) * | 2023-03-08 | 2023-06-23 | 广州大学 | 一种基于扩散概率模型的点云形状补全方法 |
-
2024
- 2024-04-01 CN CN202410388685.5A patent/CN117975202A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275633A (zh) * | 2020-01-13 | 2020-06-12 | 五邑大学 | 基于图像分割的点云去噪方法、系统、装置和存储介质 |
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 |
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 |
WO2023087526A1 (zh) * | 2021-11-18 | 2023-05-25 | 上海仙途智能科技有限公司 | 用于点云去噪的方法、电子设备及存储介质 |
CN115546061A (zh) * | 2022-09-30 | 2022-12-30 | 杭州电子科技大学 | 一种具有形状感知的三维点云模型修复方法 |
CN116012600A (zh) * | 2023-01-30 | 2023-04-25 | 西湾智慧(广东)信息科技有限公司 | 基于形态学提取点云局部曲面特征的方法 |
CN116309144A (zh) * | 2023-03-08 | 2023-06-23 | 广州大学 | 一种基于扩散概率模型的点云形状补全方法 |
Non-Patent Citations (1)
Title |
---|
肖冰凌: "《单视角残缺点云补全问题研究》", 《CNKI优秀硕士学位论文全文库》, 15 June 2022 (2022-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117372631B (zh) | 一种多视角图像生成模型的训练方法、应用方法 | |
CN116977525B (zh) | 一种图像渲染方法、装置、存储介质及电子设备 | |
CN116309823A (zh) | 一种位姿的确定方法、装置、设备及存储介质 | |
CN117392485B (zh) | 图像生成模型训练方法、业务执行方法、装置及介质 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115809696B (zh) | 虚拟形象模型训练方法及装置 | |
CN117409466A (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN117173002A (zh) | 模型训练、图像生成、信息提取方法、装置及电子设备 | |
CN117975202A (zh) | 模型训练方法、业务执行方法、装置、介质及设备 | |
CN117934858B (zh) | 一种点云的处理方法、装置、存储介质及电子设备 | |
CN117726907B (zh) | 一种建模模型的训练方法、三维人体建模的方法以及装置 | |
CN117808976B (zh) | 一种三维模型构建方法、装置、存储介质及电子设备 | |
CN117911630B (zh) | 一种三维人体建模的方法、装置、存储介质及电子设备 | |
CN116309924B (zh) | 一种模型训练的方法、图像展示的方法及装置 | |
CN115830196B (zh) | 虚拟形象处理方法及装置 | |
JP7459357B1 (ja) | 画像認識方法、装置、デバイスおよび記憶媒体 | |
CN115862668B (zh) | 机器人基于声源定位判断交互对象的方法和系统 | |
CN117893692B (zh) | 一种基于对称视图的三维重建方法、装置及存储介质 | |
CN116579414B (zh) | 模型训练方法、mri薄层数据重建方法、装置及设备 | |
CN117934858A (zh) | 一种点云的处理方法、装置、存储介质及电子设备 | |
CN117876610B (zh) | 针对三维构建模型的模型训练方法、装置、存储介质 | |
CN117726760B (zh) | 一种用于视频的三维人体重建模型的训练方法及装置 | |
CN115953706B (zh) | 虚拟形象处理方法及装置 | |
CN117745956A (zh) | 一种基于位姿引导的图像生成方法、装置、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |