System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,尤其涉及一种语义分割模型训练方法及点云语义分割方法。
技术介绍
1、在车辆自动驾驶的相关技术中,需要对点云数据进行语义分割,语义分割任务作为三维点云场景理解和数据分析的基础任务,是车辆自动驾驶技术的重要组成部分。
2、在相关技术中,对于扬尘的过滤大多使用传统的手工参数阈值调整的方法,即基于点位置信息和穿透率进行特征计算和筛选,这类方法对特征明显的灰尘效果较好,但应对大灰尘或远处车体带起的灰尘时效果则不明显,并且人工阈值的调整会导致算法的泛化能力较弱,无法满足露天矿山区域的自动驾驶需求,因此需要一种适用于露天矿区等扬尘较大的场景下的语义分割模型。
3、由于露天矿山区域存在扬尘较大的问题,目前的点云语义分割模型并没有在针对扬尘问题在训练阶段进行优化策略,尤其是适用于露天矿山自动驾驶的优化策略,因此现有的点云语义分割模型并不能在露天矿山场景下实现对点云数据进行准确语义类别识别,无法满足车辆自动驾驶的需求。
技术实现思路
1、本专利技术提供一种语义分割模型训练方法及点云语义分割方法,用以解决现有技术中点云语义分割模型没有在训练阶段针对扬尘环境进行优化,导致点云语义分割模型对扬尘较大的环境下的点云数据的语义类别识别结果准确性差缺陷,实现在扬尘较大的环境下也能对点云数据进行准确的语义类别识别的效果。
2、本专利技术提供一种语义分割模型训练方法,包括:
3、获取多个样本点云数据,对所述样本点云数据中的每个点的语义类别进行类别
4、将多个所述样本对输入语义分割模型中,得到每个所述点云数据输出的类别预测值,将所述类别预测值与所述点云数据对应的类别真值作比较得到损失函数值,基于所述损失函数值对所述语义分割模型的参数和网络结构进行自调整;
5、在所述语义分割模型的所述损失函数值收敛或者训练次数达到预设的迭代次数的情况下,基于每轮迭代中所述点云数据的每个点对应的语义类别的准确性,选取一组准确性最高时对应的所述参数和所述网络结构作为所述语义分割模型的参数和网络结构。
6、根据本专利技术提供的一种语义分割模型训练方法,所述损失函数值基于加权交叉熵损失函数计算得到,计算方式如下:
7、
8、其中,loss表示损失函数值,w表示各语义类别的权重,yi表示第i个所述样本点云数据的类别真值,pi表示第i个所述样本点云数据的类别预测值;n表示模型训练过程中输入的所述样本点云数据的总数。
9、根据本专利技术提供的一种语义分割模型训练方法,所述加权交叉熵损失函数中,每个语义类别的权重与对应语义类别的点云数量成反比,任一语义类别的权重的计算方式如下:
10、weight=m/m;
11、其中,m为任一语义类别对应的点云总数量,m为所有语义类别对应的点云总数量;
12、w=1/(weight+v)
13、其中,v为常数,用于确保计算得到的w保持在预设的权重范围内。
14、根据本专利技术提供的一种语义分割模型训练方法,基于每轮迭代中所述点云数据的每个点对应的语义类别的准确性,选取一组准确性最高时对应的所述参数和所述网络结构作为所述语义分割模型的参数和网络结构,包括:
15、在每轮迭代中计算得到各个语义类别的miou值,对所有所述语义类别的所述miou值进行加权平均得到加权平均miou值,选择最大的加权平均miou值所对应的一组所述参数和所述网络结构作为所述语义分割模型的所述参数和所述网络结构,其中所述miou值用于表征每个点对应的所述语义类别的准确性;
16、每个语义类别的miou值的计算方式如下:
17、miou=(tp/(tp+fp+fn))
18、其中,tp表示预测正确的点云数量,fp表示预测为正但实际为负的点云数量,fn表示预测为负但实际为正的点云数量。
19、根据本专利技术提供的一种点云语义分割方法,对所有所述语义类别的所述miou值进行加权平均得到加权平均miou值,包括:
20、以预设的分界线为准,将所述点云数据分为第一区域点云数据和第二区域点云数据,计算所述第一区域点云数据对应的所有语义类别的第一平均miou值以及所述第二区域点云数据对应的所有语义类别的第二平均miou值;
21、分别为所述第一平均miou值和所述第二平均miou值设置第一权重和第二权重,将设置第一权重后的所述第一平均miou值和设置第二权重后的所述第二平均miou值相加,得到所述加权平均miou值;
22、其中,第一平均miou值和第二平均miou值的计算方式如下:
23、
24、
25、其中,miou1表示第一平均miou值,mioui表示所述第一区域点云数据内的第i个语义类别的miou值,n1表示所述第一区域点云数据内的所有语义类别的数量,
26、miou2表示第二平均miou值,miouj表示所述第二区域点云数据内的第j个语义类别的miou值,n2表示所述第二区域点云数据内的所有语义类别的数量;
27、加权平均miou值的计算方式如下:
28、
29、其中,表示加权平均miou值,v表示第一权重,(1-v)表示第二权重。
30、本专利技术还提供一种点云语义分割方法,包括:
31、获取待分割的点云数据;
32、将所述点云数据输入语义分割模型中,获取所述点云数据的特征信息;
33、基于所述特征信息,预测得到所述点云数据中每个点对应的语义类别;
34、其中,所述语义分割模型基于上述任一项所述的语义分割模型训练方法训练得到。
35、根据本专利技术提供的一种点云语义分割方法,在预测得到所述点云数据中每个点对应的语义类别之后,还包括:
36、基于预设的滤除表单,对所述点云数据中符合所述滤除表单中记录的语义类别所对应的点进行滤除。
37、本专利技术还提供一种点云语义分割模型训练装置,包括:
38、数据获取模块,用于获取多个样本点云数据,对所述样本点云数据中的每个点的语义类别进行类别真值的标注,将每个所述样本点云数据与其对应的所有类别真值作为一个样本对;所述样本点云数据中包括类别真值为扬尘的点;
39、模型自调整模块,用于将多个所述样本对输入语义分割模型中,得到每个所述点云数据输出的类别预测值,将所述类别预测值与所述点云数据对应的类别真值作比较得到损失函数值,基于所述损失函数值对所述语义分割模型的参数和网络结构进行自调整;
40、参数结构确定模块,用于在所述语义分割模型的所述损失函数值收敛或者训练次数达到预设的迭代次数的情况下,基于每轮迭代中所述点云数据的每个点对应的语义类别的准确性,选取一组准确性最高本文档来自技高网...
【技术保护点】
1.一种语义分割模型训练方法,其特征在于,包括:
2.根据权利要求1所述的语义分割模型训练方法,其特征在于,所述损失函数值基于加权交叉熵损失函数计算得到,计算方式如下:
3.根据权利要求2所述的语义分割模型训练方法,其特征在于,所述加权交叉熵损失函数中,每个语义类别的权重与对应语义类别的点云数量成反比,任一语义类别的权重的计算方式如下:
4.根据权利要求1-3任一项所述的语义分割模型训练方法,其特征在于,基于每轮迭代中所述点云数据的每个点对应的语义类别的准确性,选取一组准确性最高时对应的所述参数和所述网络结构作为所述语义分割模型的参数和网络结构,包括:
5.根据权利要求4所述的语义分割模型训练方法,其特征在于,对所有所述语义类别的所述mIou值进行加权平均得到加权平均mIou值,包括:
6.一种点云语义分割方法,其特征在于,包括:
7.根据权利要求6所述的点云语义分割方法,其特征在于,在预测得到所述点云数据中每个点对应的语义类别之后,还包括:
8.一种点云语义分割模型训练装置,其特征在于,包括:<
...【技术特征摘要】
1.一种语义分割模型训练方法,其特征在于,包括:
2.根据权利要求1所述的语义分割模型训练方法,其特征在于,所述损失函数值基于加权交叉熵损失函数计算得到,计算方式如下:
3.根据权利要求2所述的语义分割模型训练方法,其特征在于,所述加权交叉熵损失函数中,每个语义类别的权重与对应语义类别的点云数量成反比,任一语义类别的权重的计算方式如下:
4.根据权利要求1-3任一项所述的语义分割模型训练方法,其特征在于,基于每轮迭代中所述点云数据的每个点对应的语义类别的准确性,选取一组准确性最高时对应的所述参数和所述网络结构作为所述语义分割模型的参数和网络结构,包括:
5.根据权利要求4所述...
【专利技术属性】
技术研发人员:梁玲玲,曹扬,
申请(专利权)人:三一智矿科技有限公司,
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。