三维目标检测方法及其模型的训练方法及相关装置、设备制造方法及图纸

本申请公开了一种三维目标检测方法及其模型的训练方法及相关装置、设备，其中，三维目标检测模型的训练方法包括：获取样本三维图像，其中，样本三维图像标注有三维目标的实际区域的实际位置信息；利用三维目标检测模型对样本三维图像进行目标检测，得到与样本三维图像的一个或多个子图像对应的一个或多个预测区域信息，其中，每个预测区域信息包括预测区域的预测位置信息和预测置信度；利用实际位置信息与一个或多个预测区域信息，确定三维目标检测模型的损失值；利用损失值，调整三维目标检测模型的参数。上述方案，能够直接检测得到三维目标，并降低其检测难度。

Three dimensional target detection method and its model training method and related devices and equipment

【技术实现步骤摘要】
三维目标检测方法及其模型的训练方法及相关装置、设备
本申请涉及人工智能
，特别是涉及一种三维目标检测方法及其模型的训练方法及相关装置、设备。
技术介绍
随着神经网络、深度学习等人工智能技术的发展，对神经网络模型进行训练，并利用经训练的神经网络模型完成目标检测等任务的方式，逐渐受到人们的青睐。然而，现有的神经网络模型一般都是以二维图像作为检测对象而设计的，对于诸如MRI(MagneticResonanceImaging，核磁共振成像)图像等三维图像，往往需要将其拆分为二维平面图像后进行处理，从而失去图像空间信息和结构信息，因此，难以直接检测得到三维图像中的三维目标。有鉴于此，如何检测得到三维目标，并降低其检测难度成为亟待解决的问题。
技术实现思路
本申请主要解决的技术问题是提供一种三维目标检测方法及其模型的训练方法及相关装置、设备，能够直接检测得到三维目标，并降低其检测难度。为了解决上述问题，本申请第一方面提供了一种三维目标检测模型的训练方法，包括：获取样本三维图像，其中，样本三维图像标注有三维目标的实际本文档来自技高网...

【技术保护点】
1.一种三维目标检测模型的训练方法，其特征在于，包括：/n获取样本三维图像，其中，所述样本三维图像标注有三维目标的实际区域的实际位置信息；/n利用三维目标检测模型对所述样本三维图像进行目标检测，得到与所述样本三维图像的一个或多个子图像对应的一个或多个预测区域信息，其中，每个所述预测区域信息包括预测区域的预测位置信息和预测置信度；/n利用所述实际位置信息与所述一个或多个所述预测区域信息，确定所述三维目标检测模型的损失值；/n利用所述损失值，调整所述三维目标检测模型的参数。/n

【技术特征摘要】
1.一种三维目标检测模型的训练方法，其特征在于，包括：
获取样本三维图像，其中，所述样本三维图像标注有三维目标的实际区域的实际位置信息；
利用三维目标检测模型对所述样本三维图像进行目标检测，得到与所述样本三维图像的一个或多个子图像对应的一个或多个预测区域信息，其中，每个所述预测区域信息包括预测区域的预测位置信息和预测置信度；
利用所述实际位置信息与所述一个或多个所述预测区域信息，确定所述三维目标检测模型的损失值；
利用所述损失值，调整所述三维目标检测模型的参数。


2.根据权利要求1所述的训练方法，其特征在于，所述预测区域信息的数量为预设数量个，所述预设数量与所述三维目标检测模型的输出尺寸相匹配；
所述利用所述实际位置信息与所述一个或多个所述预测区域信息，确定所述三维目标检测模型的损失值，包括：
利用所述实际位置信息，生成分别与所述预设数量个子图像对应的预设数量个实际区域信息，其中，每个所述实际区域信息包括所述实际位置信息和实际置信度，所述实际区域的预设点所在的子图像对应的实际置信度为第一值，其余所述子图像对应的实际置信度为小于所述第一值的第二值；
利用与所述预设数量个子图像中对应的所述实际位置信息和所述预测位置信息，得到位置损失值；
利用与所述预设数量个子图像中对应的所述实际置信度和所述预测置信度，得到置信度损失值；
基于所述位置损失值和所述置信度损失值，得到所述三维目标检测模型的损失值。


3.根据权利要求2所述的训练方法，其特征在于，所述实际位置信息包括所述实际区域的实际预设点位置和实际区域尺寸，所述预测位置信息包括所述预测区域的预测预设点位置和预测区域尺寸；
所述利用与所述预设数量个子图像中对应的所述实际位置信息和所述预测位置信息，得到位置损失值，包括：
利用二分类交叉熵函数，对与所述预设数量个子图像中对应的所述实际预设点位置和所述预测预设点位置进行计算，得到第一位置损失值；
利用均方误差函数，对与所述预设数量个子图像中对应的所述实际区域尺寸和所述预测区域尺寸进行计算，得到第二位置损失值；
所述利用与所述预设数量个子图像中对应的所述实际置信度和所述预测置信度，得到置信度损失值，包括：
利用二分类交叉熵函数，对与所述预设数量个子图像中对应的所述实际置信度和所述预测置信度进行计算，得到置信度损失值；
所述基于所述位置损失值和所述置信度损失值，得到所述三维目标检测模型的损失值，包括：
对所述第一位置损失值、所述第二位置损失值和所述置信损失值进行加权处理，得到所述三维目标检测模型的损失值。


4.根据权利要求1-3中任意一项所述的训练方法，其特征在于，在所述利用所述实际位置信息与所述一个或多个所述预测区域信息，确定所述三维目标检测模型的损失值之前，所述方法还包括：
将所述实际位置信息的值、所述一个或多个所述预测位置信息和所述预测置信度均约束至预设数值范围内；
所述利用所述实际位置信息与所述一个或多个所述预测区域信息，确定所述三维目标检测模型的损失值，包括：
所述利用经约束后的所述实际位置信息与所述一个或多个所述预测区域信息，确定所述三维目标检测模型的损失值。


5.根据权利要求4所述的训练方法，其特征在于，所述实际位置信息包括所述实际区域的实际预设点位置和实际区域尺寸，所述预测位置信息包括所述预测区域的预测预设点位...

【专利技术属性】
技术研发人员：董乐，张宁，陈相蕾，赵磊，黄宁，赵亮，袁璟，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海;31