训练方法及装置、目标检测方法及装置、电子设备制造方法及图纸

本公开涉及训练方法及装置、目标检测方法及装置、电子设备、计算机可存储介质。训练方法包括：获取多个三维物体的训练点云数据及其标签数据；根据训练点云数据，利用目标检测模型，生成表征每个三维物体的预测空间位置的目标检测框和表征每个三维物体的预测分类的目标类别信息；确定与每个目标检测框对应的权重值，权重值与该标注框内的相应三维物体的观测点在该标注框内的空间占比成正相关；根据多个三维物体的多个目标检测框、多个标注框、多个三维物体的目标类别信息、标注类别信息和与多个目标检测框对应的权重值，利用目标检测模型，确定多个三维物体的目标损失值；根据目标损失值，训练目标检测模型，得到训练后的目标检测模型。检测模型。检测模型。

【技术实现步骤摘要】
训练方法及装置、目标检测方法及装置、电子设备


[0001]本公开涉及计算机
，特别涉及训练方法及装置、目标检测方法及装置、电子设备、计算机可存储介质。

技术介绍

[0002]基于点云的三维目标检测是计算视觉领域的基础课题之一，它是利用激光雷达扫描得到的点云空间分布识别物体的类别和空间位置的技术。由于遮挡、距离传感器较远等原因，很多点云数据无法完整覆盖整个待检测物体，导致点云数据中观测点比较稀疏的物体的检测结果不尽人意。
[0003]相关技术中，采用补点的方式增加点云数据中的观测点的数量以完善物体的轮廓。

技术实现思路

[0004]相关技术，采用补点的方式解决点云稀疏性问题不够稳定并且会引入较大的计算量。
[0005]针对上述技术问题，本公开提出了一种解决方案，可以提高训练目标检测模型的稳定性，从而提高目标检测模型的检测准确性。
[0006]根据本公开的第一方面，提供了一种目标检测模型的训练方法，包括：获取多个三维物体的训练点云数据及其标签数据，所述训练点云数据包括每个三维物体的观测点，所述标签数据包括表征每个三维物体的实际空间位置的标注框和表征每个三维物体的实际分类的标注类别信息；根据所述训练点云数据，利用目标检测模型，生成表征每个三维物体的预测空间位置的目标检测框和表征每个三维物体的预测分类的目标类别信息；根据与每个目标检测框对应的标注框，确定与所述每个目标检测框对应的权重值，所述权重值与该标注框内的相应三维物体的观测点在该标注框内的空间占比成正相关；根据所述多个三维物体的多个目标检测框、与所述多个目标检测框对应的多个标注框、所述多个三维物体的目标类别信息、标注类别信息和与所述多个目标检测框对应的权重值，利用所述目标检测模型，确定所述多个三维物体的目标损失值；根据所述目标损失值，训练所述目标检测模型，得到训练后的目标检测模型。
[0007]在一些实施例中，确定与所述每个目标检测框对应的权重值包括：针对每个目标检测框，确定包括对应的标注框内相应三维物体的观测点的最小包围框，所述最小包围框表征与所述每个目标检测框对应的标注框内相应三维物体的观测点的实际空间位置；针对每个目标检测框，根据对应的最小包围框和标注框，确定所述最小包围框与所述标注框的交叠率；根据与每个目标检测框对应的交叠率，确定与所述每个目标检测框对应的权重值。
[0008]在一些实施例中，根据与每个目标检测框对应的交叠率，确定与所述每个目标检测框对应的权重值包括：确定交叠率大于或等于交叠率阈值的目标检测框的总数量；确定与所述多个目标检测框对应的多个交叠率的总和；针对每个目标检测框，在对应的交叠率
大于或等于交叠率阈值的情况下，根据与所述每个目标检测框对应的交叠率、所述总数量和所述总和，确定与所述每个目标检测框对应的权重值。
[0009]在一些实施例中，所述权重值与相应交叠率和所述总数量均成正相关，与所述总和成负相关。
[0010]在一些实施例中，根据与所述每个目标检测框对应的交叠率、所述总数量和所述总和，确定与所述每个目标检测框对应的权重值包括：确定所述每个目标检测框对应的交叠率与所述总和之间的比值；根据所述比值和所述总数量，确定与所述每个目标检测框对应的权重值，所述权重值与所述比值和所述总数量均成正相关。
[0011]在一些实施例中，根据所述比值和所述总数量，确定与所述每个目标检测框对应的权重值包括：根据所述比值与所述总数量之间的乘积，确定与所述每个目标检测框对应的权重值。
[0012]在一些实施例中，根据与每个目标检测框对应的交叠率，确定与所述每个目标检测框对应的权重值包括：针对每个目标检测框，在对应的交叠率小于所述交叠率阈值的情况下，确定与所述每个目标检测框对应的权重值为预设值。
[0013]在一些实施例中，所述交叠率包括所述最小包围框与所述标注框的交并比。
[0014]在一些实施例中，所述目标检测模型包括第一子模型和第二子模型，生成表征每个三维物体的预测空间位置的目标检测框和表征每个三维物体的预测分类的目标类别信息包括：根据所述训练点云数据，利用所述第一子模型，生成表征每个三维物体的预测空间位置的初始检测框和表征每个三维物体的预测分类的初始类别信息；利用所述第二子模型，对每个三维物体的初始检测框和所述初始类别信息进行调整，得到对应的目标检测框和目标类别信息；确定所述多个三维物体的目标损失值包括：根据所述多个三维物体的多个目标检测框、与所述多个目标检测框对应的多个标注框、所述多个三维物体的目标类别信息、标注类别信息和与所述多个目标检测框对应的权重值，利用与所述第二子模型对应的损失函数，确定所述目标损失值；根据所述目标损失值，训练所述目标检测模型，得到训练后的目标检测模型包括：根据所述目标损失值，训练所述第二子模型，以得到训练后的目标检测模型。
[0015]在一些实施例中，所述目标损失值包括第一目标损失值和第二目标损失值，所述损失函数包括第一损失函数和第二损失函数，确定所述多个三维物体的目标损失值包括：根据所述多个三维物体的多个目标检测框、与所述多个目标检测框对应的多个标注框和与所述多个目标检测框对应的权重值，利用所述第一损失函数，确定所述第一目标损失值；根据所述多个三维物体的目标类别信息、标注类别信息和与所述多个目标检测框对应的权重值，利用所述第二损失函数，确定所述第二目标损失值。
[0016]在一些实施例中，利用所述第一损失函数，确定所述第一目标损失值包括:根据每个目标检测框及其对应的标注框，利用所述第一损失函数，确定与所述每个目标检测框所对应的三维物体对应的第一损失值；利用与所述多个目标检测框对应的权重值，对所述多个三维物体对应的第一损失值进行加权处理，得到所述第一目标损失值；利用与所述第二子模型对应的第二损失函数，确定所述第二目标损失值包括：根据每个三维物体的目标类别信息及其对应的标注类别信息，利用所述第二损失函数，确定与所述每个三维物体对应的第二损失值；利用与所述多个目标检测框对应的权重值，对所述多个三维物体对应的第
二损失值进行加权处理，得到所述第二目标损失值。
[0017]在一些实施例中，所述第二子模型存在多个，多个第二子模型之间串联，第一个第二子模型的输入为所述初始检测框和所述初始类别信息，每个子模型的输出为对应的目标检测框和目标类别信息，最后一个第二子模型的输出为所述目标检测模型的输出，每个第二子模型对应一个目标损失值，训练所述第二子模型包括：针对每个第二子模型，根据对应的目标损失值，训练所述每个第二子模型。
[0018]根据本公开第二方面，提供了一种目标检测方法，包括：获取待检测环境的点云数据，所述待检测环境包括一个或多个待检测三维物体；根据所述待检测环境的点云数据，利用基于如上述任一实施例所述的训练方法训练得到的目标检测模型，生成表征每个待检测三维物体的预测空间位置的目标检测框和表征每个待检测三维物体的预测分类的目标类别信息。
[0019]在一些实施例中，所述目标检测模型包括第一子模型和第二子模型，生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测模型的训练方法，包括：获取多个三维物体的训练点云数据及其标签数据，所述训练点云数据包括每个三维物体的观测点，所述标签数据包括表征每个三维物体的实际空间位置的标注框和表征每个三维物体的实际分类的标注类别信息；根据所述训练点云数据，利用目标检测模型，生成表征每个三维物体的预测空间位置的目标检测框和表征每个三维物体的预测分类的目标类别信息；根据与每个目标检测框对应的标注框，确定与所述每个目标检测框对应的权重值，所述权重值与该标注框内的相应三维物体的观测点在该标注框内的空间占比成正相关；根据所述多个三维物体的多个目标检测框、与所述多个目标检测框对应的多个标注框、所述多个三维物体的目标类别信息、标注类别信息和与所述多个目标检测框对应的权重值，利用所述目标检测模型，确定所述多个三维物体的目标损失值；根据所述目标损失值，训练所述目标检测模型，得到训练后的目标检测模型。2.根据权利要求1所述的训练方法，其中，确定与所述每个目标检测框对应的权重值包括：针对每个目标检测框，确定包括对应的标注框内相应三维物体的观测点的最小包围框，所述最小包围框表征与所述每个目标检测框对应的标注框内相应三维物体的观测点的实际空间位置；针对每个目标检测框，根据对应的最小包围框和标注框，确定所述最小包围框与所述标注框的交叠率；根据与每个目标检测框对应的交叠率，确定与所述每个目标检测框对应的权重值。3.根据权利要求2所述的训练方法，其中，根据与每个目标检测框对应的交叠率，确定与所述每个目标检测框对应的权重值包括：确定交叠率大于或等于交叠率阈值的目标检测框的总数量；确定与所述多个目标检测框对应的多个交叠率的总和；针对每个目标检测框，在对应的交叠率大于或等于交叠率阈值的情况下，根据与所述每个目标检测框对应的交叠率、所述总数量和所述总和，确定与所述每个目标检测框对应的权重值。4.根据权利要求3所述的训练方法，其中，所述权重值与相应交叠率和所述总数量均成正相关，与所述总和成负相关。5.根据权利要求4所述的训练方法，其中，根据与所述每个目标检测框对应的交叠率、所述总数量和所述总和，确定与所述每个目标检测框对应的权重值包括：确定所述每个目标检测框对应的交叠率与所述总和之间的比值；根据所述比值和所述总数量，确定与所述每个目标检测框对应的权重值，所述权重值与所述比值和所述总数量均成正相关。6.根据权利要求5所述的训练方法，其中，根据所述比值和所述总数量，确定与所述每个目标检测框对应的权重值包括：根据所述比值与所述总数量之间的乘积，确定与所述每个目标检测框对应的权重值。7.根据权利要求3所述的训练方法，其中，根据与每个目标检测框对应的交叠率，确定与所述每个目标检测框对应的权重值包括：
针对每个目标检测框，在对应的交叠率小于所述交叠率阈值的情况下，确定与所述每个目标检测框对应的权重值为预设值。8.根据权利要求2
‑
7任一项所述的训练方法，其中，所述交叠率包括所述最小包围框与所述标注框的交并比。9.根据权利要求1所述的训练方法，其中，所述目标检测模型包括第一子模型和第二子模型，生成表征每个三维物体的预测空间位置的目标检测框和表征每个三维物体的预测分类的目标类别信息包括：根据所述训练点云数据，利用所述第一子模型，生成表征每个三维物体的预测空间位置的初始检测框和表征每个三维物体的预测分类的初始类别信息；利用所述第二子模型，对每个三维物体的初始检测框和所述初始类别信息进行调整，得到对应的目标检测框和目标类别信息；确定所述多个三维物体的目标损失值包括：根据所述多个三维物体的多个目标检测框、与所述多个目标检测框对应的多个标注框、所述多个三维物体的目标类别信息、标注类别信息和与所述多个目标检测框对应的权重值，利用与所述第二子模型对应的损失函数，确定所述目标损失值；根据所述目标损失值，训练所述目标检测模型，得到训练后的目标检测模型包括：根据所述目标损失值，训练所述第二子模型，以得到训练后的目标检测模型。10.根据权利要求9所述的训练方法，其中，所述目标损失值包括第一目标损失值和第二目标损失值，所述损失函数包括第一损失函数和第二损失函数，确定所述多个三维物体的目标损失值包括：根据所述多个三维物体的多个目标检测框、与所述多个目标检测框对应的多个标注框和与所述多个目标检测框对应的权重值，利用所述第一损失函数，确定所述第一目标损失值；根据所述多个三维物体的目标类别信息、标注类别信息和与所述多个目标...

【专利技术属性】
技术研发人员：潘滢炜，姚霆，梅涛，
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：