点云数据分割模型训练方法、装置、存储介质及电子设备制造方法及图纸

本申请提出一种点云数据分割模型训练方法、装置、存储介质及电子设备，获取初始模型对第一点云数据的标注结果，第一点云数据为未进行人工标注的点云数据；根据标注结果从第一点云数据中确定用于作为训练样本的样本点云数据；基于样本点云数据对初始模型进行加权训练，以使初始模型收敛，样本点云数据的每个点的权重与其对应的置信度负相关。本申请中，用于作为训练样本的样本点云数据是由初始模型进行标注的，无需通过人工标注即可获得新的训练样本，从而可以解决三维点云的人工标注的难度大、周期长以及成本高等问题。度大、周期长以及成本高等问题。度大、周期长以及成本高等问题。

【技术实现步骤摘要】
点云数据分割模型训练方法、装置、存储介质及电子设备


[0001]本申请涉及机器学习领域，具体而言，涉及一种点云数据分割模型训练方法、装置、存储介质及电子设备。

技术介绍

[0002]随着各类自动化设备在农业中的应用越来越广泛,自动化设备能够提供的信息越来越多,其中就包含二维的图像信息和三维的点云信息。三维点云分割任务(或过程)是三维的点云信息的应用过程中的重要步骤。三维点云分割任务较为依赖三维点云数据的标注数据。
[0003]相比与二维图像的标注,三维点云数据的标注更加具有难度性。目前三维点云分割任务的需求越来越多，现有的三维点云分割算法严重依赖标注数据，但三维点云数据的标注难度大、周期长、成本高。从而导致三维点云分割的实现难度大、周期长以及成本高。

技术实现思路

[0004]本申请的目的在于提供一种点云数据分割模型训练方法、装置、存储介质及电子设备，以至少部分改善上述问题。
[0005]为了实现上述目的，本申请实施例采用的技术方案如下：
[0006]第一方面，本申请实施例提供一种点云数据分割模型训练方法，所述方法包括：
[0007]获取初始模型对第一点云数据的标注结果，其中，所述第一点云数据为未进行人工标注的点云数据，所述标注结果包括所述第一点云数据每一个点对应的预测类别和置信度；
[0008]根据所述标注结果从所述第一点云数据中确定用于作为训练样本的样本点云数据；
[0009]基于所述样本点云数据对所述初始模型进行加权训练，以使所述初始模型收敛，其中，所述样本点云数据的每个点的权重与其对应的置信度负相关。
[0010]第二方面，本申请实施例提供一种点云数据分割模型训练装置，所述装置包括：
[0011]处理单元，用于获取初始模型对第一点云数据的标注结果，其中，所述第一点云数据为未进行人工标注的点云数据，所述标注结果包括所述第一点云数据每一个点对应的预测类别和置信度；
[0012]所述处理单元还用于根据所述标注结果从所述第一点云数据中确定用于作为训练样本的样本点云数据；
[0013]训练单元，用于基于所述样本点云数据对所述初始模型进行加权训练，以使所述初始模型收敛，其中，所述样本点云数据的每个点的权重与其对应的置信度负相关。
[0014]第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。
[0015]第四方面，本申请实施例提供一种电子设备，所述电子设备包括：处理器和存储
器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现上述的方法。
[0016]相对于现有技术，本申请实施例所提供的一种点云数据分割模型训练方法、装置、存储介质及电子设备，获取初始模型对第一点云数据的标注结果，其中，第一点云数据为未进行人工标注的点云数据，标注结果包括第一点云数据每一个点对应的预测类别和置信度；根据标注结果从第一点云数据中确定用于作为训练样本的样本点云数据；基于样本点云数据对初始模型进行加权训练，以使初始模型收敛，其中，样本点云数据的每个点的权重与其对应的置信度负相关。本方案中，用于作为训练样本的样本点云数据是由初始模型进行标注的，无需通过人工标注即可获得新的训练样本，从而可以解决三维点云的人工标注的难度大、周期长以及成本高等问题。样本点云数据是根据标注结果从第一点云数据中确定的，因此样本点云数据的标注结果具有较高的可信度，在此基础上，使样本点云数据的每一个点的权重与其对应的置信度负相关，可以使得点云数据分割模型能够专注于泛化到表现不好的数据上，模型具有更好的泛化能力。
[0017]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0018]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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它相关的附图。
[0019]图1为本申请实施例提供的电子设备的结构示意图；
[0020]图2为本申请实施例提供的点云数据分割模型训练方法的流程示意图；
[0021]图3为本申请实施例提供的S107的子步骤示意图；
[0022]图4为本申请实施例提供的S103的子步骤示意图；
[0023]图5为本申请实施例提供的S103的子步骤示意图之一；
[0024]图6为本申请实施例提供以中置信度点为中心的预设范围示意图；
[0025]图7为本申请实施例提供的S103的子步骤示意图之一；
[0026]图8为本申请实施例提供以高置信度点为中心的预设范围示意图；
[0027]图9为本申请实施例提供的点云数据分割模型训练方法的流程示意图之一；
[0028]图10为本申请实施例提供的点云数据分割模型训练方法的流程示意图之一；
[0029]图11为本申请实施例提供的点云数据分割模型训练方法的单元示意图。
[0030]图中：10
‑
处理器；11
‑
存储器；12
‑
总线；13
‑
通信接口；201
‑
处理单元；202
‑
训练单元。
具体实施方式
[0031]为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施
例的组件可以以各种不同的配置来布置和设计。
[0032]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
[0033]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0034]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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
……”
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云数据分割模型训练方法，其特征在于，所述方法包括：获取初始模型对第一点云数据的标注结果，其中，所述第一点云数据为未进行人工标注的点云数据，所述标注结果包括所述第一点云数据每一个点对应的预测类别和置信度；根据所述标注结果从所述第一点云数据中确定用于作为训练样本的样本点云数据；基于所述样本点云数据对所述初始模型进行加权训练，以使所述初始模型收敛，其中，所述样本点云数据的每个点的权重与其对应的置信度负相关。2.如权利要求1所述的点云数据分割模型训练方法，其特征在于，所述基于所述样本点云数据对所述初始模型进行加权训练的步骤，包括：基于第二点云数据和所述样本点云数据对所述初始模型进行加权训练，其中，所述第二点云数据为已经完成人工标注的点云数据，所述第二点云数据的点对应的权重高于所述样本点云数据的点对应的权重。3.如权利要求2所述的点云数据分割模型训练方法，其特征在于，所述第二点云数据中每个点的权重均为1。4.如权利要求1所述的点云数据分割模型训练方法，其特征在于，所述根据所述标注结果从所述第一点云数据中确定用于作为训练样本的样本点云数据的步骤，包括：将所述第一点云数据中的高置信度点确定为所述样本点云数据，其中，所述高置信度点为预测类别对应的置信度大于或等于第一置信度阈值的点。5.如权利要求4所述的点云数据分割模型训练方法，其特征在于，还包括：将所述第一点云数据中的中置信度点确定为所述样本点云数据，其中，所述中置信度点为预测类别对应的置信度小于所述第一置信度阈值，大于第二置信度阈值的点，且以所述中置信度点为中心的预设范围内至少存在一个与所述中置信度点的预测类别相同的高置信度点。6.如权利要求4所述的点云数据分割模型训练方法，其特征在于，还包括：从所述高置信度点为中心的预设区域内的各个点中筛选出与所述高置信度点的预测类别相同，且对应的置信度小于所述第一置信度阈值大于...

【专利技术属性】
技术研发人员：翁立宇，杨若楠，
申请(专利权)人：广州极飞科技股份有限公司，
类型：发明
国别省市：