模型生成方法、点云分类方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种模型生成方法、点云分类方法、装置、设备及存储介质。该模型生成方法包括：获取初步训练完成的点云分类模型、上一旋转角度、对原始点云进行旋转后得到的上一输入点云、及原始点云的点云类别；基于上一旋转角度对上一输入点云进行旋转，并将由此得到的当前输入点云和点云类别输入到点云分类模型，得到第一分类误差；确定第一分类误差相对于上一旋转角度的回传梯度，根据回传梯度对上一旋转角度进行处理；根据由此得到的当前旋转角度确定目标旋转角度以对原始点云进行旋转，得到对抗点云，并根据对抗点云和点云类别训练点云分类模型，以得到目标分类模型。本发明专利技术实施例的技术方案，可以提升点云分类模型的旋转鲁棒性。旋转鲁棒性。旋转鲁棒性。

【技术实现步骤摘要】
模型生成方法、点云分类方法、装置、设备及存储介质


[0001]本专利技术实施例涉及数据处理
，尤其涉及一种模型生成方法、点云分类方法、装置、设备及存储介质。

技术介绍

[0002]近些年来，基于深度学习的点云分类模型发展迅速，其已经逐渐被应用到各个领域中，如人脸识别、机器人的物体识别、无人驾驶的障碍检测等。
[0003]在现实生活场景中，因为点云采集设备的移动，由此采集得到的点云往往很难保证其姿态的一致性，如无人车上的传感器随着车辆的移动采集到的点云的姿态就会存在差异。因此，现有的点云分类模型通常是先将点云预先对齐到统一的坐标系下，然后再对该对齐后的点云进行分类。但是，这一过程涉及到大量的姿态计算，这降低了点云分类模型的实时性，从而导致了其无法应用在一些实时性要求较高的场景中。由此，如何提升点云分类模型的旋转鲁棒性，以保证其在应用时的实时性，这成为深度学习领域中新的发展方向。
[0004]在实现本专利技术的过程中，专利技术人发现现有技术中存在以下技术问题：目前在提升点云分类模型的旋转鲁棒性时，存在耗时、复杂度高和难以维持原有的点云分类性能的问题。

技术实现思路

[0005]本专利技术实施例提供了一种模型生成方法、点云分类方法、装置、设备及存储介质，以实现在省时、复杂度低且能够维持原有的点云分类性能的情况下，提升点云分类模型的旋转鲁棒性。
[0006]第一方面，本专利技术实施例提供了一种模型生成方法，可以包括：
[0007]获取初步训练完成的点云分类模型、上一旋转角度、对原始点云进行旋转后得到的上一输入点云、及原始点云的点云类别；
[0008]基于上一旋转角度对上一输入点云进行旋转，得到当前输入点云，并将当前输入点云和点云类别输入到点云分类模型中，得到第一分类误差；
[0009]确定第一分类误差相对于上一旋转角度的回传梯度，并根据回传梯度对上一旋转角度进行处理，得到当前旋转角度，其中，当前旋转角度包括在将基于当前旋转角度生成的旋转点云输入到点云分类模型后，得到大于第一分类误差的第二分类误差的旋转角度；
[0010]根据当前旋转角度确定目标旋转角度，根据目标旋转角度对原始点云进行旋转，得到对抗点云，并以对抗点云和点云类别为训练样本，对点云分类模型进行训练，以得到目标分类模型。
[0011]第二方面，本专利技术实施例还提供了一种点云分类方法，可以包括：
[0012]获取待分类点云、以及按照本专利技术任意实施例所提供的模型生成方法生成的目标分类模型；
[0013]将待分类点云输入至目标分类模型中，并根据目标分类模型的输出结果，得到待
分类点云的分类结果。
[0014]第三方面，本专利技术实施例还提供了一种模型生成装置，可以包括：
[0015]数据获取模块，用于获取初步训练完成的点云分类模型、上一旋转角度、对原始点云进行旋转后得到的上一输入点云、及原始点云的点云类别；
[0016]第一分类误差得到模块，用于基于上一旋转角度对上一输入点云进行旋转，得到当前输入点云，并将当前输入点云和点云类别输入到点云分类模型，得到第一分类误差；
[0017]当前旋转角度得到模块，用于确定第一分类误差相对于上一旋转角度的回传梯度，并根据回传梯度对上一旋转角度进行处理，得到当前旋转角度，其中，当前旋转角度包括在将基于当前旋转角度生成的旋转点云输入到点云分类模型后，得到大于第一分类误差的第二分类误差的旋转角度；
[0018]目标分类模型得到模块，用于根据当前旋转角度确定目标旋转角度，根据目标旋转角度对原始点云进行旋转，得到对抗点云，以对抗点云和点云类别为训练样本，对点云分类模型进行训练，以得到目标分类模型。
[0019]第四方面，本专利技术实施例还提供了一种点云分类装置，可以包括：
[0020]目标分类模型获取模块，用于获取待分类点云、以及按照本专利技术任意实施例所提供的模型生成方法生成的目标分类模型；
[0021]分类结果得到模块，用于将待分类点云输入至目标分类模型，并根据目标分类模型的输出结果，得到待分类点云的分类结果。
[0022]第五方面，本专利技术实施例还提供了一种电子设备，可以包括：
[0023]一个或多个处理器；
[0024]存储器，用于存储一个或多个程序；
[0025]当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本专利技术任意实施例所提供的模型生成方法或是点云分类方法。
[0026]第六方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时可实现本专利技术任意实施例所提供的模型生成方法或是点云分类方法。
[0027]本专利技术实施例的技术方案，通过获取初步训练完成的点云分类模型、上一旋转角度、对原始点云进行旋转后得到的上一输入点云、以及原始点云的点云类别；基于上一旋转角度对上一输入点云进行旋转，得到当前输入点云，并将当前输入点云和点云类别输入到点云分类模型，得到第一分类误差；确定第一分类误差相对于上一旋转角度的回传梯度，以便根据回传梯度对上一旋转角度进行处理，得到能够增大点云分类模型的分类误差的当前旋转角度，即相当于上一旋转角度，当前旋转角度对于点云分类模型的旋转攻击性更强；根据当前旋转角度确定目标旋转角度，并根据目标旋转角度对原始点云进行旋转，得到对抗点云，以对抗点云和点云类别为训练样本，对点云分类模型进行防御训练，由此以得到具有旋转鲁棒性的目标分类模型。上述技术方案，达到了在省时、复杂度低且能够维持原有的点云分类性能的情况下，提升点云分类模型的旋转鲁棒性的效果，从而可以更加方便高效的提升点云分类模型的旋转鲁棒性。
附图说明
[0028]图1是本专利技术实施例一中的一种模型生成方法的流程图；
[0029]图2是本专利技术实施例二中的一种模型生成方法的流程图；
[0030]图3a是本专利技术实施例三中的一种模型生成方法中可选示例的第一示意图；
[0031]图3b是本专利技术实施例三中的一种模型生成方法中可选示例的第二示意图；
[0032]图4是本专利技术实施例三中的一种模型生成方法的流程图；
[0033]图5是本专利技术实施例四中的一种点云分类方法的流程图；
[0034]图6是本专利技术实施例五中的一种模型生成装置的结构框图；
[0035]图7是本专利技术实施例六中的一种点云分类装置的结构框图；
[0036]图8是本专利技术实施例七中的一种电子设备的结构示意图。
具体实施方式
[0037]下面结合附图和实施例对本专利技术作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0038]在介绍本专利技术实施例之前，先对本专利技术实施例的应用场景进行示例性说明：目前提升点云分类模型的旋转鲁棒性的主流方案包括如下两类：基于旋转不变输入的方案和基于旋转等变结构的方案，其中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型生成方法，其特征在于，包括：获取初步训练完成的点云分类模型、上一旋转角度、对原始点云进行旋转后得到的上一输入点云、及所述原始点云的点云类别；基于所述上一旋转角度对所述上一输入点云进行旋转，得到当前输入点云，并将所述当前输入点云和所述点云类别输入到所述点云分类模型中，得到第一分类误差；确定所述第一分类误差相对于所述上一旋转角度的回传梯度，并根据所述回传梯度对所述上一旋转角度进行处理，得到当前旋转角度，其中，所述当前旋转角度包括在将基于所述当前旋转角度生成的旋转点云输入到所述点云分类模型后，得到大于所述第一分类误差的第二分类误差的旋转角度；根据所述当前旋转角度确定目标旋转角度，根据所述目标旋转角度对所述原始点云进行旋转，得到对抗点云，并以所述对抗点云和所述点云类别为训练样本，对所述点云分类模型进行训练，以得到目标分类模型。2.根据权利要求1所述的方法，其特征在于，所述上一旋转角度包括至少两个坐标轴下的轴旋转角度；所述确定所述第一分类误差相对于所述上一旋转角度的回传梯度，并根据所述回传梯度对所述上一旋转角度进行处理，得到当前旋转角度，包括：分别确定所述第一分类误差相对于各所述轴旋转角度的回传梯度，并从各所述回传梯度中确定目标梯度；将各所述坐标轴中与所述目标梯度对应的所述坐标轴作为目标坐标轴，且将所述目标坐标轴下的所述轴旋转角度作为待处理角度；根据所述目标梯度确定所述待处理角度在所述目标坐标轴下的旋转方向，并根据所述旋转方向对所述待处理角度进行处理，根据处理结果得到当前旋转角度，其中，所述当前旋转角度包括处理后的所述待处理角度、以及各所述轴旋转角度中除所述待处理角度之外的所述轴旋转角度。3.根据权利要求2所述的方法，其特征在于，所述根据所述旋转方向对所述待处理角度进行处理，根据处理结果得到当前旋转角度，包括：根据所述旋转方向对所述待处理角度进行处理，并将处理后的所述待处理角度映射到预设角度区间内，并根据映射结果得到当前旋转角度；和/或，所述从各所述回传梯度中确定目标梯度，包括：对各所述回传梯度的绝对值进行比较，将与最大的所述绝对值对应的所述回传梯度作为目标梯度。4.根据权利要求1所述的方法，其特征在于，所述根据所述当前旋转角度确定目标旋转角度，包括：将所述当前旋转角度作为所述上一旋转角度，且将所述当前输入点云作为所述上一输入点云，重复执行所述基于所述上一旋转角度对所述上一输入点云进行旋转，得到当前输入点云的步骤；如果旋转步骤的重复执行次数大于或是等于第一预设次数阈值、和/或所述第二分类误差大于或等于第一预设误差阈值，则将所述当前旋转角度作为目标旋转角度。5.根据权利要求1所述的方法，其特征在于，所述对所述点云分类模型进行训练，以得
到目标分类模型，包括：对所述点云分类模型进行训练，并根据训练结果更新所述点云分类模型；获取未经旋转的中间点云和初始化角度，并将所述中间点云作为所述原始点云和所述上一输入点云，且将所述初始化角度作为所述上一旋转角度；重复执行所述获取所述原始点云的点云类别的步骤，其中，各次获取到的所述初始化角度服从均匀分布；如果获取步骤的重复执行次数大于或是等于第二预设次数阈值、和/或在将所述对抗点云和所述点云类别输入到所述点云分类模型后得到的第三分类误差小于或是等于第二预设误差阈值，则将所述点云分类模型作为目标分类模型。6.根据权利要求1所述的方法，其特征在于，所述点云分类模型的数量是至少两个，所述将所述当前输入点云和所述点云类别输入到所述点云分类模型中，得到第一分类误差，包括：将所述当前输入点云和所述点云类别作为第一误差确定样本，将所述第一误差确定样本分别输入到各所述点云分类模型中，得到第一分类误差；所述确定所述第一分类误差相对于所述上一旋转角度的回传梯度，包括：针对每个所述第一分类误差，确定所述第一分类误差相对于所述上一旋转角度的回传梯度；所述根据所述目标旋转角度对所述原始点云进行旋转，包括：从各所述点云分类模型分别对应的所述目标旋转角度中确定最终旋转角度，并基于所述最终旋转角度对所述原始点云进行旋转；所述对所述点云分类模型进行训练，以得到目标分类模型，包括：对各所述点云分类模型中待提升旋转鲁棒...

【专利技术属性】
技术研发人员：杨一博，王睿彬，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：