【技术实现步骤摘要】
基于伪标签大小的无监督领域自适应目标检测方法及系统
[0001]本专利技术涉及点云数据三维目标检测
，特别涉及一种基于伪标签大小的无监督领域自适应目标检测方法及系统。
技术介绍
[0002]随着三维传感器数据(如激光雷达点云)在自动驾驶汽车和移动机器人上的广泛应用，点云上的三维物体检测受到越来越多的关注。近年来，得益于大规模三维物体检测数据集的发展，使得基于深度学习的模型取得了显著成功。
[0003]然而在一个数据集(源域)上训练的深度学习模型，在另一个数据集(目标域)上评估时，往往会遭受巨大的性能下降。由于不同类型的三维传感器、天气条件、地理位置或者特定物体的外观变化等因素不可避免地会引起领域转移。此外，基于点云的模型的性能在很大程度上取决于点云的密度、空间分辨率和范围。虽然从不同领域收集更多的训练数据可以缓解这一问题，但不幸的是，考虑到各种现实场景和三维标注的巨大成本，这可能是不可实现的。因此，如何有效地将在标记源域上训练的三维探测器适应新的未标记目标域是实际应用中非常需要的。该任务也称为用于无监督领域自适...
【技术保护点】
【技术特征摘要】
1.一种基于伪标签大小的无监督领域自适应目标检测方法，其特征在于，所述基于伪标签大小的无监督领域自适应目标检测方法包括：S1，获取带标注的源域点云数据和无标注的目标域点云数据；并利用所述源域点云数据对预设模型进行训练，得到三维目标检测模型；S2，利用训练得到的所述检测模型，对所述目标域点云数据进行预测，得到所述目标域点云数据的伪标签；S3，计算所述伪标签中的尺寸统计大小；S4，利用所述伪标签中的尺寸统计大小，对源域点云数据进行放缩增强操作，以增加数据多样性和丰富性，并使得源域点云数据物体大小更接近目标域点云数据物体大小；然后利用增强后的源域点云数据再次训练所述检测模型；S5，迭代执行S2～S4，直至所述检测模型收敛，得到最终的检测模型；S6，利用最终得到的检测模型对待测点云数据进行检测，得到检测结果。2.如权利要求1所述的基于伪标签大小的无监督领域自适应目标检测方法，其特征在于，在利用训练得到的所述检测模型，对所述目标域点云数据进行预测，得到所述目标域点云数据的伪标签时，只选择所述检测模型预测结果中置信度超过预设阈值的样本作为伪标签。3.如权利要求1所述的基于伪标签大小的无监督领域自适应目标检测方法，其特征在于，计算所述伪标签中的尺寸统计大小，包括：计算所述伪标签中的尺寸信息平均值，公式如下：其中，表示所述伪标签中的尺寸信息平均值，表示第i帧的尺寸信息；n
t
表示目标域数据帧的数量。4.如权利要求3所述的基于伪标签大小的无监督领域自适应目标检测方法，其特征在于，利用所述伪标签中的尺寸统计大小，对源域点云数据进行放缩增强操作，包括：根据源域点云数据的标签的尺寸统计大小和目标域的伪标签的尺寸统计大小，计算需要优化的尺寸大小差值，公式如下：其中，(ψ
Δl
,ψ
Δw
,ψ
Δh
)表示需要优化的尺寸大小差值，表示源域点云数据的标签的尺寸统计大小；将源域点云数据中的物体点云坐标从原始坐标系转换到以给定的三维边界框中心点为坐标原点的坐标系中；其中，坐标转换公式如下：为坐标原点的坐标系中；其中，坐标转换公式如下：其中，表示转换后的物体点云坐标，分别表示转换前的第i个物
体点云坐标的三轴坐标值，
·
表示矩阵乘法，R表示旋转矩阵，θ表示点云数据的转向角，x
c
,y
c
,z
c
分别表示三维边界框中心的三轴坐标值；计算得到每个点云数据的放缩因子，公式如下：其中，(r
l
,r
w
,r
h
)表示放缩因子，(l,w,h)表示三维边界框的形状大小；对所述三维边界框内部的物体点云坐标根据所述放缩因子进行坐标放缩，并将所述三维边界框根据所述放缩因子进行形状大小放缩；然后将所述三维边界框内缩放后的物体点云坐标转换回所述原始坐标系下，并移至所述三维边界框中心，实现对源域点云数据的放缩增强操作，得到增强后的源域点云数据。5.一种基于伪标签大小的无监督领域自适应目...
【专利技术属性】
技术研发人员：马惠敏，陈世杰，王荣全，储华珍，
申请(专利权)人：北京科技大学，
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。