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】
本申请涉及目标检测,特别是涉及一种模型训练方法、目标检测方法、装置以及目标检测模型。
技术介绍
1、基于点云数据的目标检测,可以利用激光雷达等传感器采集点云数据,再利用目标检测模型对点云数据进行目标检测,其在智慧交通、自动驾驶等领域具有广泛应用。
2、但是,在实际的应用场景中,会存在一些比较相似的物体,例如道路上的行人和骑自行车的人。目前的目标检测模型,很难在目标检测过程中很好的区分这些高度相似的物体。
3、鉴于此,如何提升目标检测模型对相似物体的区分可靠性,从而提升目标检测的准确性,成为目前亟待解决的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提升目标检测模型对相似物体的区分可靠性、提升目标检测的准确性的模型训练方法、目标检测方法、装置以及目标检测模型。
2、第一方面,本申请提供了一种模型训练方法。所述方法包括:
3、获取样本点云数据以及初始化的目标检测模型,所述初始化的目标检测模型包括初始特征提取层、初始目标检测头和初始点云分布检测头;
4、利用所述样本点云数据对所述初始化的目标检测模型进行迭代训练,直至得到训练完成的目标检测模型;
5、其中,针对每次训练过程,将所述样本点云数据输入至当前目标检测模型中的当前特征提取层中得到样本点云特征图,将所述样本点云特征图输入至所述当前目标检测模型中的当前目标检测头和当前点云分布检测头中,得到所述当前目标检测头输出的目标检测结果以及所述当前点云
6、在其中一个实施例中,将所述样本点云特征图输入至所述当前点云分布检测头中得到各所述分布检测结果的过程包括:
7、将所述样本点云特征图输入至所述当前点云分布检测头中,通过所述当前点云分布检测头根据所述样本点云特征图,计算各所述锚点框对应的点云数据中各个点的标准差数据;
8、将所述锚点框的所述标准差数据作为所述锚点框的所述分布检测结果。
9、在其中一个实施例中,所述通过所述当前点云分布检测头根据所述样本点云特征图,计算各所述锚点框对应的点云数据中各个点的标准差数据,包括:
10、通过所述当前点云分布检测头根据所述样本点云特征图,计算各所述锚点框对应的点云数据中各个点的多个坐标轴的标准差数据。
11、在其中一个实施例中,所述根据所述目标检测结果以及各所述分布检测结果更新所述当前目标检测模型的模型参数,包括:
12、根据所述目标检测结果计算第一损失值,并根据各所述分布检测结果计算第二损失值;
13、根据所述第一损失值和所述第二损失值,更新所述当前目标检测模型的模型参数。
14、在其中一个实施例中,所述根据各所述分布检测结果计算第二损失值,包括:
15、根据所述目标检测结果,确定各所述锚点框是否为正锚点框,所述正锚点框与对应的真实位置框的交并比大于预设交并比阈值;
16、若各所述锚点框为所述正锚点框,则根据各所述分布检测结果计算所述第二损失值。
17、在其中一个实施例中,所述训练完成的目标检测模型包括目标特征提取层以及目标检测头,所述方法还包括:
18、获取待目标检测的目标点云数据;
19、将所述目标点云数据输入至所述目标特征提取层,得到所述目标特征提取层输出的点云特征图;
20、将所述点云特征图输入至所述目标检测头中进行目标检测,得到所述目标检测头输出的检测结果。
21、第二方面,本申请还提供了一种目标检测方法。所述方法包括:
22、获取待目标检测的目标点云数据以及目标检测模型,所述目标检测模型是利用如上述第一方面所述的模型训练方法训练得到的,所述目标检测模型包括目标特征提取层以及目标检测头;
23、将所述目标点云数据输入至所述目标特征提取层,得到所述目标特征提取层输出的点云特征图;
24、将所述点云特征图输入至所述目标检测头中进行目标检测,得到所述目标检测头输出的检测结果。
25、第三方面,本申请还提供了一种模型训练装置。所述装置包括:
26、获取模块,用于获取样本点云数据以及初始化的目标检测模型,所述初始化的目标检测模型包括初始特征提取层、初始目标检测头和初始点云分布检测头;
27、训练模块,用于利用所述样本点云数据对所述初始化的目标检测模型进行迭代训练,直至得到训练完成的目标检测模型;
28、其中,针对每次训练过程,所述训练模块具体用于将所述样本点云数据输入至当前目标检测模型中的当前特征提取层中得到样本点云特征图,将所述样本点云特征图输入至所述当前目标检测模型中的当前目标检测头和当前点云分布检测头中,得到所述当前目标检测头输出的目标检测结果以及所述当前点云分布检测头输出的各个锚点框中点云分布的分布检测结果,并根据所述目标检测结果以及各所述分布检测结果更新所述当前目标检测模型的模型参数;各所述锚点框包括所述样本点云特征图中每个特征元素的每个类别的至少一个锚点框。
29、第四方面,本申请还提供了一种目标检测装置。所述装置包括:
30、获取模块,用于获取待目标检测的目标点云数据以及目标检测模型,所述目标检测模型是利用如上述第一方面所述的模型训练方法训练得到的,所述目标检测模型包括目标特征提取层以及目标检测头;
31、特征提取模块,用于将所述目标点云数据输入至所述目标特征提取层,得到所述目标特征提取层输出的点云特征图;
32、目标检测模块,用于将所述点云特征图输入至所述目标检测头中进行目标检测,得到所述目标检测头输出的检测结果。
33、第五方面,本申请还提供了一种目标检测模型。所述目标检测模型包括:
34、特征提取层,用于根据输入的点云数据进行特征提取,得到点云特征图;
35、目标检测头,用于根据输入的所述点云特征图进行目标检测,得到目标检测结果;
36、点云分布检测头,用于根据输入的所述点云特征图进行点云分布检测,得到各个锚点框中点云分布的分布检测结果,各所述锚点框包括所述点云特征图中每个特征元素的每个类别的至少一个锚点框。
37、在其中一个实施例中,所述点云分布检测头为全连接神经网络。
38、第六方面,本申请还提供了一种计算机设备,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或者第二方面所述的方法的步骤。
39、第七方面,本申请还提供了一种计算机可读存储介质,其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或者第二方面所述的方法的步骤。
40、第八本文档来自技高网...
【技术保护点】
1.一种模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,将所述样本点云特征图输入至所述当前点云分布检测头中得到各所述分布检测结果的过程包括:
3.根据权利要求2所述的方法,其特征在于,所述通过所述当前点云分布检测头根据所述样本点云特征图,计算各所述锚点框对应的点云数据中各个点的标准差数据,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标检测结果以及各所述分布检测结果更新所述当前目标检测模型的模型参数,包括:
5.根据权利要求4所述的方法,其特征在于,所述根据各所述分布检测结果计算第二损失值,包括:
6.根据权利要求1所述的方法,其特征在于,所述训练完成的目标检测模型包括目标特征提取层以及目标检测头,所述方法还包括:
7.一种目标检测方法,其特征在于,所述方法包括:
8.一种模型训练装置,其特征在于,所述装置包括:
9.一种目标检测装置,其特征在于,所述装置包括:
10.一种目标检测模型,其特征在于,所述目标检测模型包括:
11.根据权利要求10所述的目标检测模型,其特征在于,所述点云分布检测头为全连接神经网络。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,将所述样本点云特征图输入至所述当前点云分布检测头中得到各所述分布检测结果的过程包括:
3.根据权利要求2所述的方法,其特征在于,所述通过所述当前点云分布检测头根据所述样本点云特征图,计算各所述锚点框对应的点云数据中各个点的标准差数据,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标检测结果以及各所述分布检测结果更新所述当前目标检测模型的模型参数,包括:
5.根据权利要求4所述的方法,其特征在于,所述根据各所述分布检测结果计算第二损失值,包括:
6.根据权利要求1所述的方法,其特征在于,所述训练完成的目标检测模型包括目标特征提取层以及目...
【专利技术属性】
技术研发人员:萨鲁姆·托尼,王亚军,李瑞,王邓江,
申请(专利权)人:苏州万集车联网技术有限公司,
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。