目标检测模型训练方法、目标检测方法以及电子设备技术

本发明专利技术揭示了一种目标检测模型训练方法、目标检测方法以及电子设备，涉及目标检测领域。该方法包括：获取带有标注信息的三维点云数据；标注信息包括至少一个检测对象对应的三维真实边界框信息；将三维点云数据输入至初始检测模型，确定各检测对象对应的三维预测边界框信息；基于各检测对象对应的三维预测边界框信息以及三维真实边界框信息，计算回归损失；基于回归损失，更新初始检测模型的参数，以得到目标检测模型。使用该方法解决了三维目标检测模型训练过程中，损失函数与评估指标不匹配的问题，从而保证了目标检测模型优化方向与目标检测准确率提升的最终目标达成完全一致，提高了目标检测模型的性能。高了目标检测模型的性能。高了目标检测模型的性能。

【技术实现步骤摘要】
目标检测模型训练方法、目标检测方法以及电子设备


[0001]本专利技术涉及目标检测领域，具体涉及一种目标检测模型训练方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]目标检测作为人工智能领域、计算机视觉方向长期以来最经典的问题，相关技术被广泛应用于安全、军事、交通、医疗等各个领域。相比于二维目标检测技术，目前基于深度相机、激光点云数据、双目视觉等技术的三维目标检测才刚起步。一方面，深度学习算法的发展主要是由数据驱动的，三维数据采集成本高、难度大，严重阻碍相关领域的研究。另一方面，受传感器的限制，采集所得的三维数据一般具有不规则的特征，使得基于二维数据研发的算法难以进行直接迁移。而现实环境中，所有物体都处于三维空间，对深度信息检测的缺失会极大限制AI技术的实际应用。人工智能时代的到来，“元宇宙”概念的实现，虚拟现实、增强现实技术的发展，泛机器人领域(包括自动驾驶、人形机器人、狗形机器人)的研究，智能制造技术的进步等，都依赖于三维目标检测技术的突破性发展。
[0003]在现阶段三维目标检测算法实现过程中，为了利用二维目标检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型训练方法，其特征在于，所述方法包括：获取带有标注信息的三维点云数据；所述标注信息包括至少一个检测对象对应的三维真实边界框信息；将所述三维点云数据输入至初始检测模型，确定各所述检测对象对应的三维预测边界框信息；基于各所述检测对象对应的三维预测边界框信息以及所述三维真实边界框信息，计算回归损失；基于所述回归损失，更新所述初始检测模型的参数，以得到目标检测模型。2.根据权利要求1所述的方法，其特征在于，所述基于各所述检测对象对应的三维预测边界框信息以及所述三维真实边界框信息，计算回归损失，包括：根据各所述检测对象对应的三维预测边界框信息，确定各所述检测对象对应的预测框；基于各所述检测对象对应的三维真实边界框信息，确定真实框；计算各所述预测框与各所述真实框之间的三维交并比；根据各所述预测框与各所述真实框之间的三维交并比，计算所述回归损失。3.根据权利要求2所述的方法，其特征在于，所述根据各所述预测框与各所述真实框之间的三维交并比，计算所述回归损失，包括：获取各所述检测对象的权重信息；根据各所述检测对象的权重信息以及各所述预测框与各所述真实框之间的三维交并比，计算所述回归损失。4.根据权利要求1所述的方法，其特征在于，所述标注信息还包括至少一个检测对象对应的真实类别，所述方法还包括：将所述三维点云数据输入至所述初始检测模型，确定各所述检测对象对应的预测类别；根据各所述检测对象对应的预测类别以及所述真实类别，计算分类损失；基于所述分类损失以及所述回归损失，确定总目标损失；基于所述总目标损失，更新所述初始检测模型的参数，以得到目标检测模型。5.根据权利要求4所述的方法，其特征在于，所述根据各所述检测对象对应的预测类别以及所述真实类别，计算分类损失，包括：获取各所述检测对象的权重信息；根据各所述检测对象的权重信息、所述预测类别以及所述真实类别，计算所述分类损失。6.根据权利要求1所述的方法，其特征在于，所述将所述三维点云数据输入至初...

【专利技术属性】
技术研发人员：詹景麟，刘铁军，李仁刚，韩大峰，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：