【技术实现步骤摘要】
本申请涉及人工智能，特别涉及一种三维点云数据的处理方法、设备、存储介质及程序产品。
技术介绍
1、随着激光探测与测量技术的不断发展，对三维点云数据中的对象进行识别(也称为三维点云语义分割)的需求也越来越高。
2、在相关技术中，三维点云语义分割可以通过基于人工智能(artificialintelligence，ai)的机器学习模型来实现。比如，开发人员预先获取到标注有各数据点对应的对象类型的点云数据样本，然后通过有监督的学习方式，基于点云数据样本以及对应的标注信息训练三维点云语义分割模型。
3、然而，上述相关技术中，有监督的学习方式需要大量的经过标注的训练数据，使得三维点云语义分割模型的训练无法兼顾模型准确性和训练效率。
技术实现思路
1、本申请实施例提供了一种三维点云数据的处理方法、设备、存储介质及程序产品，可以在减少模型训练所需要的经过标注的点云数据样本的同时，保证模型训练的准确性，该技术方案如下：
2、一方面，提供了一种三维点云数据的处理方法，所述方法包括：
3、获取第一训练集和第二训练集；所述第一训练集中包含具有标注信息的点云数据样本；所述第二训练集中包含至少两个点云数据帧；所述标注信息用于指示点云数据中的数据点的对象类型；
4、基于所述第一训练集和所述第二训练集，循环执行以下子步骤：
5、子步骤1，通过所述第一训练集训练第一模型；
6、子步骤2，通过所述第一模型对所述第二训练集中的至少两个所
7、子步骤3，基于至少两个所述点云数据帧各自的帧间预测差异，从至少两个所述点云数据帧中提取候选点云数据；所述帧间预测差异用于指示所述点云数据帧与相邻帧之间的所述预测结果的差异；
8、子步骤4，获取与所述候选点云数据对应的所述标注信息，将所述候选点云数据作为新的所述点云数据样本，添加至所述第一训练集；
9、响应于所述第一模型训练完成，将所述第一模型获取为三维点云语义分割模型；所述三维点云语义分割模型用于识别输入的点云数据中的对象的对象类型。
10、另一方面，提供了一种三维点云数据的处理装置，所述装置包括：
11、训练集获取模块，用于获取第一训练集和第二训练集；所述第一训练集中包含具有标注信息的点云数据样本；所述第二训练集中包含至少两个点云数据帧；所述标注信息用于指示点云数据中的数据点的对象类型；
12、训练模块，用于基于所述第一训练集和所述第二训练集，循环执行以下子步骤：
13、子步骤1，通过所述第一训练集训练第一模型；
14、子步骤2，通过所述第一模型对所述第二训练集中的至少两个所述点云数据帧进行识别处理，获得至少两个所述点云数据帧中各个数据点的预测结果；
15、子步骤3，基于至少两个所述点云数据帧各自的帧间预测差异，从至少两个所述点云数据帧中提取候选点云数据；所述帧间预测差异用于指示所述点云数据帧与相邻帧之间的所述预测结果的差异；
16、子步骤4，获取与所述候选点云数据对应的所述标注信息，将所述候选点云数据作为新的所述点云数据样本，添加至所述第一训练集；
17、模型获取模块，用于响应于所述第一模型训练完成，将所述第一模型获取为三维点云语义分割模型；所述三维点云语义分割模型用于识别输入的点云数据中的对象的对象类型。
18、在一种可能的实现方式中，所述训练模块，用于基于至少两个所述点云数据帧各自的帧间预测差异，从至少两个所述点云数据帧中提取目标区域；所述目标区域中的点云数据为所述候选点云数据。
19、在一种可能的实现方式中，所述帧间预测差异包括所述点云数据帧中的各个数据点各自的帧间差异数据；所述训练模块，用于，
20、基于至少两个所述点云数据帧中各个数据点的预测结果，在至少两个所述点云数据帧中的各个所述点云数据帧中分别进行数据点聚类，获得至少两个对象区域；
21、基于至少两个所述对象区域中的数据点各自的帧间差异数据，从至少两个所述对象区域中提取所述目标区域。
22、在一种可能的实现方式中，所述帧间差异数据包括帧间散度和帧间熵中的至少一项；
23、所述帧间散度用于指示所述第一模型对空间中的同一位置在不同视点下的分类的一致性；
24、所述帧间熵用于指示所述第一模型对空间中的同一位置在不同视点下的分类的不确定性。
25、在一种可能的实现方式中，所述帧间散度包括所述数据点与所述数据点的邻帧同位点之间的预测结果的平均成对散度；
26、其中，所述数据点与所述邻帧同位点分别位于相邻的两个所述点云数据帧中，且对应相同的空间位置。
27、在一种可能的实现方式中，所述帧间熵包括所述数据点与所述数据点的邻帧同位点之间的预测结果的平均概率分布的熵值；
28、其中，所述数据点与所述邻帧同位点分别位于相邻的两个所述点云数据帧中，且对应相同的空间位置。
29、在一种可能的实现方式中，所述训练模块，用于循环执行以下步骤，获得至少两个第一区域：
30、获取第一候选区域；所述第一候选区域是至少两个所述对象区域中，平均帧间散度最高的所述对象区域；所述平均帧间散度是所述对象区域中的数据点的所述帧间散度的平均值；
31、基于所述第一候选区域获取第一集合；所述第一集合中包含所述第一候选区域，以及至少两个所述对象区域中与所述第一候选区域存在空间重叠的其它所述对象区域；
32、将所述第一集合中，平均帧间熵最高的所述对象区域获取为所述第一区域；
33、从所述第二训练集中删除所述第一集合中的各个所述对象区域。
34、在一种可能的实现方式中，所述训练模块，用于获取人工标注的，与所述第一区域对应的所述标注信息。
35、在一种可能的实现方式中，所述训练模块，用于循环执行以下步骤，获得至少两个第二区域：
36、获取第二候选区域；所述第二候选区域是至少两个所述对象区域中，平均帧间散度最低的所述对象区域；所述平均帧间散度是所述对象区域中的数据点的所述帧间散度的平均值；
37、基于所述第二候选区域获取第二集合；所述第二集合中包含所述第二候选区域，以及至少两个所述对象区域中与所述第一候选区域存在空间重叠的其它所述对象区域；
38、将所述第二集合中，平均帧间熵最低的所述对象区域获取为所述第二区域；
39、从所述第二训练集中删除所述第二集合中的各个所述对象区域。
40、在一种可能的实现方式中，所述训练模块，用于将所述第二区域中的各个所述数据点的预测结果，获取为与所述第二区域对应的所述标注信息。
41、在一种可能的实现方式中，所述帧间预测差异包括所述点云数据帧中的各个数据点各自的帧间差异数据；所述训练模块，用于，...
【技术保护点】
1.一种三维点云数据的处理方法，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，所述基于至少两个所述点云数据帧各自的帧间预测差异，从至少两个所述点云数据帧中提取候选点云数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述帧间预测差异包括所述点云数据帧中的各个数据点各自的帧间差异数据；
4.根据权利要求3所述的方法，其特征在于，所述帧间差异数据包括帧间散度和帧间熵中的至少一项；
5.根据权利要求4所述的方法，其特征在于，所述帧间散度包括所述数据点与所述数据点的邻帧同位点之间的预测结果的平均成对散度；
6.根据权利要求4所述的方法，其特征在于，所述帧间熵包括所述数据点与所述数据点的邻帧同位点之间的预测结果的平均概率分布的熵值；
7.根据权利要求4所述的方法，其特征在于，所述基于至少两个所述对象区域中的数据点各自的帧间差异数据，从至少两个所述对象区域中提取所述目标区域，包括：
8.根据权利要求7所述的方法，其特征在于，所述获取与所述目标区域对应的所述标注信息，包括：
...【技术特征摘要】
1.一种三维点云数据的处理方法，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，所述基于至少两个所述点云数据帧各自的帧间预测差异，从至少两个所述点云数据帧中提取候选点云数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述帧间预测差异包括所述点云数据帧中的各个数据点各自的帧间差异数据；
4.根据权利要求3所述的方法，其特征在于，所述帧间差异数据包括帧间散度和帧间熵中的至少一项；
5.根据权利要求4所述的方法，其特征在于，所述帧间散度包括所述数据点与所述数据点的邻帧同位点之间的预测结果的平均成对散度；
6.根据权利要求4所述的方法，其特征在于，所述帧间熵包括所述数据点与所述数据点的邻帧同位点之间的预测结果的平均概率分布的熵值；
7.根据权利要求4所述的方法，其特征在于，所述基于至少两个所述对象区域中的数据点各自的帧间差异数据，从至少两个所述对象区域中提取所述目标区域，包括：
8.根据权利要求7所述的方法，其特征在于，所述获取与所述目标区域对应的所述标注信息，包括：
9.根据权利要求4所述的方法，其特征在于，所述基于至...
【专利技术属性】
技术研发人员：胡泽宇，张润泽，
申请(专利权)人：腾讯科技深圳有限公司，
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。