检测方法、装置及计算机存储介质制造方法及图纸

本申请公开了一种检测方法、装置及计算机存储介质，包括：获取目标物体的激光雷达点云数据；基于激光雷达点云数据，获取预先训练的神经网络模型对目标物体的第一预测结果以及集成学习模型对目标物体的第二预测结果；基于第一预测结果和第二预测结果，确定目标物体所属的类别。如此，通过利用神经网络进行目标检测的基础上，结合通过集成学习进行类别验证操作，以提升目标检测的抗干扰性和鲁棒性，从而提高了目标检测的准确度。提高了目标检测的准确度。提高了目标检测的准确度。

【技术实现步骤摘要】
检测方法、装置及计算机存储介质


[0001]本专利技术涉及机器学习
，特别是涉及一种检测方法、装置及计算机存储介质。

技术介绍

[0002]在激光雷达3D目标检测任务中，通常是通过神经网络预测目标物体的位置和类别。而神经网络能够准确识别目标物体是依赖于前期足够的训练，对于训练过的目标物体，神经网络可以正确给出物体类别和位置信息。而对于没有训练过的目标物体，或者在某一视角下的目标物体未被训练过，神经网络可能就无法输出正确结果，即无法正确识别。或者，在激光雷达的实际应用中，许多场景下的物体有多种形状或大小，比如雨、雪、烟尘、尾气等，或者和其他物体有一定的相似性时，神经网络也容易混淆，即无法正确识别。

技术实现思路

[0003]本专利技术的目的在于提供一种检测方法、装置及计算机存储介质，通过利用神经网络进行目标检测的基础上，结合通过集成学习进行类别验证操作，以提升目标检测的抗干扰性和鲁棒性，从而提高了目标检测的准确度。
[0004]为达到上述目的，本专利技术的技术方案是这样实现的：
[0005]第一方面，本专利技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测方法，其特征在于，所述方法包括以下步骤：获取目标物体的激光雷达点云数据；基于所述激光雷达点云数据，获取预先训练的神经网络模型对所述目标物体的第一预测结果以及集成学习模型对所述目标物体的第二预测结果；基于所述第一预测结果和所述第二预测结果，确定所述目标物体所属的类别。2.根据权利要求1所述检测方法，所述基于所述激光雷达点云数据，获取预先训练的神经网络模型对所述目标物体的第一预测结果以及集成学习模型对所述目标物体的第二预测结果，包括以下步骤：将所述激光雷达点云数据输入预先训练的神经网络模型，获得所述神经网络模型对所述目标物体的第一预测结果以及3D检测框；获取所述3D检测框内点云的特征向量，并将所述特征向量和/或所述第一预测结果输入预先训练的集成学习模型，获得所述集成学习模型对所述目标物体的第二预测结果。3.根据权利要求1或2所述的检测方法，所述基于所述激光雷达点云数据，获取预先训练的神经网络模型对所述目标物体的第一预测结果以及集成学习模型对所述目标物体的第二预测结果之前，还包括以下步骤：获取第一训练样本集，所述第一训练样本集中的各个训练样本包括物体的激光雷达点云数据及其对应的类别；根据所述第一训练样本集训练所述神经网络模型；获取第二训练样本集，所述第二训练样本集中的各个训练样本包括物体的3D检测框内点云的特征向量及其对应的类别；根据所述第二训练样本集训练所述集成学习模型。4.根据权利要求3所述的检测方法，所述集成学习模型包括XGBoost模型；所述根据所述第二训练样本集训练所述集成学习模型，包括以下步骤：将所述第二训练样本集划分为训练集和测试集；确定N颗CART树，并从所述训练集中随机有放回的选取预设数量的所述特征向量作为每颗CART树的输入，N为正整数；对于第1颗CART树，将对应的特征向量作为输入、整体训练值作为目标值进行训练；所述整体训练值为所述训练集中各个训练样本包含的物体对应的类别值；对于第n颗CART树，将对应的特征向量作为输入、第n
‑
1颗CART树输出的预测值残差和所述整体训练值作为目标值进行训练，2≤n≤N；利用测试集对训练后的N颗CART树进行测...

【专利技术属性】
技术研发人员：王己龙，
申请(专利权)人：合众新能源汽车有限公司，
类型：发明
国别省市：