本发明专利技术公开了点云序列识别模型的训练、识别方法、装置、设备及介质，包括：获取点云序列，从点云序列中选取不相邻的任意两帧点云数据，得到源点云和目标点云；将源点云和目标点云输入辅助任务模型进行点云重建得到重建点云，根据重建点云与目标点云的特征相似误差对辅助任务模型的编码器进行预训练处理，得到训练好的编码器；获取识别任务解码器，将识别任务解码器与训练好的编码器进行组合处理，得到初始化的点云序列识别模型；将点云序列输入初始化的点云序列识别模型进行训练，得到训练好的点云序列识别模型。本发明专利技术实施例能够减少点云序列识别模型对人工标记数据的依赖，能够适用于多种点云识别任务，可广泛应用于人工智能技术领域。领域。领域。
【技术实现步骤摘要】
点云序列识别模型的训练、识别方法、装置、设备及介质
[0001]本专利技术涉及人工智能
，尤其是一种点云序列识别模型的训练、识别方法、装置、设备及介质。
技术介绍
[0002]随着动态点云采集技术和设备的出现，人们能够轻易地获得大量的原始点云序列，通过监督学习方法从点云序列中捕获时空信息，但是监督学习方法需要投入大量的精准人工标注的标签。由于点云序列比点云，图像等数据具有更加复杂的时间和空间结构，需要减少点云序列识别系统对人工标记数据的依赖。当前，相关技术中的点云序列识别模型提供的监督信息比较有限，并不能适用多种点云识别任务。综合上述，相关技术中存在的技术问题亟需得到解决。
技术实现思路
[0003]有鉴于此，本专利技术实施例提供一种点云序列识别模型的训练、识别方法、装置、设备及介质，以实现使点云序列识别模型减低对标记数据的依赖以及提高对识别任务的适用性。
[0004]一方面，本专利技术提供了一种点云序列识别模型的训练方法，包括：
[0005]获取点云序列，从所述点云序列中选取不相邻的任意两帧点云数据，得到源点云和目标点云；
[0006]将所述源点云和所述目标点云输入辅助任务模型进行点云重建得到重建点云，根据所述重建点云与所述目标点云的特征相似误差对所述辅助任务模型的编码器进行预训练处理，得到训练好的编码器；
[0007]获取识别任务解码器，将所述识别任务解码器与所述训练好的编码器进行组合处理，得到初始化的点云序列识别模型；
[0008]将所述点云序列输入初始化的点云序列识别模型进行训练，得到训练好的点云序列识别模型。
[0009]可选地，所述将所述源点云和所述目标点云输入辅助任务模型进行点云重建得到重建点云，包括：
[0010]所述辅助任务模型包括编码器、特征变换器和辅助任务解码器；
[0011]将所述源点云和所述目标点云输入所述编码器进行高维特征表示映射处理，得到源点云特征和目标点云特征；
[0012]将所述源点云特征和所述目标点云特征输入所述特征变换器进行特征变换处理，得到目标点云预测特征；
[0013]将所述目标点云预测特征输入所述辅助任务解码器进行特征压缩处理，得到重建点云。
[0014]可选地，所述将所述源点云和所述目标点云输入所述编码器进行高维特征表示映
射处理，得到源点云特征和目标点云特征，其中，所述编码器包括四个处理层，每个处理层的处理步骤包括：
[0015]根据最远点采样方法对输入数据进行选取处理，得到邻域中心点；
[0016]根据所述邻域中心点选取目标半径进行邻域构建处理，得到时空邻域；
[0017]将所述时空邻域内的数据进行局部特征提取处理，并对提取得到的局部特征进行拼接，得到输出数据；
[0018]其中，所述每个处理层的所述目标半径各不相同。
[0019]可选地，所述将所述源点云特征和所述目标点云特征输入所述特征变换器进行特征变换处理，得到目标点云预测特征，包括：
[0020]对所述源点云特征进行均值方差变换处理，得到变换特征；
[0021]将所述变换特征与特征偏移量进行相加处理，得到相加特征；
[0022]将所述相加特征与所述目标点云特征进行加权求和处理，得到目标点云预测特征。
[0023]可选地，所述将所述目标点云预测特征输入所述辅助任务解码器进行特征压缩处理，得到重建点云，包括：
[0024]所述辅助任务解码器包括四个相同的特征传递层和一个全连接层；
[0025]通过所述特征传递层对所述目标点云预测特征进行反向映射处理，得到低维特征；
[0026]通过所述全连接层对所述低维特征进行坐标映射处理，得到重建点云。
[0027]可选地，所述将所述点云序列输入初始化的点云序列识别模型进行训练，得到训练好的点云序列识别模型，具体包括：
[0028]将所述点云序列输入初始化的点云序列识别模型，得到点云序列识别结果；
[0029]根据所述点云序列识别结果和点云序列标签确定训练的损失值；
[0030]根据所述损失值对所述识别任务解码器的参数进行更新，得到训练好的点云序列识别模型。
[0031]另一方面，本专利技术实施例还提供了一种点云序列识别方法，包括：
[0032]获取待识别的点云序列；
[0033]将所述待识别的点云序列输入到如权利要求1
‑
6中任一项所述的点云序列识别模型的训练方法所得到的点云序列识别模型中，得到点云序列识别结果。
[0034]另一方面，本专利技术实施例还提供了一种点云序列识别装置，包括：
[0035]第一模块，用于获取点云序列，从所述点云序列中选取不相邻的任意两帧点云数据，得到源点云和目标点云；
[0036]第二模块，用于将所述源点云和所述目标点云输入辅助任务模型进行点云重建得到重建点云，根据所述重建点云与所述目标点云的特征相似误差对所述辅助任务模型的编码器进行预训练处理，得到训练好的编码器；
[0037]第三模块，用于获取识别任务解码器，将所述识别任务解码器与所述训练好的编码器进行组合处理，得到初始化的点云序列识别模型；
[0038]第四模块，用于将所述点云序列输入初始化的点云序列识别模型进行训练，得到训练好的点云序列识别模型。
[0039]另一方面，本专利技术实施例还公开了一种电子设备，包括处理器以及存储器；
[0040]所述存储器用于存储程序；
[0041]所述处理器执行所述程序实现如前面所述的方法。
[0042]另一方面，本专利技术实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0043]另一方面，本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0044]本专利技术的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到：
[0045]本专利技术实施例中提供的点云序列识别模型的训练方法，通过将所述源点云和所述目标点云输入辅助任务模型进行点云重建得到重建点云，根据所述重建点云与所述目标点云的特征相似误差对所述辅助任务模型的编码器进行预训练处理，得到训练好的编码器；能够通过自监督方法对编码器进行训练，减少了点云序列识别模型对人工标记数据的依赖；本专利技术实施例还通过获取识别任务解码器，将所述识别任务解码器与所述训练好的编码器进行组合处理，得到初始化的点云序列识别模型；能够组合多种点云序列识别任务的解码器，从而用于多种点云序列识别任务，提高了点云序列识别模型的灵活性和泛化能力。
附图说明
[0046]为了更清楚地说明本申请实施例中的技术方案，下面将对实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种点云序列识别模型的训练方法，其特征在于，所述方法包括：获取点云序列，从所述点云序列中选取不相邻的任意两帧点云数据，得到源点云和目标点云；将所述源点云和所述目标点云输入辅助任务模型进行点云重建得到重建点云，根据所述重建点云与所述目标点云的特征相似误差对所述辅助任务模型的编码器进行预训练处理，得到训练好的编码器；获取识别任务解码器，将所述识别任务解码器与所述训练好的编码器进行组合处理，得到初始化的点云序列识别模型；将所述点云序列输入初始化的点云序列识别模型进行训练，得到训练好的点云序列识别模型。2.根据权利要求1所述的方法，其特征在于，所述将所述源点云和所述目标点云输入辅助任务模型进行点云重建得到重建点云，包括：所述辅助任务模型包括编码器、特征变换器和辅助任务解码器；将所述源点云和所述目标点云输入所述编码器进行高维特征表示映射处理，得到源点云特征和目标点云特征；将所述源点云特征和所述目标点云特征输入所述特征变换器进行特征变换处理，得到目标点云预测特征；将所述目标点云预测特征输入所述辅助任务解码器进行特征压缩处理，得到重建点云。3.根据权利要求2所述的方法，其特征在于，所述将所述源点云和所述目标点云输入所述编码器进行高维特征表示映射处理，得到源点云特征和目标点云特征，其中，所述编码器包括四个处理层，每个处理层的处理步骤包括：根据最远点采样方法对输入数据进行选取处理，得到邻域中心点；根据所述邻域中心点选取目标半径进行邻域构建处理，得到时空邻域；将所述时空邻域内的数据进行局部特征提取处理，并对提取得到的局部特征进行拼接，得到输出数据；其中，所述每个处理层的所述目标半径各不相同。4.根据权利要求2所述的方法，其特征在于，所述将所述源点云特征和所述目标点云特征输入所述特征变换器进行特征变换处理，得到目标点云预测特征，包括：对所述源点云特征进行均值方差变换处理，得到变换特征；将所述变换特征与特征偏移量进行相加处理，得到相加特征；将所述相加特征与所述目标点云特征进行加权求和处理，得到目标点云预测特征。5.根据权利要求2...
【专利技术属性】
技术研发人员：郭裕兰，危义民，
申请(专利权)人：中山大学，
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。