CN113706676A - 用于点云数据的模型自监督训练方法和装置 - Google Patents
用于点云数据的模型自监督训练方法和装置 Download PDFInfo
- Publication number
- CN113706676A CN113706676A CN202110989665.XA CN202110989665A CN113706676A CN 113706676 A CN113706676 A CN 113706676A CN 202110989665 A CN202110989665 A CN 202110989665A CN 113706676 A CN113706676 A CN 113706676A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- frames
- continuous
- model
- 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.)
- Pending
Links
- 238000006073 displacement reaction Methods 0.000 claims abstract description 48
- 230000000875 corresponding Effects 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims description 81
- 238000002372 labelling Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 13
- 239000000203 mixture Substances 0.000 description 10
- 238000000034 method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000644 propagated Effects 0.000 description 2
- 210000003666 Nerve Fibers, Myelinated Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001131 transforming Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Computing arrangements based on biological models using neural network models
- G06N3/08—Learning methods
- G06N3/084—Back-propagation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Abstract
本公开的实施例公开了用于点云数据的模型自监督训练方法、装置、电子设备和介质。该方法的一具体实施方式包括:获取经预处理的连续n帧点云数据;将该连续n帧点云数据中的前n‑1帧点云数据输入至预设的点云数据处理模型,得到与该前n‑1帧点云数据对应的点云位移预测数据,其中,该点云位移预测数据用于表征该前n‑1帧点云数据中第n‑1帧点云数据相对于第n帧点云数据的预测结果的位移;根据该点云位移预测数据和该连续n帧点云数据中的第n帧点云数据生成损失值;基于该损失值调整该预设的点云数据处理模型的参数,得到自监督训练模型。该实施方式通过自监督方法,减少了对标注数据的依赖,提高了模型效果。
Description
技术领域 本公开的实施例涉及计算机技术领域,具体涉及用于点云数据的模型自监督训练方法、用于点云数据目标检测的方法、装置、电子设备和介质。 背景技术 随着人工智能技术的发展,在自动驾驶等领域的应用也越来越多。 现有技术中,自动驾驶等领域的三维物体检测一般使用深度学习技术。一方面,由于深度学习往往依赖标注数据,而针对三维物体的标注数据的生产费时费力,并且耗费不菲,难以满足大规模三维物体检测的需要。另一方面,自动驾驶系统往往比较容易地收集到海量的三维原始数据,但这些原始数据并未得到较好地利用。 发明内容 本公开的实施例提出了用于点云数据的模型自监督训练方法、装置、电子设备和介质。 第一方面,本公开的实施例提供了一种用于点云数据的模型自监督训练方法,该方法包括:获取经预处理的连续n帧点云数据;将连续n帧点云数据中的前n-1帧点云数据输入至预设的点云数据处理模型,得到与前n-1帧点云数据对应的点云位移预测数据,其中,点云位移预测数据用于表征前n-1帧点云数据中第n-1帧点云数据相对于第n帧点云数据的预测结果的位移;根据点云位移预测数据和连续n帧点云数据中的第n帧点云数据生成损失值;基于损失值调整预设的点云数据处理模型的参数,得到自监督训练模型。 在一些实施例中,上述预设的点云数据处理模型中包括主干网络和解码器网络,其中,主干网络的数目与输入的点云数据的帧数一致。 在一些实施例中,上述主干网络的权值共享,上述解码器网络的输入基于上述主干网络的输出进行拼接后而生成。 在一些实施例中,上述获取经预处理的连续n帧点云数据,包括:获取连续n帧点云数据和对应的采集端定位信息;将连续n帧点云数据转换至第n帧点云数据的坐标系下,生成转换后的连续n帧点云数据;基于转换后的连续n帧点云数据,生成经预处理的连续n帧点云数据。 在一些实施例中,上述基于转换后的连续n帧点云数据,生成经预处理的连续n帧点云数据,包括:对转换后的连续n帧点云数据进行去除地面点操作,生成去除地面点后的连续n帧点云数据;将去除地面点后的连续n帧点云数据转换至目标视角图像作为经预处理的连续n帧点云数据。 在一些实施例中,上述根据点云位移预测数据和连续n帧点云数据中的第n帧点云数据生成损失值,包括:根据点云位移预测数据与对应的位置信息,生成二维分布值;根据二维分布值与第n帧点云数据,生成第n帧点云数据更新值;基于第n-1帧点云数据和第n帧点云数据更新值,生成损失值。 在一些实施例中,该方法还包括:获取与预设的点云数据处理模型关联的标注样本集合,其中,标注样本集合中的标注样本中包括样本点云数据和对应的样本标注信息;从自监督训练模型中提取特征检测网络;利用标注样本集合对预设的点云数据目标检测模型进行精细训练,生成训练完成的点云数据目标检测模型,其中,预设的点云数据目标检测模型基于自监督训练模型中的特征提取部分与预设的分类网络生成。 第二方面,本公开的实施例提供了一种用于点云数据目标检测的方法,该方法包括:获取经预处理的待检测的连续n帧点云数据;将待检测的连续n帧点云数据输入至预先训练的点云数据目标检测模型,生成目标检测结果,其中,点云数据目标检测模型通过如第一方面所描述的方法训练得到。 第三方面,本公开的实施例提供了一种用于点云数据的模型自监督训练装置,该装置包括:第一获取单元,被配置成获取经预处理的连续n帧点云数据;处理单元,被配置成将连续n帧点云数据中的前n-1帧点云数据输入至预设的点云数据处理模型,得到与前n-1帧点云数据对应的点云位移预测数据,其中,点云位移预测数据用于表征前n-1帧点云数据中第n-1帧点云数据相对于第n帧点云数据的预测结果的位移;生成单元,被配置成根据点云位移预测数据和连续n帧点云数据中的第n帧点云数据生成损失值;训练单元,被配置成基于损失值调整预设的点云数据处理模型的参数,得到自监督训练模型。 在一些实施例中,上述预设的点云数据处理模型中包括主干网络和解码器网络,其中,主干网络的数目与输入的点云数据的帧数一致。 在一些实施例中,上述主干网络的权值共享,上述解码器网络的输入基于上述主干网络的输出进行拼接后而生成。 在一些实施例中,上述第一获取单元包括:获取模块,被配置成获取连续n帧点云数据和对应的采集端定位信息;转换模块,被配置成将连续n帧点云数据转换至第n帧点云数据的坐标系下,生成转换后的连续n帧点云数据;生成模块,被配置成基于转换后的连续n帧点云数据,生成经预处理的连续n帧点云数据。 在一些实施例中,上述生成模块,被进一步配置成对转换后的连续n帧点云数据进行去除地面点操作,生成去除地面点后的连续n帧点云数据;将去除地面点后的连续n帧点云数据转换至目标视角图像作为经预处理的连续n帧点云数据。 在一些实施例中,上述生成单元被进一步配置成:根据点云位移预测数据与对应的位置信息,生成二维分布值;根据二维分布值与第n帧点云数据,生成第n帧点云数据更新值;基于第n-1帧点云数据和第n帧点云数据更新值,生成损失值。 在一些实施例中,该装置还被进一步配置成:获取与预设的点云数据处理模型关联的标注样本集合,其中,标注样本集合中的标注样本中包括样本点云数据和对应的样本标注信息;从自监督训练模型中提取特征检测网络;利用标注样本集合对预设的点云数据目标检测模型进行精细训练,生成训练完成的点云数据目标检测模型,其中,预设的点云数据目标检测模型基于所自监督训练模型中的特征提取部分与预设的分类网络生成。 第四方面,本公开的实施例提供了一种用于点云数据目标检测的装置,该装置包括:第二获取单元,被配置成获取经预处理的待检测的连续n帧点云数据;检测单元,被配置成将待检测的连续n帧点云数据输入至预先训练的点云数据目标检测模型,生成目标检测结果,其中,点云数据目标检测模型通过如第一方面所描述的方法训练得到。 第五方面,本公开的实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。 第六方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。 第七方面,本公开的实施例提供了一种自动驾驶车辆,包括如第五方面所描述的电子设备。 本公开的实施例提供的用于点云数据的模型自监督训练方法、装置、电子设备和介质,通过对连续n帧点云数据自监督训练点云数据处理模型,实现了针对点云数据的自监督学习,一方面有效利用了原始三维数据,另一方面减少了对标注数据的依赖,提升了三维物体检测的效果。 附图说明 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显: 图1是本公开的一个实施例可以应用于其中的示例性系统架构图; 图2是根据本公开的用于点云数据的模型自监督训练方法的一个实施例的流程图; 图3是根据本公开的实施例的用于点云数据的模型自监督训练方法中预设的点云数据处理模型的结构的一个示意图; 图4是根据本公开的用于点云数据目标检测的方法的一个实施例的流程图; 图5是根据本公开的用于点云数据的模型自监督训练装置的一个实施例的结构示意图; 图6是根据本公开的用于点云数据目标检测的装置的一个实施例的结构示意图; 图7是适于用来实现本公开的实施例的电子设备的结构示意图。 具体实施方式 下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。 需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。 图1示出了可以应用本公开的用于点云数据的模型自监督训练方法或用于点云数据的模型自监督训练装置的示例性架构100。 如图1所示,系统架构100可以包括终端设备101,网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。 终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、点云数据处理类应用等。 终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是具有显示屏并且支持人机交互的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机、自动驾驶车辆等等。当终端设备101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。 服务器103可以是提供各种服务的服务器,例如为终端设备101上点云数据处理类应用提供支持的后台服务器。后台服务器可以训练得到自监督训练模型和点云数据目标检测模型,并可以将训练完成的点云数据目标检测模型发送至终端设备101,以使终端设备101利用上述训练完成的点云数据目标检测模型完成点云数据的目标检测。 需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。 需要说明的是,本公开的实施例所提供的用于点云数据的模型自监督训练方法一般由服务器103执行,相应地,用于点云数据的模型自监督训练装置一般设置于服务器103中。 应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。 继续参考图2,示出了根据本公开的用于点云数据的模型自监督训练方法的一个实施例的流程200。该用于点云数据的模型自监督训练方法包括以下步骤: 步骤201,获取经预处理的连续n帧点云数据。 在本实施例中,用于点云数据的模型自监督训练方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取经预处理的连续n帧点云数据。其中,上述n通常为大于1的自然数。上述连续通常指时间上连续。 作为示例,上述执行主体可以通过点云数据采集设备获取连续n帧点云数据。作为又一示例,上述执行主体可以从预先采集的点云数据集合中随机抽取连续n帧点云数据。而后,上述执行主体可以将所获取的连续n帧点云数据进行预处理,从而得到经预处理的连续n帧点云数据。 在本实施例的一些可选的实现方式中,上述执行主体还可以通过以下步骤获取经预处理的连续n帧点云数据: 第一步,获取连续n帧点云数据和对应的采集端定位信息。 在这些实现方式中,上述执行主体可以通过各种方式获取连续n帧点云数据和对应的采集端定位信息。其中,上述采集端例如可以是自动驾驶车辆,也可以是点云数据采集车。 第二步,将连续n帧点云数据转换至第n帧点云数据的坐标系下,生成转换后的连续n帧点云数据。 在这些实现方式中,上述执行主体可以通过坐标变换方法将上述第一步所获取的连续n帧点云数据转换至第n帧点云数据的坐标系下,生成转换后的连续n帧点云数据。 由于移动采集车等点云数据采集端在点云数据采集过程中通常处于移动状态,因而利用上述采集端定位信息可以将不同帧的点云数据转换至第n帧点云数据的坐标系下。 第三步,基于转换后的连续n帧点云数据,生成经预处理的连续n帧点云数据。 在这些实现方式中,基于上述第二步所生成的转换后的连续n帧点云数据,上述执行主体可以通过各种方式对上述点云数据进行进一步预处理,生成经预处理的连续n帧点云数据。 基于上述可选的实现方式,本方案通过将不同帧的点云数据转换至同一帧坐标系下,排除了由于点云数据采集端自身移动所造成的点云数据的位置偏差,提升了点云数据预处理的准确性。 可选地,基于上述可选的实现方式,基于上述转换后的连续n帧点云数据,上述执行主体可以通过以下步骤生成经预处理的连续n帧点云数据: S1、对转换后的连续n帧点云数据进行去除地面点操作,生成去除地面点后的连续n帧点云数据。 在这些实现方式中,上述执行主体可以对上述第二步所生成的转换后的连续n帧点云数据进行去除地面点操作,生成去除地面点后的连续n帧点云数据。 S2、将去除地面点后的连续n帧点云数据转换至目标视角图像作为经预处理的连续n帧点云数据。 在这些实现方式中,上述执行主体可以将步骤S1所生成的去除地面点后的连续n帧点云数据转换至目标视角图像作为经预处理的连续n帧点云数据。其中,上述目标视角图像可以根据实际应用需求进行设置,例如可以是俯瞰视角图像。 基于上述可选的实现方式,本方案可以通过去除地面点和转换至目标视角图像等操作对连续n帧点云数据进行预处理,从而便于对连续n帧点云数据进行后续处理。 步骤202,将连续n帧点云数据中的前n-1帧点云数据输入至预设的点云数据处理模型,得到与前n-1帧点云数据对应的点云位移预测数据。 在本实施例中,上述执行主体可以将步骤201所获取的连续n帧点云数据中的前n-1帧点云数据输入至预设的点云数据处理模型,得到与前n-1帧点云数据对应的点云位移预测数据。其中,上述点云位移预测数据可以用于表征上述前n-1帧点云数据中第n-1帧点云数据相对于第n帧点云数据的预测结果的位移。其中,上述位移的形式可以包括但不限于以下至少一项:位移量,方向。 在本实施例中,上述预设的点云数据处理模型可以包括各种用于点云数据处理的人工神经网络,在此不作限定。 在本实施例的一些可选的实现方式中,上述预设的点云数据处理模型中可以包括主干网络和解码器网络。其中,上述主干网络的数目可以与输入的点云数据的帧数一致。从而,上述主干网络可以与上述输入的经预处理的连续n-1帧点云数据中的每一帧一一对应,即每个主干网络针对特定的一帧点云数据进行处理。 在这些实现方式中,上述解码器网络的输出的维度通常与输入的每帧点云数据的维度相关。例如输入的每帧点云数据对应的像素点个数的2倍,代表着各像素点对应的x方向和y方向的位移。可选地,也可以将输入的每帧点云数据对应的像素点中的多个像素点看作一个像素块,从而对应减少解码器网络的输出的维度,此处不作限定。 可选地,基于上述可选的实现方式,上述主干网络的权值通常共享。上述解码器网络的输入基于上述主干网络的输出进行拼接后而生成。作为示例,参见图3示出的上述预设的点云数据处理模型的结构。 基于上述可选的实现方式,本方案提供的预设的点云数据处理模型的结构可以实现较好的模型性能。 步骤203,根据点云位移预测数据和连续n帧点云数据中的第n帧点云数据生成损失值。 在本实施例中,根据步骤202所生成的点云位移预测数据和连续n帧点云数据中的第n帧点云数据,生成上述执行主体可以通过各种方式生成损失值。作为示例,上述执行主体可以利用预设的损失函数,根据步骤202所生成的点云位移预测数据和连续n帧点云数据中的第n帧点云数据计算损失值。 在本实施例的一些可选的实现方式中,上述执行主体可以按照如下步骤根据点云位移预测数据和连续n帧点云数据中的第n帧点云数据生成损失值: 第一步,根据点云位移预测数据与对应的位置信息,生成二维分布值。 在本实施例中,作为示例,上述执行主体可以根据N((x+dx,y+dy),var)生成二维分布值。其中,上述N(mean,var)可以用于表征二维正态分布。上述x,y可以分别用于表征点云位移预测数据对应的位置信息。上述dx,dy可以分别用于表征点云位移预测数据。上述var可以用于表征一个预设值。 可选地,上述二维分布值也可以是除了正态分布的其他适用分布,此处不再赘述。 第二步,根据二维分布值与第n帧点云数据,生成第n帧点云数据更新值。 在这些实现方式中,根据上述第一步所得到的二维分布值与第n帧点云数据,上述执行主体可以通过各种方式生成第n帧点云数据更新值。作为示例,上述执行主体可以将上述第一步所得到的二维分布值与第n帧点云数据的乘积确定为上述第n帧点云数据更新值 第三步,基于第n-1帧点云数据和第n帧点云数据更新值,生成损失值。 在这些实现方式中,基于第n-1帧点云数据和第n帧点云数据更新值,上述执行主体可以通过各种方式衡量差异的方法生成损失值。作为示例,上述执行主体可以将上述第n-1帧点云数据与上述第n帧点云数据更新值对应位置数据之间的方差确定为损失值。 基于上述可选的实现方式,本方案提供了一种生成损失值的方法,可以更好地指导模型进行自监督训练。 步骤204,基于损失值调整预设的点云数据处理模型的参数,得到自监督训练模型。 在本实施例中,上述执行主体可以通过各种方式基于损失值调整预设的点云数据处理模型的参数,得到自监督训练模型。作为示例,上述执行主体可以采用反向传播法调整上述预设的点云数据处理模型的参数,从而得到自监督训练模型。 在本实施例的一些可选的实现方式中,上述执行主体还可以继续执行以下步骤: 第一步,获取与预设的点云数据处理模型关联的标注样本集合。 在这些实现方式中,上述执行主体可以通过各种方式获取与上述步骤202中的预设的点云数据处理模型关联的标注样本集合。其中,上述标注样本集合中的标注样本中可以包括样本点云数据和对应的样本标注信息。上述样本标注信息例如可以是用于标注样本点云数据所指示的目标物的类别和/或位置的信息。 第二步,从自监督训练模型中提取特征检测网络。 在这些实现方式中,上述执行主体可以通过各种方式从上述步骤204中所得到的自监督训练模型中提取特征检测网络。其中,上述特征检测网络可以包括上述自监督训练模型中的各种用于提取特征的网络结构。可选地,上述特征检测网络还可以包括主干网络。 第三步,利用标注样本集合对预设的点云数据目标检测模型进行精细训练,生成训练完成的点云数据目标检测模型。 在这些实现方式中,上述预设的点云数据目标检测模型可以基于上述自监督训练模型中的特征提取部分与预设的分类网络生成。从而,上述执行主体可以利用有监督训练方式训练得到上述训练完成的点云数据目标检测模型。 目前,现有技术之一通常是使用有监督方式训练三维物体检测模型,导致标注数据的花费高,而大量的三维原始数据无法被有效利用。而本公开的上述实施例提供的方法,通过利用连续n帧点云数据自监督训练点云数据处理模型,实现了针对点云数据的自监督学习,一方面有效利用了原始三维数据,另一方面减少了对标注数据的依赖,提升了三维物体检测的效果。 进一步参考图4,其示出了用于点云数据目标检测的方法的又一个实施例的流程400。该用于点云数据目标检测的方法的流程400,包括以下步骤: 步骤401,获取经预处理的待检测的连续n帧点云数据。 在本实施例中,用于点云数据目标检测的方法的执行主体(例如图1所示的终端101)可以通过各种方式获取经预处理的待检测的连续n帧点云数据。 在本实施例中,上述执行主体可以首先获取待检测的连续n帧点云数据。而后,上述执行主体可以参照前述实施例步骤201及其可选的实现方式所描述的预处理方式,对上述所获取的待检测的连续n帧点云数据进行预处理,从而得到经预处理的待检测的连续n帧点云数据。 步骤402,将待检测的连续n帧点云数据输入至预先训练的点云数据目标检测模型,生成目标检测结果。 在本实施例中,上述执行主体可以通过各种方式将步骤401获取的待检测的连续n帧点云数据输入至预先训练的点云数据目标检测模型,生成目标检测结果。其中,上述点云数据目标检测模型可以通过前述实施例所描述的用于点云数据的模型自监督训练方法训练得到。 在本实施例中,上述目标检测结果可以与上述点云数据目标检测模型相关联。上述目标检测结果例如可以包括目标物的类别和/或目标物的位置。 从图4中可以看出,本实施例中的用于点云数据目标检测的方法的流程400体现了利用预先训练的点云数据目标检测模型进行点云数据检测的步骤。由此,本实施例描述的方案可以改善点云数据的三维物体检测的性能。 进一步参考图5,作为对上述各图所示方法的实现,本公开提供了用于点云数据的模型自监督训练装置的一个实施例,该装置实施例与图2或图3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5所示,本实施例提供的用于点云数据的模型自监督训练装置500包括第一获取单元501、处理单元502、生成单元503和训练单元504。其中,第一获取单元501,被配置成获取经预处理的连续n帧点云数据;处理单元502,被配置成将连续n帧点云数据中的前n-1帧点云数据输入至预设的点云数据处理模型,得到与前n-1帧点云数据对应的点云位移预测数据,其中,点云位移预测数据用于表征前n-1帧点云数据中第n-1帧点云数据相对于第n帧点云数据的预测结果的位移;生成单元503,被配置成根据点云位移预测数据和连续n帧点云数据中的第n帧点云数据生成损失值;训练单元504,被配置成基于损失值调整预设的点云数据处理模型的参数,得到自监督训练模型。 在本实施例中,用于点云数据的模型自监督训练装置500中:第一获取单元501、处理单元502、生成单元503和训练单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204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,上述预设的点云数据处理模型中可以包括主干网络和解码器网络。其中,上述主干网络的数目可以与输入的点云数据的帧数一致。 在本实施例的一些可选的实现方式中,上述主干网络的权值可以共享。上述解码器网络的输入可以基于上述主干网络的输出进行拼接后而生成。 在本实施例的一些可选的实现方式中,上述第一获取单元501可以包括:获取模块(图中未示出),被配置成获取连续n帧点云数据和对应的采集端定位信息;转换模块(图中未示出),被配置成将连续n帧点云数据转换至第n帧点云数据的坐标系下,生成转换后的连续n帧点云数据;生成模块(图中未示出),被配置成基于转换后的连续n帧点云数据,生成经预处理的连续n帧点云数据。 在本实施例的一些可选的实现方式中,上述生成模块,可以被进一步配置成对转换后的连续n帧点云数据进行去除地面点操作,生成去除地面点后的连续n帧点云数据;将去除地面点后的连续n帧点云数据转换至目标视角图像作为经预处理的连续n帧点云数据。 在本实施例的一些可选的实现方式中,上述生成单元503可以被进一步配置成:根据点云位移预测数据与对应的位置信息,生成二维分布值;根据二维分布值与第n帧点云数据,生成第n帧点云数据更新值;基于第n-1帧点云数据和第n帧点云数据更新值,生成损失值。 在本实施例的一些可选的实现方式中,上述用于点云数据的模型自监督训练装置500还可以被进一步配置成:获取与预设的点云数据处理模型关联的标注样本集合,其中,标注样本集合中的标注样本中包括样本点云数据和对应的样本标注信息;从自监督训练模型中提取特征检测网络;利用标注样本集合对预设的点云数据目标检测模型进行精细训练,生成训练完成的点云数据目标检测模型,其中,预设的点云数据目标检测模型基于所自监督训练模型中的特征提取部分与预设的分类网络生成。 本公开的上述实施例提供的装置,通过训练单元504利用第一获取单元501所获取的连续n帧点云数据根据生成单元503生成的损失值自监督训练点云数据处理模型,实现了针对点云数据的自监督学习,一方面有效利用了原始三维数据,另一方面减少了对标注数据的依赖,提升了三维物体检测的效果。 进一步参考图6,作为对上述各图所示方法的实现,本公开提供了用于点云数据目标检测的装置的一个实施例,该装置实施例与图4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6所示,本实施例提供的用于点云数据目标检测的装置600包括第二获取单元601和检测单元602。其中,第二获取单元601,被配置成获取经预处理的待检测的连续n帧点云数据;检测单元602,被配置成将待检测的连续n帧点云数据输入至预先训练的点云数据目标检测模型,生成目标检测结果,其中,点云数据目标检测模型通过如第一方面所描述的方法训练得到。 在本实施例中,用于点云数据目标检测的装置600中:第二获取单元601和检测单元602的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401、步骤402的相关说明,在此不再赘述。 本公开的上述实施例提供的装置,通过检测单元602利用预先训练的点云数据目标检测模型对第二获取单元601所获取的待检测点云数据进行检测,改善了点云数据的三维物体检测的性能。 下面参考图7,其示出了适于用来实现本申请实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本申请实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的终端设备/服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。 如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。 通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD,LiquidCrystal Display)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。 特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本申请的实施例的方法中限定的上述功能。 本公开所提供的自动驾驶车辆,可以包括如图7所示的上述电子设备。 需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(Radio Frequency,射频)等等,或者上述的任意合适的组合。 上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取经预处理的连续n帧点云数据;将连续n帧点云数据中的前n-1帧点云数据输入至预设的点云数据处理模型,得到与前n-1帧点云数据对应的点云位移预测数据,其中,点云位移预测数据用于表征前n-1帧点云数据中第n-1帧点云数据相对于第n帧点云数据的预测结果的位移;根据点云位移预测数据和连续n帧点云数据中的第n帧点云数据生成损失值;基于损失值调整预设的点云数据处理模型的参数,得到自监督训练模型;或者使得该电子设备: 获取经预处理的待检测的连续n帧点云数据;将待检测的连续n帧点云数据输入至预先训练的点云数据目标检测模型,生成目标检测结果,其中,点云数据目标检测模型通过如用于点云数据的模型自监督训练方法训练得到。 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”、Python语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。 附图中的流程图和框图,图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。 描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括第一获取单元、处理单元、生成单元、训练单元;或者包括第二获取单元、检测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取经预处理的连续n帧点云数据的单元”。 以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。