CN111539347A - 用于检测目标的方法和装置 - Google Patents
用于检测目标的方法和装置 Download PDFInfo
- Publication number
- CN111539347A CN111539347A CN202010342481.XA CN202010342481A CN111539347A CN 111539347 A CN111539347 A CN 111539347A CN 202010342481 A CN202010342481 A CN 202010342481A CN 111539347 A CN111539347 A CN 111539347A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- sample
- target point
- target
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了用于检测目标的方法和装置,涉及计算机技术领域。具体一实施方式为:将获取的点云输入目标检测模型,得到目标检测结果,目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层,目标检测模型通过以下步骤训练得到:将样本集中样本的样本点云输入初始模型,得到膨胀卷积层输出的第一特征信息;基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络,得到第二特征信息;基于第一特征信息和第二特征信息,确定损失函数值;利用损失函数值更新初始模型的模型参数,得到目标检测模型。该实施方式使目标检测模型对于点云的点数量较少的情况也能有不错的检测效果,输出更准确的目标检测结果。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及计算机视觉的目标检测技术。
背景技术
激光雷达作为一种重要的环境感知传感器,广泛应用于各种领域。以车辆自动驾驶领域为例,激光雷达获取的点云数据包含了各种目标(例如,车辆、行人、骑行者等)信息,可以用于障碍物检测。由于激光雷达获取的点云具有稀疏性、密度不一致性,在遮挡区域和远距离位置可能会出现点云缺失不完整或点云的点数量过少。这将导致在遮挡和远距离区域目标检测的精度较低,容易发生漏检和误检。
发明内容
提供了一种用于检测目标的方法和装置。
根据第一方面,本公开实施例提供了一种用于检测目标的方法,该方法包括:将获取的点云输入预先建立的目标检测模型,得到目标检测结果,其中,上述目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层,上述目标检测模型通过以下步骤训练得到:将样本集中样本的样本点云输入初始模型,得到膨胀卷积层输出的第一特征信息;基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络,得到第二特征信息,其中,上述生成集中的生成样本与上述样本集中的样本存在对应关系;基于上述第一特征信息和上述第二特征信息,确定损失函数值;利用上述损失函数值更新上述初始模型的模型参数,得到目标检测模型。
根据第二方面,本公开实施例提供了一种用于检测目标的装置,该装置包括:输入单元,被配置成将获取的点云输入预先建立的目标检测模型,得到目标检测结果,其中,上述目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层,上述目标检测模型通过以下单元训练得到:第一生成单元,被配置成将样本集中样本的样本点云输入初始模型,得到膨胀卷积层输出的第一特征信息;第二生成单元,被配置成基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络,得到第二特征信息,其中,上述生成集中的生成样本与上述样本集中的样本存在对应关系;确定单元,被配置成基于上述第一特征信息和上述第二特征信息,确定损失函数值;参数更新单元,被配置成利用上述损失函数值更新上述初始模型的模型参数,得到目标检测模型。
根据第三方面,本公开实施例提供了一种电子设备,其特征在于,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行如第一方面中任一项上述的方法。
根据第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,上述计算机指令用于使上述计算机执行如第一方面中任一项上述的方法。
根据本申请的技术所使用的目标检测模型的特征提取网络和膨胀卷积层是基于预先训练的检测模型的训练得到的,膨胀卷积可以对特征提取网络输出的特征信息进行进一步的处理,可以使处理后的特征信息更加接近点多区域的特征信息,从而使目标检测模型对于点云的点数量较少的情况也能有不错的检测效果,输出更准确的目标检测结果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本公开的用于检测目标的方法的一个实施例的流程图;
图2是根据本公开的用于检测目标的方法的一个应用场景的示意图;
图3是根据本公开的用于检测目标的方法的又一个实施例的流程图;
图4是根据本公开的用于检测目标的装置的一个实施例的结构示意图;
图5是用来实现本申请实施例的用于检测目标的的方法的电子设备的框图
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本公开的用于检测目标的方法的一个实施例的流程100。该用于检测目标的方法,包括以下步骤:
S101,将获取的点云输入预先建立的目标检测模型,得到目标检测结果。
在本实施例中,用于检测目标的方法的执行主体可以通过有线连接方式和无线连接方式获取点云采集设备(例如,激光雷达、三维激光扫描仪等等)采集的点云。之后,执行主体可以将获取的点云输入预先建立的目标检测模型,从而得到目标检测结果。这里,上述目标检测模型可以用于表征点云和目标检测结果之间的对应关系。这里,目标检测可以用于识别和定位出点云中的特定物体(即目标)。目标检测结果可以包括目标的类别、目标的包围盒信息,其中,目标的包围盒信息可以包括包围盒的长、宽、高、朝向角、中心点坐标等等。
通常,点云采集设备可以针对物理世界的场景(例如,道路场景)采集点云。点云可以包括多个点数据,点数据可以包括三维坐标和和激光反射强度。一般,点数据的三维坐标可以包括X轴、Y轴和Z轴上的信息。这里,激光反射强度可以是指激光反射能量与激光发射能量的比值。
这里,上述执行主体可以是具有点云数据处理功能的各种电子设备。包括但不限于:智能手机、平板电脑、膝上型便携计算机、台式计算机和车载终端等等。
在本实施例中,上述目标检测模型可以是用于训练目标检测模型的执行主体通过以下S1011~S1014训练得到的。
S1011,将样本集中样本的样本点云输入初始模型,得到膨胀卷积层输出的第一特征信息。
在本实施例中,用于训练目标检测模型的执行主体首先可以获取样本集。其中,样本集中的各样本可以包括样本点云和与样本点云对应的样本目标检测结果。作为示例,样本中的样本点云可以是激光雷达采集物理世界的真实场景的点云,样本点云中可以包括目标的点云和非目标的点云。由于遮挡、远距离等因素,一部分样本点云中的目标的点云可以会比较稀疏。这里,样本目标检测结果可以包括目标的类别、目标的包围盒信息,其中,目标的包围盒信息可以包括包围盒的长、宽、高、朝向角、中心点坐标等等。举例来说,样本集中样本可以是技术人员对激光雷达采集的点云进行人工标注得到的。
之后,用于训练目标检测模型的执行主体可以将样本集中样本的样本点云输入初始模型,从而得到膨胀卷积层输出的第一特征信息。这里,初始模型可以是指未经训练的或者未训练完成的目标检测模型。这里,初始模型的网络结构可以是根据实际需要确定的。例如,根据实际需要确定初始模型包括哪些层(例如,卷积层、池化层、激励函数层、全连接层等等),层与层之间的连接顺序关系,以及每个层都包括哪些参数(例如,权重、偏置项、卷积的步长等等)。
作为示例,目标检测模型可以包括特征提取网络、膨胀卷积层和结果输出层。其中,特征提取网络可以用于对接收的点云进行特征提取,从而得到特征信息。膨胀卷积层可以用于对特征提取网络输出的特征信息进行进一步的处理,处理后得到特征信息。结果输出层可以根据膨胀卷积层输出的特征信息输出目标检测结果。举例来说,特征提取网络可以是稀疏卷积神经网络,稀疏卷积神经网络可以减少由于点云的稀疏性带来的不必要的资源消耗。膨胀卷积(或空洞卷积)是在标准卷积的基础上注入空洞,以此来增加感受野,使输出包含较大范围的信息。
需要说明的是,用于检测目标的方法的执行主体与用于训练目标检测模型的执行主体可以相同,也可以不同。如果相同,则用于训练目标检测模型的执行主体可以在训练完成目标检测模型之后,将训练完成的模型的网络结构信息和网络参数的参数值存储到本地;如果不同,则用于训练目标检测模型的执行主体可以在训练完成目标检测模型之后,将训练完成的模型的网络结构信息和网络参数的参数值发送给用于检测目标的方法的执行主体。
S1012,基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络,得到第二特征信息。
在本实施例中,用于训练目标检测模型的执行主体中可以预先存储有生成集,该生成集中的生成样本可以包括生成样本点云。生成集中的生成样本与上述样本集中的样本可以存在对应关系。举例来说,生成集中的生成样本与上述样本集中的样本之间可以存在一一对应关系。这样,执行主体可以从生成集中确定与S1011中的输入样本对应的生成样本,并将所确定的生成样本的生成样本点云输入预先训练的检测模型的特征提取网络,从而得到第二特征信息。这里,上述检测模型可以包括特征提取网络和结果输出层,其中,特征提取网络可以用于对输入的点云进行特征提取,生成特征信息。结果输出层可以用于根据特征提取网络输出的特征信息输出目标检测结果。
作为示例,上述预先训练的检测模型可以是基于所包含目标的点云的点数量较多(例如,点数量大于预设的数量阈值)的场景的点云训练得到的。生成集中的生成样本的生成样本点云中目标的点云的点数据较多(例如,点数量大于预设的数量阈值)。
在本实施例的一些可选的实现方式中,上述检测模型的特征提取网络与上述初始模型的特征提取网络的网络结构可以相同,即包含相同的层,以及层与层之间的连接顺序相同。但是,各层参数的参数值可以不同。通过本实现方式,可以使检测模型的特征提取网络和初始模型的特征提取网络具有相同的网络结构,从而简化了特征提取网络的网络结构的搭建过程。
S1013,基于第一特征信息和第二特征信息,确定损失函数值。
在本实施例中,用于训练目标检测模型的执行主体可以根据S1011和S1012得到的第一特征信息和第二特征信息,确定损失函数值。作为示例,执行主体可以计算第一特征信息和第二特征信息之间的距离,例如,欧式距离,并将距离作为损失函数值。
在本实施例的一些可选的实现方式中,上述样本集中的样本可以包括样本点云和与样本点云对应的样本目标检测结果。以及上述S1013可以具体如下进行:
首先,计算第一特征信息和第二特征信息的距离,根据距离确定第一损失函数值。
在本实现方式中,可以计算第一特征信息和第二特征信息之间的距离,例如,欧式距离,并根据距离确定第一损失函数值。作为一个示例,可以将距离直接作为第一损失函数值。作为另一个示例,可以根据距离和目标点云对应的位置特征,生成第一损失函数值。
举例来说,第一损失函数值Ltransfer可以通过以下公式计算得到:
Ltransfer=‖Fperceptual-Fconceptual‖2*Mforeground
其中,Fperceptual表示第一特征信息;Fconceptual表示第二特征信息;Mforeground表示掩膜(mask),掩膜中目标的目标点云对应的位置为1,目标点云之外的位置为0。
其次,基于初始模型针对输入样本点云输出的目标类别信息和输入样本对应的样本目标检测结果中的目标类别信息,生成第二损失函数值。
在本实现方式中,针对输入的样本点云,初始模型可以输出预测目标检测结果,预测目标检测结果可以包括目标类别信息、目标包围盒信息等等。这样,执行主体可以根据初始模型针对输入样本点云输出的目标类别信息和输入样本对应的样本目标检测结果中的目标类别信息,生成第二损失函数值。
然后,基于初始模型针对输入样本点云输出的包围盒信息和输入样本对应的样本目标检测结果中的包围盒信息,生成第三损失函数值。
在本实现方式中,可以根据初始模型针对输入样本点云输出的包围盒信息和输入样本对应的样本目标检测结果中的包围盒信息,生成第三损失函数值。
最后,根据第一损失函数值、第二损失函数值和第三损失函数值,生成损失函数值,
在本实现方式中,可以根据第一损失函数值、第二损失函数值和第三损失函数值,生成损失函数值。举例来说,可以将第一损失函数值、第二损失函数值和第三损失函数值之和,作为损失函数值。即:
L=Lclass+Lbbox+Ltransfer
其中,Ltransfer表示第一损失函数值,Lclass表示第二损失函数值,Lbbox表示第三损失函数值,L表示损失函数值。在本实现方式中,损失函数值在计算时综合考虑了特征信息的损失、类别信息的损失和包围盒信息的损失。由此,可以在模型训练时综合考虑多种信息的损失,从而可以使训练得到目标检测模型的输出更加准确。
S1014,利用损失函数值更新初始模型的模型参数,得到目标检测模型。
在本实施例中,用于训练目标检测模型的执行主体可以利用S1013中得到损失函数值更新初始模型的模型参数,得到目标检测模型。作为示例,可以将损失函数值进行反向传播,采用反向传播算法(Back Propgation Algorithm,BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始模型的模型参数进行调整。需要说明的是,反向传播算法和梯度下降法是目前广泛研究和应用的公知技术,在此不再赘述。
继续参考图2,图2是根据本实施例的用于检测目标的方法的应用场景的一个示意图。在图2的应用场景中,终端设备将获取的点云输入预先建立的目标检测模型,得到目标检测结果。其中,目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层,目标检测模型是用于训练目标检测模型的执行主体通过以下步骤训练得到:首先,将样本集中样本的样本点云输入初始模型,得到膨胀卷积层输出的第一特征信息。之后,基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络,得到第二特征信息,其中,生成集中的生成样本与样本集中的样本存在对应关系。然后,基于第一特征信息和第二特征信息,确定损失函数值。最后,利用损失函数值更新初始模型的模型参数,得到目标检测模型。
本公开的上述实施例提供的方法所使用的目标检测模型的特征提取网络和膨胀卷积层是基于预先训练的检测模型的训练得到的,膨胀卷积可以对特征提取网络输出的特征信息进行进一步的处理,可以使处理后的特征信息更加接近点多区域的特征信息,从而使目标检测模型对于点云的点数量较少的情况也能有不错的检测效果,输出更准确的目标检测结果。
进一步参考图3,其示出了一种用于得到生成集的方法的实施例的流程图300。该用于得到生成集的方法300,包括以下步骤:
S301,从样本的样本点云中提取出不同类别目标的目标点云。
在本实施例中,用于得到生成集的方法的执行主体、用于检测目标的方法的执行主体和用于训练目标检测模型的方法的执行主体,可以相同,也可以不同。用于得到生成集的方法的执行主体可以从样本集的各样本的样本点云中提取出不同类别目标的目标点云。这里,目标点云可以是指用于描述目标的点云。作为示例,可以对样本点云中包含的点数据进行分割和识别,并将样本点云中用于描述各类目标的目标点云提取出来。
S302,根据朝向角将各类别的目标点云划分为至少一个目标点云子集。
在本实施例中,可以将目标点云进行坐标系变换,例如,从雷达坐标系变换到相机坐标系。然后,确定相机坐标系下的朝向角,其中,相机坐标系下的朝向角可以是指目标(例如,车辆、行人、骑行者等)前进方向与相机X轴的夹角。这样,可以根据朝向角将每个类别的目标点云划分为至少一个目标点云子集。作为示例,可以首先划分角度区间,然后,将朝向角在同一角度区间的目标点云划分到同一个目标点云子集。
S303,根据所包含点数,将各目标点云子集中的目标点云划分为第一类目标点云和第二类目标点云。
在本实施例中,可以根据所包含点数(即,点数据的数量)将各个目标点云子集中的目标点云划分为第一类目标点云和第二类目标点云。其中,第一类目标点云所包含点数比第二类目标点云所包含点数多。作为一个示例,对于同一个目标点云子集中的各个目标点云,可以按所包含点数由大到小的顺序进行排序,并将排在前K%的目标点云划分为第一类目标点云,将第一类目标点云之外的目标点云划分为第二类目标点云。作为另一个示例,可以设定所包含点数的阈值,将所包含点数大于或等于该阈值的目标点云确定为第一类目标点云,将所包含点数小于该阈值的目标点云确定为第二类目标点云。
S304,基于各目标点云子集中的第一类目标点云和第二类目标点云,得到生成集。
在本实施例中,可以根据各个目标点云子集中的第一类目标点云和第二类目标点云得到生成集。作为示例,可以将样本集中包含第一类目标点云的样本作为生成样本,得到生成集。并建立生成集中的生成样本与样本集中的样本的对应关系。举例来说,技术人员的根据生成样本和样本所针对的场景的相似度,建立生成样本与样本的对应关系。例如,对场景相似的生成样本与样本建立对应关系。
在本实施例的一些可选的实现方式中,S304可以具体如下进行:
1),响应于确定样本集中的样本包含第二类目标点云,基于样本所包含第二类目标点云所属的目标点云子集中的第一类目标点云,对样本所包含的第二类目标点云进行替换,得到生成样本。
在本实现方式中,对于上述样本集中的每一个样本,可以判断该样本的样本点云中是否包括第二类目标点云,如果包括,则可以基于该样本所包含第二类目标点云所属的目标点云子集中的第一类目标点云,例如,从所属的目标点云子集中随机选取的一个第一类目标点云,对该样本所包含的第二类目标点云进行替换,并将替换后样本作为与该样本对应的生成样本。
2),响应于确定样本集中的样本不包含第二类目标点云,将样本作为生成样本。
在本实现方式中,对于上述样本集中的每一个样本,如果该样本的样本点云不包括第二类目标点云,则可以直接将该样本作为与该样本对应的生成集中的生成样本。通过本实现方式可以保证生成集中的生成样本的目标点云具有较多的点数。
在一些可选的实现方式中,上述1)中的基于样本所包含第二类目标点云所属的目标点云子集中的第一类目标点云,对样本所包含的第二类目标点云进行替换,得到生成样,可以具体如下进行:
首先,计算样本所包含第二类目标点云与所属的目标点云子集中的第一类目标点云的距离,基于计算结果从第一类目标点云中确定替换用目标点云。
在本实现方式中,如果判断样本集中的样本包括第二类目标点云,则可以计算该第二类目标点云与所属的目标点云子集中的各个第一类目标点云的距离,例如,平均点距离,并基于计算结果从第一类目标点云中确定替换用目标点云。举例来说,可以选取与该第二类目标点云具有最小平均点距离的第一类目标点云作为替换用目标点云。
然后,根据替换用目标点云,对样本中所包含第二类目标点云进行替换。
在本实现方式中,可以根据替换用目标点云,对样本中所包含第二类目标点云进行替换。举例来说,可以使用替换用目标点云对样本中所包含的第二类目标点云直接进行替换。在本实现方式中,通过计算距离从第二类目标点云所属的目标点云子集的第一类目标点云中选取替换用目标点云,可以使替换用目标点云与被替换的第二类目标点云的差距尽可能小,从而使生成样本集中的生成样本与样本集中样本更加接近。
可选的,上述根据替换用目标点云,对样本中所包含第二类目标点云进行替换,可以具体如下进行:
首先,根据样本中所包含第二类目标点云的朝向角,将替换用目标点云进行旋转。
在本实现方式中,可以根据样本中所包含第二类目标点云的朝向角,将替换用目标点云进行旋转。即,将替换用目标点云的朝向角旋转到与被替换的第二类目标点云一样的角度。此外,还可以对替换用目标点云的尺度进行调整,从而保证与被替换的第二类目标点云一样的尺度。
然后,使用旋转后的替换用目标点云,对样本中包含的第二类目标点云进行替换。
在本实现方式中,可以使用旋转后的替换用目标点云,对样本中包含的第二类目标点云进行替换。通过本实现方式可以使替换用目标点云与被替换的第二类目标点云的朝向角一致,从而使生成集中的生成样本与样本集中的样本更加接近,从而使生成的目标检测模型更加准确。
本公开的上述实施例提供的用于得到生成集的方法可以基于样本集得到生成集,从而保证了生成集中的生成样本与样本集中的样本的相似性,同时保证了生成集的生成样本中的目标点云的点数较多,从而使预先训练的检测模型的特征提取网络可以提取到更加丰富的特征信息,进而使训练得到的目标检测模型更加准确。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种用于检测目标的装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于检测目标的装置400包括输入单元401。其中,输入单元401被配置成将获取的点云输入预先建立的目标检测模型,得到目标检测结果,其中,上述目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层,上述目标检测模型可以是用于训练目标检测模型的装置通过以下单元训练得到:第一生成单元4011,被配置成将样本集中样本的样本点云输入初始模型,得到膨胀卷积层输出的第一特征信息;第二生成单元4012,被配置成基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络,得到第二特征信息,其中,上述生成集中的生成样本与上述样本集中的样本存在对应关系;确定单元4013,被配置成基于上述第一特征信息和上述第二特征信息,确定损失函数值;参数更新单元4014,被配置成利用上述损失函数值更新上述初始模型的模型参数,得到目标检测模型。
在本实施例中,用于检测目标的装置400的输入单元401的具体处理及其所带来的技术效果可分别参考图1对应实施例中S101的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述生成集是通过以下单元生成的:提取单元(图中未示出),被配置成从样本的样本点云中提取出不同类别目标的目标点云;第一划分单元(图中未示出),被配置成根据朝向角将各类别的目标点云划分为至少一个目标点云子集;第二划分单元(图中未示出),被配置成根据所包含点数,将各目标点云子集中的目标点云划分为第一类目标点云和第二类目标点云,其中,第一类目标点云所包含点数比第二类目标点云多;生成集生成单元(图中未示出),被配置成基于各目标点云子集中的第一类目标点云和第二类目标点云,得到生成集。
在本实施例的一些可选的实现方式中,上述生成集生成单元包括:替换单元(图中未示出),被配置成响应于确定上述样本集中的样本包含第二类目标点云,基于样本所包含第二类目标点云所属的目标点云子集中的第一类目标点云,对样本所包含的第二类目标点云进行替换,得到生成样本;生成子单元(图中未示出),被配置成响应于确定上述样本集中的样本不包含第二类目标点云,将样本作为生成样本。
在本实施例的一些可选的实现方式中,上述替换单元包括:计算模块(图中未示出),被配置成计算样本所包含第二类目标点云与所属的目标点云子集中的第一类目标点云的距离,基于计算结果从第一类目标点云中确定替换用目标点云;替换子模块(图中未示出),被配置成根据上述替换用目标点云,对样本中所包含第二类目标点云进行替换。
在本实施例的一些可选的实现方式中,上述替换子模块进一步被配置成:根据样本中所包含第二类目标点云的朝向角,将上述替换用目标点云进行旋转;使用旋转后的替换用目标点云,对样本中包含的第二类目标点云进行替换。
在本实施例的一些可选的实现方式中,上述检测模型的特征提取网络与上述初始模型的特征提取网络的网络结构相同。
在本实施例的一些可选的实现方式中,上述样本集中的样本包括样本点云和与样本点云对应的样本目标检测结果;以及上述确定单元4013进一步被配置成:计算上述第一特征信息和上述第二特征信息的距离,根据上述距离确定第一损失函数值;基于初始模型针对输入样本点云输出的目标类别信息和输入样本对应的样本目标检测结果中的目标类别信息,生成第二损失函数值;基于初始模型针对输入样本点云输出的包围盒信息和输入样本对应的样本目标检测结果中的包围盒信息,生成第三损失函数值;根据上述第一损失函数值、第二损失函数值和第三损失函数值,生成损失函数值。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的用于检测目标的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用于检测目标的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于检测目标的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于检测目标的方法对应的程序指令/模块(例如,附图4所示的输入单元401、第一生成单元4011、第二生成单元4012、确定单元4013和参数更新单元4014)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于检测目标的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据用于检测目标的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至用于检测目标的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于检测目标的方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与用于检测目标的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,所使用的目标检测模型的特征提取网络和膨胀卷积层是基于预先训练的检测模型的训练得到的,膨胀卷积可以对特征提取网络输出的特征信息进行进一步的处理,可以使处理后的特征信息更加接近点多区域的特征信息,从而使目标检测模型对于点云的点数量较少的情况也能有不错的检测效果,输出更准确的目标检测结果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种用于检测目标的方法,其特征在于,包括:
将获取的点云输入预先建立的目标检测模型,得到目标检测结果,其中,所述目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层,所述目标检测模型通过以下步骤训练得到:
将样本集中样本的样本点云输入初始模型,得到膨胀卷积层输出的第一特征信息;
基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络,得到第二特征信息,其中,所述生成集中的生成样本与所述样本集中的样本存在对应关系;
基于所述第一特征信息和所述第二特征信息,确定损失函数值;
利用所述损失函数值更新所述初始模型的模型参数,得到目标检测模型。
2.根据权利要求1所述的方法,其特征在于,所述生成集是通过以下方式生成的:
从样本的样本点云中提取出不同类别目标的目标点云;
根据朝向角将各类别的目标点云划分为至少一个目标点云子集;
根据所包含点数,将各目标点云子集中的目标点云划分为第一类目标点云和第二类目标点云,其中,第一类目标点云所包含点数比第二类目标点云多;
基于各目标点云子集中的第一类目标点云和第二类目标点云,得到生成集。
3.根据权利要求2所述的方法,其特征在于,所述基于各目标点云子集中的第一类目标点云和第二类目标点云,得到生成集,包括:
响应于确定所述样本集中的样本包含第二类目标点云,基于样本所包含第二类目标点云所属的目标点云子集中的第一类目标点云,对样本所包含的第二类目标点云进行替换,得到生成样本;
响应于确定所述样本集中的样本不包含第二类目标点云,将样本作为生成样本。
4.根据权利要求3所述的方法,其特征在于,所述基于样本所包含第二类目标点云所属的目标点云子集中的第一类目标点云,对样本所包含的第二类目标点云进行替换,得到生成样本,包括:
计算样本所包含第二类目标点云与所属的目标点云子集中的第一类目标点云的距离,基于计算结果从第一类目标点云中确定替换用目标点云;
根据所述替换用目标点云,对样本中所包含第二类目标点云进行替换。
5.根据权利要求4所述的方法,其特征在于,所述根据所述替换用目标点云,对样本中所包含第二类目标点云进行替换,包括:
根据样本中所包含第二类目标点云的朝向角,将所述替换用目标点云进行旋转;
使用旋转后的替换用目标点云,对样本中包含的第二类目标点云进行替换。
6.根据权利要求1所述的方法,其特征在于,所述检测模型的特征提取网络与所述初始模型的特征提取网络的网络结构相同。
7.根据权利要求1所述的方法,其特征在于,所述样本集中的样本包括样本点云和与样本点云对应的样本目标检测结果;以及
所述基于所述第一特征信息和所述第二特征信息,确定损失函数值,包括:
计算所述第一特征信息和所述第二特征信息的距离,根据所述距离确定第一损失函数值;
基于初始模型针对输入样本点云输出的目标类别信息和输入样本对应的样本目标检测结果中的目标类别信息,生成第二损失函数值;
基于初始模型针对输入样本点云输出的包围盒信息和输入样本对应的样本目标检测结果中的包围盒信息,生成第三损失函数值;
根据所述第一损失函数值、第二损失函数值和第三损失函数值,生成损失函数值。
8.一种用于检测目标的装置,其特征在于,包括:
输入单元,被配置成将获取的点云输入预先建立的目标检测模型,得到目标检测结果,其中,所述目标检测模型包括用于对特征提取网络输出的特征信息进行处理的膨胀卷积层,所述目标检测模型通过以下单元训练得到:
第一生成单元,被配置成将样本集中样本的样本点云输入初始模型,得到膨胀卷积层输出的第一特征信息;
第二生成单元,被配置成基于生成集中与输入样本对应的生成样本和预先训练的检测模型的特征提取网络,得到第二特征信息,其中,所述生成集中的生成样本与所述样本集中的样本存在对应关系;
确定单元,被配置成基于所述第一特征信息和所述第二特征信息,确定损失函数值;
参数更新单元,被配置成利用所述损失函数值更新所述初始模型的模型参数,得到目标检测模型。
9.根据权利要求8所述的装置,其特征在于,所述生成集是通过以下单元生成的:
提取单元,被配置成从样本的样本点云中提取出不同类别目标的目标点云;
第一划分单元,被配置成根据朝向角将各类别的目标点云划分为至少一个目标点云子集;
第二划分单元,被配置成根据所包含点数,将各目标点云子集中的目标点云划分为第一类目标点云和第二类目标点云,其中,第一类目标点云所包含点数比第二类目标点云多;
生成集生成单元,被配置成基于各目标点云子集中的第一类目标点云和第二类目标点云,得到生成集。
10.根据权利要求9所述的装置,其特征在于,所述生成集生成单元包括:
替换单元,被配置成响应于确定所述样本集中的样本包含第二类目标点云,基于样本所包含第二类目标点云所属的目标点云子集中的第一类目标点云,对样本所包含的第二类目标点云进行替换,得到生成样本;
生成子单元,被配置成响应于确定所述样本集中的样本不包含第二类目标点云,将样本作为生成样本。
11.根据权利要求10所述的装置,其特征在于,所述替换单元包括:
计算模块,被配置成计算样本所包含第二类目标点云与所属的目标点云子集中的第一类目标点云的距离,基于计算结果从第一类目标点云中确定替换用目标点云;
替换子模块,被配置成根据所述替换用目标点云,对样本中所包含第二类目标点云进行替换。
12.根据权利要求11所述的装置,其特征在于,所述替换子模块进一步被配置成:
根据样本中所包含第二类目标点云的朝向角,将所述替换用目标点云进行旋转;
使用旋转后的替换用目标点云,对样本中包含的第二类目标点云进行替换。
13.根据权利要求8所述的装置,其特征在于,所述检测模型的特征提取网络与所述初始模型的特征提取网络的网络结构相同。
14.根据权利要求8所述的装置,其特征在于,所述样本集中的样本包括样本点云和与样本点云对应的样本目标检测结果;以及
所述确定单元进一步被配置成:
计算所述第一特征信息和所述第二特征信息的距离,根据所述距离确定第一损失函数值;
基于初始模型针对输入样本点云输出的目标类别信息和输入样本对应的样本目标检测结果中的目标类别信息,生成第二损失函数值;
基于初始模型针对输入样本点云输出的包围盒信息和输入样本对应的样本目标检测结果中的包围盒信息,生成第三损失函数值;
根据所述第一损失函数值、第二损失函数值和第三损失函数值,生成损失函数值。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342481.XA CN111539347B (zh) | 2020-04-27 | 2020-04-27 | 用于检测目标的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342481.XA CN111539347B (zh) | 2020-04-27 | 2020-04-27 | 用于检测目标的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539347A true CN111539347A (zh) | 2020-08-14 |
CN111539347B CN111539347B (zh) | 2023-08-08 |
Family
ID=71967556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010342481.XA Active CN111539347B (zh) | 2020-04-27 | 2020-04-27 | 用于检测目标的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539347B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651405A (zh) * | 2020-12-10 | 2021-04-13 | 深兰人工智能(深圳)有限公司 | 目标检测方法及装置 |
CN113361379A (zh) * | 2021-06-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 生成目标检测***和检测目标的方法及装置 |
CN113378760A (zh) * | 2021-06-25 | 2021-09-10 | 北京百度网讯科技有限公司 | 训练目标检测模型和检测目标的方法及装置 |
CN114638996A (zh) * | 2020-12-01 | 2022-06-17 | 广州视源电子科技股份有限公司 | 基于对抗学习的模型训练方法、装置、设备和存储介质 |
CN116168366A (zh) * | 2023-01-19 | 2023-05-26 | 北京百度网讯科技有限公司 | 点云数据生成方法、模型训练方法、目标检测方法和装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122234A (zh) * | 2016-11-29 | 2018-06-05 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及视频处理方法、装置和电子设备 |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN109191453A (zh) * | 2018-09-14 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 用于生成图像类别检测模型的方法和装置 |
CN109345510A (zh) * | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
CN109635685A (zh) * | 2018-11-29 | 2019-04-16 | 北京市商汤科技开发有限公司 | 目标对象3d检测方法、装置、介质及设备 |
CN109887075A (zh) * | 2019-02-20 | 2019-06-14 | 清华大学 | 用于三维模型构建的三维点云模型训练方法 |
CN110032949A (zh) * | 2019-03-22 | 2019-07-19 | 北京理工大学 | 一种基于轻量化卷积神经网络的目标检测与定位方法 |
CN110069993A (zh) * | 2019-03-19 | 2019-07-30 | 同济大学 | 一种基于深度学习的目标车辆检测方法 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110276741A (zh) * | 2019-03-08 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 结节检测及其模型训练的方法和装置以及电子设备 |
CN110298281A (zh) * | 2019-06-20 | 2019-10-01 | 汉王科技股份有限公司 | 视频结构化方法、装置、电子设备及存储介质 |
CN110334237A (zh) * | 2019-07-15 | 2019-10-15 | 清华大学 | 一种基于多模态数据的立体对象检索方法与*** |
CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
CN110689562A (zh) * | 2019-09-26 | 2020-01-14 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的轨迹回环检测优化方法 |
CN110738121A (zh) * | 2019-09-17 | 2020-01-31 | 北京科技大学 | 一种前方车辆检测方法及检测*** |
CN110992468A (zh) * | 2019-11-28 | 2020-04-10 | 贝壳技术有限公司 | 基于点云数据的建模方法、装置以及设备、存储介质 |
-
2020
- 2020-04-27 CN CN202010342481.XA patent/CN111539347B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122234A (zh) * | 2016-11-29 | 2018-06-05 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及视频处理方法、装置和电子设备 |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN109345510A (zh) * | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
US20200082207A1 (en) * | 2018-09-07 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Object detection method and apparatus for object detection |
CN109191453A (zh) * | 2018-09-14 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 用于生成图像类别检测模型的方法和装置 |
CN109635685A (zh) * | 2018-11-29 | 2019-04-16 | 北京市商汤科技开发有限公司 | 目标对象3d检测方法、装置、介质及设备 |
CN109887075A (zh) * | 2019-02-20 | 2019-06-14 | 清华大学 | 用于三维模型构建的三维点云模型训练方法 |
CN110276741A (zh) * | 2019-03-08 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 结节检测及其模型训练的方法和装置以及电子设备 |
CN110069993A (zh) * | 2019-03-19 | 2019-07-30 | 同济大学 | 一种基于深度学习的目标车辆检测方法 |
CN110032949A (zh) * | 2019-03-22 | 2019-07-19 | 北京理工大学 | 一种基于轻量化卷积神经网络的目标检测与定位方法 |
CN110298281A (zh) * | 2019-06-20 | 2019-10-01 | 汉王科技股份有限公司 | 视频结构化方法、装置、电子设备及存储介质 |
CN110334237A (zh) * | 2019-07-15 | 2019-10-15 | 清华大学 | 一种基于多模态数据的立体对象检索方法与*** |
CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110738121A (zh) * | 2019-09-17 | 2020-01-31 | 北京科技大学 | 一种前方车辆检测方法及检测*** |
CN110689562A (zh) * | 2019-09-26 | 2020-01-14 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的轨迹回环检测优化方法 |
CN110992468A (zh) * | 2019-11-28 | 2020-04-10 | 贝壳技术有限公司 | 基于点云数据的建模方法、装置以及设备、存储介质 |
Non-Patent Citations (5)
Title |
---|
SHAOSHUAI SHI等: "From Points to Parts: 3D Object Detection from Point Cloud with Part-aware and Part-aggregation Network" * |
ZETONG YANG等: "STD: Sparse-to-Dense 3D Object Detector for Point Cloud" * |
万鹏: "基于F-PointNet的3D点云数据目标检测" * |
刘亚飞: "基于深度学习的多信息融合行人检测算法研究" * |
曹明伟等: "面向大规模三维重建的快速鲁棒集束调整算法" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638996A (zh) * | 2020-12-01 | 2022-06-17 | 广州视源电子科技股份有限公司 | 基于对抗学习的模型训练方法、装置、设备和存储介质 |
CN112651405A (zh) * | 2020-12-10 | 2021-04-13 | 深兰人工智能(深圳)有限公司 | 目标检测方法及装置 |
CN112651405B (zh) * | 2020-12-10 | 2024-04-26 | 深兰人工智能(深圳)有限公司 | 目标检测方法及装置 |
CN113361379A (zh) * | 2021-06-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 生成目标检测***和检测目标的方法及装置 |
CN113361379B (zh) * | 2021-06-03 | 2024-05-07 | 北京百度网讯科技有限公司 | 生成目标检测***和检测目标的方法及装置 |
CN113378760A (zh) * | 2021-06-25 | 2021-09-10 | 北京百度网讯科技有限公司 | 训练目标检测模型和检测目标的方法及装置 |
CN116168366A (zh) * | 2023-01-19 | 2023-05-26 | 北京百度网讯科技有限公司 | 点云数据生成方法、模型训练方法、目标检测方法和装置 |
CN116168366B (zh) * | 2023-01-19 | 2023-12-05 | 北京百度网讯科技有限公司 | 点云数据生成方法、模型训练方法、目标检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111539347B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539347B (zh) | 用于检测目标的方法和装置 | |
CN111860167B (zh) | 人脸融合模型获取及人脸融合方法、装置及存储介质 | |
CN111275983B (zh) | 车辆追踪方法、装置、电子设备和计算机可读存储介质 | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
CN110852321B (zh) | 候选框过滤方法、装置以及电子设备 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN110717933B (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
CN111310840B (zh) | 数据融合处理方法、装置、设备和存储介质 | |
CN113591573A (zh) | 多任务学习深度网络模型的训练及目标检测方法、装置 | |
CN112668428A (zh) | 车辆变道的检测方法、路侧设备、云控平台和程序产品 | |
CN111666876A (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
CN110796191B (zh) | 轨迹分类方法及装置 | |
CN111275827A (zh) | 基于边缘的增强现实三维跟踪注册方法、装置和电子设备 | |
CN111597987A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN111597986A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN111191619A (zh) | 车道线虚线段的检测方法、装置、设备和可读存储介质 | |
CN113157829A (zh) | 一种兴趣点名称比对方法、装置、电子设备和存储介质 | |
CN112508027B (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
CN111814651B (zh) | 车道线的生成方法、装置和设备 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN110751853B (zh) | 停车位数据的有效性识别方法和装置 | |
CN112528931A (zh) | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 | |
CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
CN112700643A (zh) | 输出车辆流向的方法、装置、路侧设备以及云控平台 | |
CN111767990A (zh) | 神经网络的处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |