【技术实现步骤摘要】
使用基于伪元素的数据扩增来训练点云处理神经网络
[0001]对相关申请的交叉引用
[0002]本申请要求于2020年11月16日提交的美国临时专利申请第63/114,508号的优先权,其公开通过引用被整体合并于此。
[0003]本说明书涉及训练在点云上运行的神经网络。
技术介绍
[0004]神经网络是机器学习模型,其采用一层或多层非线性单元来预测接收输入的输出。一些神经网络除了输出层之外,还包括一个或多个隐藏层。每个隐藏层的输出被用作网络中的下一层、即下一个隐藏层或输出层的输入。网络的每一层根据相应参数集的当前值从接收的输入生成输出。
技术实现思路
[0005]本说明书描述了一种在一个或多个位置的一台或多台计算机上被实现为计算机程序的系统,该系统训练点云处理神经网络,该点云处理神经网络被配置为对标记训练示例(labeled training example)和未标记点云(unlabeled point cloud)二者执行点云处理任务。
[0006]换句话说,被训练的神经网络被配置为处理包括点云的网络输入,以生成点云处理任务的网络输出。
[0007]点云处理任务能够是需要神经网络处理点云的任何适当的任务。这种任务的一个示例是对象检测,其中网络输出标识被预测与对象相对应的点云区域。这种任务的另一个示例是轨迹预测,其中网络输出预测由点云表征的一个或多个代理的未来轨迹。这种任务的再一个示例是点云分割,其中网络输出将点云中的每个点分配给相应的类别,例如,将图像分割成背景类别和前 ...
【技术保护点】
【技术特征摘要】
1.一种由一台或多台计算机执行的用于训练神经网络的方法,所述神经网络被配置为处理包括点云的网络输入以生成点云处理任务的网络输出,所述方法包括:获得一组标记训练示例,每个标记训练示例包括(i)点云和(ii)点云的相应标记,所述标记指定要由神经网络通过处理点云生成的目标网络输出;获得未标记点云的集合;对每个未标记点云生成相应的伪标记,该伪标记是对未标记点云的标记的预测;对集合中的每个未标记点云,基于未标记点云的相应伪标记生成多个伪元素,其中,每个伪元素是点云中的点的相应真子集;通过使用对未标记点云生成的伪元素扩增标记训练示例来生成扩增的训练数据;以及在扩增的训练数据上训练神经网络。2.根据权利要求1所述的方法,所述点云处理任务是标识网络输入中的点云中的一个或多个区域的任务。3.根据权利要求2所述的方法,其中,生成所述多个伪元素包括:根据伪标记生成伪背景元素,伪背景元素包括属于点云的背景的点;以及根据伪标记生成一个或多个伪边界框元素,每个伪边界框元素包括与相应对象的测量相对应的点。4.根据权利要求3所述的方法,其中,通过使用对未标记点云生成的伪元素扩增标记训练示例来生成扩增的训练数据包括,对一个或多个标记训练示例中的每一个:确定是否扩增标记训练示例中的点云的背景;响应于确定扩增点云的背景:选择伪背景元素中的一个;以及根据点云的标记,在点云中用所选择的伪背景元素替换包括属于点云的背景的点的背景元素。5.根据权利要求4所述的方法,其中,确定是否扩增标记训练示例中的点云的背景包括:确定扩增背景的概率为p并且确定不扩增背景的概率为1
‑
p。6.根据权利要求3所述的方法,其中,通过使用对未标记点云生成的伪元素扩增标记训练示例来生成扩增的训练数据包括,对一个或多个标记训练示例中的每一个:确定是否扩增标记训练示例中的点云的前景;响应于确定扩增点云的前景:选择一个或多个伪边界框元素;以及将一个或多个所选择的伪边界框元素中的每一个添加到点云。7.根据权利要求6所述的方法,其中,确定是否扩增标记训练示例中的点云的前景包括:确定扩增前景的概率为f并且确定不扩增前景的概率为1
‑
f。8.根据权利要求6所述的方法,其中,将一个或多个所选择的伪边界框元素中的每一个添加到点云包括:在将一个或多个所选择的伪边界框元素中的每一个添加到点云之前,旋转一个或多个所选择的伪边界框元素中的每一个,以将伪边界框元素与点云的地平面对齐。
9.根据权利要求6所述的方法,其中,将一个或多个所选择的伪边界框元素中的每一个添加到点云包括:根据点云的标记,从点云中移除(i)与一个或多个所选择的伪边界框元素中的任何一个相冲突并且(ii)在点云的背景中的任何点。10.根据权利要求6所述的方法,其中,选择一个或多个伪边界框元素包括:根据点云的标记,仅选择不与现有边界框元素冲突的伪边界框元素。11.根据权利要求6所述的方法,其中,所述伪标记将每个伪边界框元素与置信度分数相关联,置信度分数表示伪边界框元素与实际对象相对应的可能性,并且其中,选择一个或多个伪边界框元素包括:仅选择具有高于指定阈值的置信度分数的伪边界框元素。12.一种由一台或多台计算机执行的用于训练具有多个网络参数的神经网络的方法,该神经网络被配置为根据网络参数处理包括点云的网络输入,以生成点云处理任务的网络输出,所述方法包括:维护指定训练候选的群体的数据,所维护的数据对每个训练候选指定:(i)网络参数的值,(ii)训练候选在点云处理任务上的性能度量,和(iii)训练过程的一组超参数的值;以及在多个训练代的每一代:获得一组标记训练示例,每个标记训练示例包括点云和点云的标记,该标记指定要由神经网络通过处理包括点云的网络输入生成的目标网络输出;获得未标记点云的集合;基于每个训练候选的相应性能度量,选择具有最佳性能度量的一个或多个训练候选;使用一个或多个所选择的训练候选,对每个未标记点云生成相应的伪标记,该伪标记是对未标记点云的标记的预测;基于未标记点云的相应伪标记生成多个伪元素,其中每个伪元素是点云中的点的相应真子集;对群体中的每个...
【专利技术属性】
技术研发人员:Z冷,S程,W王,X张,D安格洛夫,
申请(专利权)人:伟摩有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。