一种模型训练的方法及装置制造方法及图纸

本说明书公开了一种模型训练的方法及装置，通过获取包含实际边界框的位置信息的点云作为训练样本，将训练样本输入待训练检测模型，得到待训练检测模型输出的预测边界框的位置信息以及预测差异信息，预测差异信息为待训练检测模型对预测边界框的位置信息与实际边界框的位置信息之间的差异的预测值，根据预测边界框的位置信息与实际边界框的位置信息，可确定实际差异信息，以实际差异信息最小化以及预测差异信息最小化为训练目标，对待训练检测模型进行训练。通过上述内容，无人设备训练检测模型的方向为预测边界框最准，从而通过训练完成的检测模型，可确定准确的目标检测结果。

【技术实现步骤摘要】
一种模型训练的方法及装置
本说明书涉及无人驾驶
，尤其涉及一种模型训练的方法及装置。
技术介绍
目前，在无人驾驶领域中，为了更好的控制无人设备，通常需要检测环境中的诸如车辆、行人等目标。无人设备可将通过传感器采集的数据输入预先训练检测模型，通过检测模型确定目标的预测边界框信息。在对检测模型进行训练时，通常会根据目标的实际边界框的信息，对检测模型确定的目标的预测边界框(BoundingBox)进行筛选，选择与实际边界框的交并比(IntersectionoverUnion，IOU)大于预设的IOU阈值的预测边界框，根据选择的预测边界框，对检测模型进行训练，显然，根据上述内容训练完成的检测模型，得到的目标检测结果中，可能无法检测出部分目标。并且，在根据上述内容得到的预测边界框后，对预测边界框进行非极大值抑制(Non-maximumsuppression，NMS)处理，而在NMS处理的过程中，仍旧存在无法检测到部分目标的情况。因此，如何检测出无人设备周围环境中的目标，成为亟需解决的问题。
技术实现思路
本说明书实施例提供一种模型训练的方法及装置，以部分解决现有技术存在的上述问题。本说明书实施例采用下述技术方案：本说明书提供的一种模型训练的方法，所述方法包括：获取包含标注信息的点云，作为训练样本，所述标注信息包括实际边界框的位置信息；将所述训练样本输入待训练检测模型，得到所述待训练检测模型输出的预测边界框的信息，其中，所述预测边界框的信息包括位置信息以及预测差异信息，所述预测差异信息为所述待训练检测模型对所述预测边界框的位置信息与所述实际边界框的位置信息之间的差异的预测值；根据所述预测边界框的位置信息与所述实际边界框的位置信息，确定实际差异信息；以所述实际差异信息最小化以及所述预测差异信息最小化为训练目标，对所述待训练检测模型进行训练。可选地，位置信息包括边界框的中心信息、尺寸信息、角度信息；根据所述预测边界框的位置信息与所述实际边界框的位置信息，确定实际差异信息，具体包括：根据所述实际边界框的中心信息、尺寸信息、角度信息以及所述预测边界框的中心信息、尺寸信息、角度信息，确定所述实际差异信息。可选地，以所述实际差异信息最小化以及所述预测差异信息最小化为训练目标，对所述待训练检测模型进行训练，具体包括：根据所述实际差异信息以及所述预测差异信息，确定损失；以所述损失最小化为训练目标，对所述待训练检测模型进行训练，其中，所述损失与所述实际差异信息正相关，所述损失与所述预测差异信息正相关。可选地，根据所述实际差异信息以及所述预测差异信息，确定损失，具体包括：确定所述待训练检测模型输出的所述预测边界框中包含预设目标的概率，作为置信度；根据所述实际差异信息、所述预测差异信息以及所述置信度，确定损失。可选地，所述方法还包括：获取激光雷达采集的点云；将所述点云输入训练完成的检测模型，得到所述检测模型输出的各待定边界框的位置信息以及每个待定边界框中包含预设目标的概率，作为置信度；根据各待定边界框的置信度，从各待定边界框中选择若干个指定边界框；根据各待定边界框的位置信息与各指定边界框的位置信息，对各待定边界框进行聚类；针对各类，根据该类中各待定边界框的位置信息，融合该类中各待定边界框，得到最终边界框的信息；根据各类中的最终边界框的信息，确定所述点云的目标检测结果。可选地，根据各待定边界框的置信度，从各待定边界框中选择若干个指定边界框，具体包括：根据各待定边界框的置信度从大到小的顺序，依次从各待定边界框中选择若干个待定边界框作为所述指定边界框。可选地，根据各待定边界框的位置信息与各指定边界框的位置信息，对各待定边界框进行聚类，具体包括：针对各待定边界框，根据该待定边界框的位置信息与各指定边界框的位置信息，分别确定该待定边界框与各指定边界框的交并比(IntersectionoverUnion，IOU)；根据该待定边界框与各指定边界框的IOU，选择最大IOU的指定边界框，并将选择的指定边界框与该待定边界框进行聚为一类。可选地，根据该类中各待定边界框的位置信息，融合该类中各待定边界框，得到最终边界框的信息，具体包括：针对该类中的各待定边界框，根据该待定边界框的置信度，确定该待定边界框的边界框权重，其中，该待定边界框的边界框权重与该待定边界框的置信度正相关；根据该类中各待定边界框的边界框权重以及位置信息，融合该类中各待定边界框，得到最终边界框的信息。可选地，根据该类中各待定边界框的位置信息，融合该类中各待定边界框，得到最终边界框的信息，具体包括：针对该类中的各待定边界框，确定所述检测模型输出的该待定边界框的差异信息，该待定边界框的差异信息为所述检测模型对该待定边界框的位置信息与实际边界框的位置信息之间的差异的预测值；根据该待定边界框的差异信息，确定该待定边界框的边界框权重，其中，该待定边界框的边界框权重与该待定边界框的差异信息负相关；根据该类中各待定边界框的边界框权重以及位置信息，融合该类中各待定边界框，得到最终边界框的信息。本说明书提供一种模型训练的装置，所述装置包括：第一获取模块，用于获取包含标注信息的点云，作为训练样本，所述标注信息包括实际边界框的位置信息；第一输入模块，用于将所述训练样本输入待训练检测模型，得到所述待训练检测模型输出的预测边界框的信息，其中，所述预测边界框的信息包括位置信息以及预测差异信息，所述预测差异信息为所述待训练检测模型对所述预测边界框的位置信息与所述实际边界框的位置信息之间的差异的预测值；第一确定模块，用于根据所述预测边界框的位置信息与所述实际边界框的位置信息，确定实际差异信息；训练模块，用于以所述实际差异信息最小化以及所述预测差异信息最小化为训练目标，对所述待训练检测模型进行训练。本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练的方法。本说明书提供的一种无人设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练的方法。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：无人设备可获取包含标注信息的点云作为训练样本，标注信息包括实际边界框的位置信息，将训练样本输入待训练检测模型，得到待训练检测模型输出的预测边界框的信息，其中，预测边界框的信息包括位置信息以及预测差异信息，预测差异信息为待训练检测模型对预测边界框的位置信息与实际边界框的位置信息之间的差异的预测值，根据预测边界框的位置信息与实际边界框的位置信息，可确定实际差异信息，以实际差异信息最小化以及预测差异信息最小化为训练目标，对待训练检测模型进行训练。通过上述内容，无人设备在训练检测模型时，无需对待训本文档来自技高网...

【技术保护点】
1.一种模型训练的方法，其特征在于，所述方法包括：/n获取包含标注信息的点云，作为训练样本，所述标注信息包括实际边界框的位置信息；/n将所述训练样本输入待训练检测模型，得到所述待训练检测模型输出的预测边界框的信息，其中，所述预测边界框的信息包括位置信息以及预测差异信息，所述预测差异信息为所述待训练检测模型对所述预测边界框的位置信息与所述实际边界框的位置信息之间的差异的预测值；/n根据所述预测边界框的位置信息与所述实际边界框的位置信息，确定实际差异信息；/n以所述实际差异信息最小化以及所述预测差异信息最小化为训练目标，对所述待训练检测模型进行训练。/n

【技术特征摘要】
1.一种模型训练的方法，其特征在于，所述方法包括：
获取包含标注信息的点云，作为训练样本，所述标注信息包括实际边界框的位置信息；
将所述训练样本输入待训练检测模型，得到所述待训练检测模型输出的预测边界框的信息，其中，所述预测边界框的信息包括位置信息以及预测差异信息，所述预测差异信息为所述待训练检测模型对所述预测边界框的位置信息与所述实际边界框的位置信息之间的差异的预测值；
根据所述预测边界框的位置信息与所述实际边界框的位置信息，确定实际差异信息；
以所述实际差异信息最小化以及所述预测差异信息最小化为训练目标，对所述待训练检测模型进行训练。


2.如权利要求1所述的方法，其特征在于，位置信息包括边界框的中心信息、尺寸信息、角度信息；
根据所述预测边界框的位置信息与所述实际边界框的位置信息，确定实际差异信息，具体包括：
根据所述实际边界框的中心信息、尺寸信息、角度信息以及所述预测边界框的中心信息、尺寸信息、角度信息，确定所述实际差异信息。


3.如权利要求1所述的方法，其特征在于，以所述实际差异信息最小化以及所述预测差异信息最小化为训练目标，对所述待训练检测模型进行训练，具体包括：
根据所述实际差异信息以及所述预测差异信息，确定损失；
以所述损失最小化为训练目标，对所述待训练检测模型进行训练，其中，所述损失与所述实际差异信息正相关，所述损失与所述预测差异信息正相关。


4.如权利要求3所述的方法，其特征在于，根据所述实际差异信息以及所述预测差异信息，确定损失，具体包括：
确定所述待训练检测模型输出的所述预测边界框中包含预设目标的概率，作为置信度；
根据所述实际差异信息、所述预测差异信息以及所述置信度，确定损失。


5.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取激光雷达采集的点云；
将所述点云输入训练完成的检测模型，得到所述检测模型输出的各待定边界框的位置信息以及每个待定边界框中包含预设目标的概率，作为置信度；
根据各待定边界框的置信度，从各待定边界框中选择若干个指定边界框；
根据各待定边界框的位置信息与各指定边界框的位置信息，对各待定边界框进行聚类；
针对各类，根据该类中各待定边界框的位置信息，融合该类中各待定边界框，得到最终边界框的信息；
根据各类中的最终边界框的信息，确定所述点云的目标检测结果。


6.如权利要求5所述的方法，其特征在于，根据各待定边界框的置信度，从各待定边界框中选择若干个指定边界框，具体包括：
根据各待定边界框的置信度从大到小的顺序，依次从各待定边界框中选择若干个待定边界框作为所述指定边界框。
...

【专利技术属性】
技术研发人员：尹轩宇，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京;11