【技术实现步骤摘要】
面向自动驾驶基于伪标签的点云3D目标检测方法
[0001]本专利技术属于自动驾驶领域和深度学习领域，具体涉及一种面向自动驾驶基于伪标签的点云3D目标检测方法。
技术介绍
[0002]近年来随着摄像头、毫米波雷达、激光雷达等多种传感器成本的不断降低以及深度学习及其配套算力硬件的高速发展，加快了自动驾驶技术的进步，使自动驾驶任务具有可行性，自动驾驶任务可分为目标检测、目标跟踪、决策判断等多个子任务，其中目标检测实现了对车辆附近空间的信息感知，为后续的跟踪和决策提供了信息基础，是非常关键的先决条件，在众多传感器中，激光雷达可以获得点云格式的数据，具有分辨率高、识别准确、测量速度快、抗干扰能力强等诸多优点，成为了实现目标检测的最佳选择。围绕激光雷达展开的关于点云3D目标检测受到学术界和工业界的高度重视。
[0003]点云3D目标检测任务是指将传感器将获取的信号转换成点云的格式对周围空间的指定目标进行分类和定位，是3D场景感知中的基本任务之一。随着激光雷达、4D毫米波雷达的发展和自动驾驶技术的逐步成熟，基于点云的3D目标检测任...
【技术保护点】
【技术特征摘要】
1.一种面向自动驾驶基于伪标签的点云3D目标检测方法，其特征在于，该方法为：对点云数据进行预处理，并对点云数据进行体素化操作，获得训练数据；通过训练数据构建神经网络；通过所述训练数据集进行神经网络的前向传播并且确定体素的伪标签数据，通过真实标签数据和伪标签数据确定一阶段检测Loss函数、二阶段检测Loss函数和伪标签分类Loss函数，通过所述一阶段检测Loss函数、二阶段检测Loss函数和伪标签分类Loss函数加权求和作为最终的损失函数；通过最终的损失函数对神经网络的参数进行反向传播，获得训练好的神经网络；通过训练好的神经网络对预测数据集进行目标检测预测确定点云3D目标。2.根据权利要求1所述的面向自动驾驶基于伪标签的点云3D目标检测方法，其特征在于，所述对点云数据进行预处理，具体为：给定空间范围，保留范围内的点云数据，以每个点云数据为中心，统计半径为的球形邻域内其他点云数据的个数，若，则滤除该点云，否则保留该点云，获得参与运算的点云集合。3.根据权利要求2所述的面向自动驾驶基于伪标签的点云3D目标检测方法，其特征在于，所述对点云数据进行体素化操作，获得训练数据，具体为：给定最大的体素数目、每个体素中最多包含的点云个数和每个体素的空间大小，依据原始点云的特征维度，通过采样将点云数据体素化，构建训练数据。4.根据权利要求3所述的面向自动驾驶基于伪标签的点云3D目标检测方法，其特征在于，所述点云体素化，具体为：将点云空间分割成指定的均匀大小的长方体，即体素，每个体素中最多保留个点云数据，不足的部分用0补足，最终从所有的体素中选择至多个体素，不足的部分用0补足，最终获得体素点云关系张量及其对应的体素坐标序号。5.根据权利要求1
‑
4任意一项所述的面向自动驾驶基于伪标签的点云3D目标检测方法，其特征在于，所述通过训练数据构建神经网络，具体为：依次构建神经网络中的素编码模块、鸟瞰图映射网络模块、2D卷积网络模块、3D卷积网络模块、体...
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。