CN119478915A 点云数据处理方法及相关装置 （华为云计算技术有限公司）

数据集和训练过的第一模型对第二模型进行训型具备从稀疏点云中提取高质量信息并执行点2对所述至少一个原始点云数据集包括的目标物体的点云数据进行增使用所述至少一个增广点云数据集对第一神经网络模型进使用所述至少一个原始点云数据集和训练过的所述第一神经网络模型对第二神经网得到训练过的所述第二神经网络模型，所述训练过的所述第二神使用所述至少一个原始点云数据集对第二神经网络模型进行使用所述至少一个原始点云数据集和所述训练过的所述3.根据权利要求1或2所述的方法，其特征在于，从所述至少一个原始点云数据集包括的目标物体的点云数据中确定密度低于稀疏阈4.根据权利要求1至3任一项所述的方法，其特征在于，所述对从所述至少一个原始点云数据集包括的目标物体的点云数据中确定密度高于稠密阈值的第二点云数据进行复制，所述至少一个增广点云数据集包括复制的所述第二点云数对某一原始点云数据集包括的所述第二目标点云数据进行所将复制的所述原始点云数据集包括的所述第二目标点云数据加入所述原始点云数据所述使用所述至少一个增广点云数据集对第一神经网络模型进行训使用某一原始点云数据集对应的增广点云数据集对所述第一神经网络模型进行训练，所述使用所述至少一个原始点云数据集和训练过的所述第一神经网络模型对第二神3使用所述原始点云数据集和训练过的所述第一神经网络模型对所述第二神经网络模生成可视化界面，所述可视化界面用于以图像或数据的方式成对数据集的所述第一任务处理结果和所述第二任接收难例数据集确认指令，所述难例数据集确认指令用于指示所述或所述第二任务处理结果对应的所述原始点云数将所述至少一个增广难例数据集加入所述至少一个原始点云将所述难例数据集中的目标物体的点云数据和所述至少一个原始点云数据集的背景增广模块，用于对所述至少一个原始点云数据集包括的目标物体的点云数据进行增第一训练模块，用于使用所述至少一个增广点云数据集对第一神经网络模型进行训第二训练模块，用于使用所述至少一个原始点云数据导出模块，用于得到训练过的所述第二神经网络模使用所述至少一个原始点云数据集对第二神经网络模型进行使用所述至少一个原始点云数据集和所述训练过的所述从所述至少一个原始点云数据集包括的目标物体的点云数据中确定密度低于稀疏阈从所述至少一个原始点云数据集包括的目标物体的点云数据中确定密度高于稠密阈值的第二点云数据进行复制，所述至少一个增广点云数据集包括复制的所述第二点云数4对某一原始点云数据集包括的所述第二目标点云数据进将复制的所述原始点云数据集包括的所述第二目标点云数据加入所述原始点云数据使用某一原始点云数据集对应的增广点云数据集对所述第一神经网络模型进行训练，使用所述原始点云数据集和训练过的所述第一神经网络模型对所述第二神经网络模界面生成模块，用于生成可视化界面，所述可视化界面难例数据处理模块，用于接收难例数据集确认指令，所述难例数据示所述第一任务处理结果或所述第二任务处理结果对应的所述原始点云数据集为难例数难例数据添加模块，将所述至少一个增广难例数据集加入所述至少将所述难例数据集中的目标物体的点云数据和所述至少一个原始点云数据集的背景所述至少一个计算设备的处理器用于执行所述至少一个计算设备的存储器中存储的18.一种包含指令的计算机程序产品，其特征在于，当所述指令被计算设备集群运行指令由计算设备集群执行时，所述计算设备集群执行如权利要求1_8任一项所述的点云数56从至少一个原始点云数据集包括的目标物体的点云数据中确定密度低于稀疏阈值的第一从至少一个原始点云数据集包括的目标物体的点云数据中确定密度高于稠密阈值的第二经网络模型的原始点云数据集也需要添加这些经过同样复制操作的高密度目标物体点云，7可视化界面用于以图像或数据的方式成对的展示原始点云数据集的第一任务处理结果和理结果或第二任务处理结果对应的原始点云数据集为难例数据数据集以及它对应的增广点云数据集分别在第二神经网络模型和第一神经网络模型下的至少一个模块用于实现上述第一方面所提供8[0028]上述第二方面至第六方面所获得的技术效果与第一方面中对应的技术手段获得9义分割可以帮助更好地理解图像中的内容和中存在的目标。模型通过检测算法生成这些边界框，通常使用卷积神经网络样适用。与系统中其他组件的关系及该点云处理装置10的组成模块，该示意图包含点云处理装置置10中的接口获取，接口例如为应用程序编程接口(ApplicationProgramming[0063]在本发明提供的一种实施例中，获取模块101获取到的原始点云数据集是经过标用户可通过数据标注界面对其采集的未标注的点云[0074]由于之后需要对由稀疏点云训练的神经网络和由稠密点云训练的神经网络做一[0076]在S1032对稠密点云做复制的增广方式的场景下，可能会出现物体的点云碰撞现[0081]S105：使用原始点云数据集和训练过的第一神经网络模型训练第二神经网络模之间的距离可以使用均方误差(MSE)或交叉熵(CE)等方法来计算，而学生网络的预测结果[0083]本发明实施例提供的第二种实现方式可以是第二训练模块1032先使用稀疏的原的第二神经网络能够在以稀疏的原始点云数据集为输入的情形下，提取到优质的点云特趋近于第一神经网络在增广点云数据集下的处理能力，则该数据集可能不是难例数据集。[0090]具体而言，难例数据处理模块104确认某个原始点云数据集或其对应的增广点云使用其他的增广方式实现对难例数据集的增广，本发明对难例数据集的增广方式不作限生成用于继续训练的原始点云数据集和增广[0093]通过向训练数据中添加更多的难例数据集，可以帮助模型更好地学习数据的分经增广处理的原始数据集。推理模块106训练好的第二神经网络模型推理得到目标任务的[0098]在本发明提供的点云数据处理方法和点云数据处理装置也以通过数据增广得到原始点云数据的增广点云数据，用增广点云数据训练出一个神经网络，再用原始点云数据和前述神经网络训练最终想要得到的用于执行目标任务的神经网[0101]需要说明的是：上述实施例提供的点云数据处理装置在点云数据处理装置700可以由软件、硬件或者两者的结合实现成为点云数据处理服务器的[0104]增广模块702，用于对至少一个原始点云数据集包括的目标物体的点云数据进行[0105]模型训练模块703，用于使用至少一个增广点云数据集对第一神经网络模型进行[0106]导出模块704，用于使用至少一个原始点云数据集和训练过的第一神经网络模型模块705的实现方式可以参考获取模块701[0109]模块作为软件功能单元的一种举例，获取模块可以包括运行在计算实例上的代[0110]同样，用于运行该代码的多个主机/虚拟机/容器可以分布在同一个虚拟私有云务器等。或者，A模块也可以是利用专用集成电路(application_specificintegrated等。其中，上述PLD可以是复杂程序逻辑器件(complexprogrammablelogicaldevice，CPLD)、现场可编程门阵列(field_programmablegatearray，FPGA)、通用阵列逻辑[0112]获取模块701包括的多个计算设备可以分布在相同的region中，也可以分布在不[0116]在实现本发明实施例提供的技术方案时，该计算设备900可以是执行点云数据处[0118]处理器904可以包括[0119]存储器906可以包括易失性存储器(volatilememory)，例如随机存取存储器(randomaccessmemory，RAM)。处理器904还可以包括非易失性存储器(non_volatile或多个计算设备900中的存储器906中可以存有相同的用于执行图3所示的点云数据处理方[0124]在一些可能的实现方式中，该计算设备集群中的一个或多个计算设备900的存储设备900的组合可以共同执行用于执行图2所示的点云数据处理[0128]图12所示的计算设备集群之间的连接方式可以是考虑到本发明提供的点云数据[0129]应理解，图12中示出的计算设备900A的功能也可以由多个计算设备900完成。同集群中的一个或多个计算设备900中的存储器906中可以存有相同的用于执行点云数据处[0131]在一些可能的实现方式中，该计算设备集群中的一个或多个计算设备900的存储设备900的组合可以共同执行用于执行点云数据处理计算机程序产品在至少一个计算设备上运行时，使得至少一个计算设备执行上述图3所示计算设备能够存储的任何可用介质或者是包含一个或多个可用介质的数据中心等数据存以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征