数据处理方法、装置、计算机设备、存储介质和程序产品制造方法及图纸

本申请涉及一种数据处理方法、装置、计算机设备、存储介质和程序产品。所述方法包括：获取目标区域的点云数据；将所述点云数据输入至特征提取网络中，得到所述点云数据中各体素点云对应的体素特征，各所述体素点云是对所述点云数据进行体素分割得到的，各所述体素特征用于对所述点云数据进行点云分割处理或者目标检测处理；其中，所述特征提取网络是基于样本图像中的各个超像素对应的超像素特征和点云特征进行对比学习得到的。采用本方法能够提升数据处理效率。数据处理效率。数据处理效率。

【技术实现步骤摘要】
数据处理方法、装置、计算机设备、存储介质和程序产品


[0001]本申请涉及数据处理
，特别是涉及一种数据处理方法、装置、计算机设备、存储介质和程序产品。

技术介绍

[0002]激光雷达目前已经越来越多的应用于各行各业。以自动驾驶为例，激光雷达作为车辆的“眼睛”，可以对车辆的行驶环境进行感知，探测车辆行驶过程中的路况和障碍物，具有极其重要的作用。
[0003]激光雷达所产生的点云数据包含众多信息，其数据量非常庞大，相关技术中，利用点云数据进行点云分割或者目标检测时，在模型训练阶段，通常基于大量带标注的点云数据进行监督学习。
[0004]然而，上述方式存在数据处理效率低下的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提升数据处理效率的数据处理方法、装置、计算机设备、存储介质和程序产品。
[0006]第一方面，本申请提供了一种数据处理方法。所述方法包括：
[0007]获取目标区域的点云数据；
[0008]将所述点云数据输入至特征提取网络中，得到所述点云数据中各体素点云对应的体素特征，各所述体素点云是对所述点云数据进行体素分割得到的，各所述体素特征用于对所述点云数据进行点云分割处理或者目标检测处理；
[0009]其中，所述特征提取网络是基于样本图像中的各个超像素对应的超像素特征和点云特征进行对比学习得到的。
[0010]在其中一个实施例中，所述方法还包括：
[0011]获取针对样本区域的所述样本图像以及样本点云数据，并对所述样本图像进行超像素分割，得到各所述超像素；
[0012]根据所述样本图像获取各所述超像素对应的超像素特征，并根据所述样本点云数据获取各所述超像素对应的点云特征；
[0013]基于各所述超像素特征以及各所述点云特征进行对比学习，得到所述特征提取网络。
[0014]在其中一个实施例中，所述根据所述样本图像获取各所述超像素对应的超像素特征，包括：
[0015]将所述样本图像输入至神经网络模型中，得到所述样本图像对应的像素特征；
[0016]从所述像素特征中确定各所述超像素分别对应的目标像素特征，并分别对各所述目标像素特征进行池化处理，得到各所述超像素特征。
[0017]在其中一个实施例中，所述根据所述样本点云数据获取各所述超像素对应的点云
特征，包括：
[0018]将所述样本点云数据输入至初始特征提取网络中，得到所述样本点云数据中各初始体素点云对应的初始体素特征；
[0019]根据各所述初始体素特征获取各所述超像素对应的所述点云特征。
[0020]在其中一个实施例中，所述根据各所述初始体素特征获取各所述超像素对应的所述点云特征，包括：
[0021]根据所述样本点云数据与所述样本图像之间的坐标映射关系，将各所述初始体素特征投影至所述像素特征所在的坐标系，得到中间体素特征；
[0022]从所述中间体素特征中确定各所述超像素分别对应的目标体素特征，并分别对各所述目标体素特征进行池化处理，得到各所述点云特征。
[0023]在其中一个实施例中，所述方法还包括：
[0024]对所述中间体素特征进行下采样处理，以使下采样处理后的中间体素特征的特征维度与所述像素特征的特征维度相同；
[0025]所述从所述中间体素特征中确定各所述超像素分别对应的目标体素特征，包括：
[0026]从所述下采样处理后的中间体素特征中确定各所述超像素分别对应的所述目标体素特征。
[0027]在其中一个实施例中，所述方法还包括：
[0028]根据所述坐标映射关系，从所述中间体素特征中剔除无效点特征，得到剔除后的中间体素特征；
[0029]所述从所述中间体素特征中确定各所述超像素分别对应的目标体素特征，包括：
[0030]从所述剔除后的中间体素特征中确定各所述超像素分别对应的所述目标体素特征。
[0031]在其中一个实施例中，所述方法还包括：
[0032]将各所述体素特征输入至预测网络中，得到各所述体素点云对应的预测类别，所述预测网络是利用所述特征提取网络和点云训练样本对初始预测网络进行微调预训练得到的。
[0033]第二方面，本申请还提供了一种数据处理装置。所述装置包括：
[0034]第一获取模块，用于获取目标区域的点云数据；
[0035]处理模块，用于将所述点云数据输入至特征提取网络中，得到所述点云数据中各体素点云对应的体素特征，各所述体素点云是对所述点云数据进行体素分割得到的，各所述体素特征用于对所述点云数据进行点云分割处理或者目标检测处理；
[0036]其中，所述特征提取网络是基于样本图像中的各个超像素对应的超像素特征和点云特征进行对比学习得到的。
[0037]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法的步骤。
[0038]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。
[0039]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。
[0040]上述数据处理方法、装置、计算机设备、存储介质和程序产品，通过获取目标区域的点云数据，而后，将该点云数据输入至特征提取网络中，得到该点云数据中各体素点云对应的体素特征，各体素点云是对该点云数据进行体素分割得到的，各体素特征用于对该点云数据进行点云分割处理或者目标检测处理，且该特征提取网络是基于样本图像中的各个超像素对应的超像素特征和点云特征进行对比学习得到的，这样，本申请实施例在特征提取网络的训练阶段，不必对作为训练样本的点云数据(以下称之为样本点云数据)人工添加大量的标注标签，而是将样本点云数据和样本图像结合进行自监督学习，具体是基于样本图像中的各个超像素对应的超像素特征和点云特征进行对比学习，从而提升了特征提取网络的训练效率，进而提升了基于该特征提取网络对点云数据进行特征提取以及后续的点云分割处理或者目标检测处理的数据处理效率。
附图说明
[0041]图1为一个实施例中计算机设备的内部结构图；
[0042]图2为一个实施例中数据处理方法的流程示意图；
[0043]图3为一个实施例中训练特征提取网络的流程示意图；
[0044]图4为一个实施例中样本图像以及对样本图像进行超像素分割得到各超像素的示意图；
[0045]图5为一个实施例中获取各超像素对应的超像素特征的流程示意图；
[0046]图6为一个实施例中获取各超像素对应的点云特征的流程示意图；
[0047]图7为一个实施例中步骤602的流程示意图；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，所述方法包括：获取目标区域的点云数据；将所述点云数据输入至特征提取网络中，得到所述点云数据中各体素点云对应的体素特征，各所述体素点云是对所述点云数据进行体素分割得到的，各所述体素特征用于对所述点云数据进行点云分割处理或者目标检测处理；其中，所述特征提取网络是基于样本图像中的各个超像素对应的超像素特征和点云特征进行对比学习得到的。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取针对样本区域的所述样本图像以及样本点云数据，并对所述样本图像进行超像素分割，得到各所述超像素；根据所述样本图像获取各所述超像素对应的超像素特征，并根据所述样本点云数据获取各所述超像素对应的点云特征；基于各所述超像素特征以及各所述点云特征进行对比学习，得到所述特征提取网络。3.根据权利要求2所述的方法，其特征在于，所述根据所述样本图像获取各所述超像素对应的超像素特征，包括：将所述样本图像输入至神经网络模型中，得到所述样本图像对应的像素特征；从所述像素特征中确定各所述超像素分别对应的目标像素特征，并分别对各所述目标像素特征进行池化处理，得到各所述超像素特征。4.根据权利要求3所述的方法，其特征在于，所述根据所述样本点云数据获取各所述超像素对应的点云特征，包括：将所述样本点云数据输入至初始特征提取网络中，得到所述样本点云数据中各初始体素点云对应的初始体素特征；根据各所述初始体素特征获取各所述超像素对应的所述点云特征。5.根据权利要求4所述的方法，其特征在于，所述根据各所述初始体素特征获取各所述超像素对应的所述点云特征，包括：根据所述样本点云数据与所述样本图像之间的坐标映射关系，将各所述初始体素特征投影至所述像素特征所在的坐标系，得到中间体素特征；从所述中间体素特征中确定各所述超像素分别对应的目标体素特征，并分别对各所述目标体素特征进行池化处理，得到各所述点云特征。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：申瑜茜，陈影，姜波，王镇，王瑞，
申请(专利权)人：广州沃芽科技有限公司，
类型：发明
国别省市：