一种改进PointRCNN模型效率方法技术

本发明专利技术公开了一种改进PointRCNN模型效率方法，包括以下步骤：将点云公共数据集输入到模型中、对输入的数据进行初步的特征提取、根据模型初步提取的特征，加入子流形稀疏卷积以及加入特征蒸馏方法，通过选择教师模型对点云特征进行提取形成新的中间层特征，与学生模型所提取的特征进行比较，引导学生模型在参数量较少的情况下学习教师模型的特征。该改进PointRCNN模型效率方法，在传统双阶段点云目标检测模型PointRCNN中，在一阶段前景点数量较少的情况下加入子流形稀疏卷积，保证在稀疏点的情况下也能很好地进行特征的提取；通过对原有的模型进行知识蒸馏，优化模型结构的同时，大大提高了点云目标检测的速度并最终在模型的训练下能够精准地进行点云的目标检测。型的训练下能够精准地进行点云的目标检测。型的训练下能够精准地进行点云的目标检测。

【技术实现步骤摘要】
一种改进PointRCNN模型效率方法


[0001]本专利技术涉及激光雷达点云目标检测
，具体为一种改进PointRCNN模型效率方法。

技术介绍

[0002]激光雷达是以发射激光光束来探测目标的位置、速度等特征量的雷达系统，其工作原理是先向目标发射探测激光光束，然后将接收到的从目标反射回来的信号与发射信号进行比较，作适当处理后，就可获得目标的有关信息，例如目标距离、方位、高度、速度、姿态、甚至形状等参数。
[0003]随着自动驾驶技术逐渐成为热门，就如何通过激光雷达来提高自动驾驶的效果成为了一个急需解决的难题。点云目标检测是一种基于三维点云数据进行物体识别和定位的技术，广泛应用于自动驾驶、机器人、虚拟现实等领域。点云目标检测的核心是从无序的三维点云数据中提取出有效的特征，以及对特征进行处理和分析，从而准确地检测出目标物体。点云目标检测相比传统图像目标检测，具有一些独特的优势，例如能够处理非平面的场景、提供更加准确的物体姿态信息等。但是，点云目标检测也存在一些缺点和不足。点云数据通常比图像数据更为稠密和丰富，点云目标检测所需要的计算资源和存储空间也更大。点云数据的几何结构更加复杂，相比图像数据，点云数据中的特征提取更加困难。由于点云数据是三维的，物体之间的遮挡问题更加复杂，这会影响到目标检测的准确性。在进行点云目标检测时，双阶段的检测结构较为复杂，就如何进行改进提高识别精度和减少时间也逐渐成为了重点的研究方向；鉴于此，我们提出了一种改进PointRCNN模型效率方法。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种改进PointRCNN模型效率方法，解决了物体之间的遮挡问题更加复杂，这会影响到目标检测的准确性的问题。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：一种改进PointRCNN模型效率方法，所述方法包括以下步骤：
[0006]步骤S1、将点云公共数据集输入到模型中；
[0007]步骤S2、对输入的数据进行初步的特征提取；
[0008]步骤S3、在一阶段进行前景点分割前，根据模型初步提取的特征，加入子流形稀疏卷积，保证在稀疏点的情况下能够对特征进行有效提取；
[0009]步骤S4、加入特征蒸馏方法，通过选择教师模型对点云特征进行提取形成新的中间层特征，并对学生模型所提取的特征进行比较，引导学生模型在参数量较少的情况下学习教师模型的特征，优化模型结构，提高模型效率。
[0010]可选的，所述步骤S3中子流形稀疏卷积原理方法如下：
[0011]在PointRCNN初步提取特征之后，加入子流形稀疏卷积，用来进一步提取点云特征。由于点云数据具有稀疏性的特点，子流形稀疏卷积可以在充分利用点云数据的局部结
构，在减少模型计算量的同时提高模型的效率，避免因局部数据稀疏造成特征的缺失。
[0012]可选的，所述步骤4中在模型中添加知识蒸馏模块，来对模型结构进行优化。
[0013]可选的，所述步骤S4中，包括以下步骤：
[0014]步骤S41、DGCNN动态图卷积模型具有较好的精度，能进行点云的分类和分割任务；
[0015]步骤S42、将初步提取的特征输入进教师模型中进行特征提取并和学生模型进行比较；
[0016]步骤S43、根据教师模型的特性，引导学生模型在较少数据量的情况下进行学习；
[0017]步骤S44、将训练好的学生模型作为二阶段的主干网络替换原有的特征提取模块。
[0018]可选的，所述DGCNN作为教师模型。
[0019]可选的，所述步骤S3包括：
[0020]步骤S31：构建子流形：将点云数据映射成局部坐标系，并构建子流形用于进行稀疏卷积，对于每个点，定义一个以该点为中心的局部坐标系，通过计算点云数据中每个点的最近邻点来构建局部坐标系；
[0021]步骤S32：计算相对坐标：通过将该点的实际坐标减去局部坐标系中心的坐标来计算相对坐标；
[0022]步骤S33：将相对坐标表示为一组分量，并将其映射到多维的空间中；
[0023]步骤S34：进行稀疏卷积：利用稀疏滤波器对这些分量进行卷积操作。在卷积操作中，仅考虑当前点的最近邻点，从而利用了点云数据的稀疏性；
[0024]步骤S35：特征提取：将卷积结果组合成特征向量。通过使用一个或者叠加多个子流形稀疏卷积，将卷积操作结果组合成一个或多尺度特征向量，并将其作为该点的特征表示
[0025]本专利技术提供了一种改进PointRCNN模型效率方法。具备以下有益效果：
[0026]该改进PointRCNN模型效率方法，在传统双阶段点云目标检测模型PointRCNN中，在一阶段前景点数量较少的情况下加入子流形稀疏卷积，保证在稀疏点的情况下也能很好地进行特征的提取；通过对原有的模型进行知识蒸馏，在优化模型结构的同时，大大提高了点云目标检测的速度并最终在模型的训练下能够精准地进行点云的目标检测。
附图说明
[0027]图1为本专利技术的流程结构示意图；
[0028]图2为本专利技术PointRCNN网络模型图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]请参阅图1
‑
2，本专利技术提供一种技术方案：一种改进PointRCNN模型效率方法，方法包括以下步骤：
[0031]步骤S1、将点云公共数据集输入到模型中；
[0032]步骤S2、对输入的数据进行初步的特征提取，通过模型中原有的特征提取模块来对点云数据进行编码和解码操作，提取原始点云特征；
[0033]步骤S3、在一阶段进行前景点分割前，根据模型初步提取的特征，加入子流形稀疏卷积，保证在稀疏点的情况下能够对特征进行有效提取，通过点云分割自底向上生成3D建议方法，通过学习前景点的分割，捕捉点云上下文的信息，做出准确的预测。在对前景点进行分割前，加入子流形稀疏卷积，在稀疏点的情况下保证特征的有效提取；步骤S3包括：
[0034]步骤S31：构建子流形：将点云数据映射成局部坐标系，并构建子流形用于进行稀疏卷积，对于每个点，定义一个以该点为中心的局部坐标系，通过计算点云数据中每个点的最近邻点来构建局部坐标系；
[0035]步骤S32：计算相对坐标：通过将该点的实际坐标减去局部坐标系中心的坐标来计算相对坐标；
[0036]步骤S33：将相对坐标表示为一组分量，并将其映射到多维的空间中；
[0037]步骤S34：进行稀疏卷积：利用稀疏滤波器对这些分量进行卷积操作。在卷积操作中，仅考虑当前点的最近邻点，从而利用了点云数据的稀疏性；
[0038]步骤S35：特征提取：将卷积结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进PointRCNN模型效率方法，其特征在于：所述方法包括以下步骤：步骤S1、将点云公共数据集输入到模型中；步骤S2、对输入的数据进行初步的特征提取；步骤S3、在一阶段进行前景点分割前，根据模型初步提取的特征，加入子流形稀疏卷积；步骤S4、加入特征蒸馏方法，通过选择教师模型对点云特征进行提取形成新的中间层特征，并与学生模型所提取的特征进行比较，引导学生模型在参数量较少的情况下学习教师模型的特征。2.根据权利要求1所述的一种改进PointRCNN模型效率方法，其特征在于：所述步骤S3中子流形稀疏卷积原理方法如下：在PointRCNN初步提取特征之后，加入子流形稀疏卷积，用来进一步提取点云特征。3.根据权利要求1所述的一种改进PointRCNN模型效率方法，其特征在于：所述步骤4中在模型中添加知识蒸馏模块。4.根据权利要求1所述的一种改进PointRCNN模型效率方法，其特征在于：所述步骤S4中，包括以下步骤：步骤S41、DGCNN动态图卷积模型具有较好的精度；步骤S42、将初步提取的特征输入进教师模型中进行特征提取并与学生模型进行比较；步骤S...

【专利技术属性】
技术研发人员：万松，郁宏伟，沈欣，兰志才，张裕，郁文贤，
申请(专利权)人：上海西虹桥导航技术有限公司，
类型：发明
国别省市：