检测模型的训练方法、目标检测方法、装置和存储介质制造方法及图纸

本申请实施例涉及一种检测模型的训练方法、目标检测方法、装置和存储介质。该方法包括：根据第一激光数据，生成第二激光数据；其中，所述第一激光数据的线数高于所述第二激光数据；基于所述第二激光数据、知识蒸馏教师网络和预设的损失函数训练知识蒸馏学生网络，得到目标学生网络；其中，所述知识蒸馏教师网络与所述第一激光数据相关，且所述知识蒸馏教师网络和所述知识蒸馏学生网络的结构相同。该方法在采用低线数激光雷达的应用场景下，充分利用了公开的大规模高线数数据集，避免了重新采集训练数据集，且采用知识蒸馏方式使得目标学生网络能够学习到知识蒸馏教师网络中的参数，提升了目标学生网络的性能。提升了目标学生网络的性能。提升了目标学生网络的性能。

Training method, target detection method, device and storage medium of detection model

【技术实现步骤摘要】
检测模型的训练方法、目标检测方法、装置和存储介质


[0001]本申请实施例涉及计算机
，特别是涉及一种检测模型的训练方法、目标检测方法、装置和存储介质。

技术介绍

[0002]众所周知，激光雷达传感器广泛应用于自主体(如机器人)的建图、定位以及环境感知等方面。高线数激光雷达能够提供准确的三维信息，但是其价格也是昂贵的。因此，在一些较低成本的产品中，通常部署的是低线数激光雷达，这中间就存在着线数导致的域差异问题。然而，现有公开数据集大部分都是通过高线数激光雷达采集到的，那么，对于低线数激光雷达的应用场景，为了避免反复重新采集该应用场景下的数据集，如何使用高线数公开数据集训练用于低线数应用场景中的检测模型是本领域技术人员亟待解决的技术问题。

技术实现思路

[0003]本申请实施例提供一种检测模型的训练方法、目标检测方法、装置和存储介质。
[0004]第一方面，本申请实施例提供一种检测模型的训练方法，包括：
[0005]根据第一激光数据，生成第二激光数据；其中，所述第一激光数据的线数高于所述第二激光数据；
[0006]基于所述第二激光数据、知识蒸馏教师网络和预设的损失函数训练知识蒸馏学生网络，得到目标学生网络；其中，所述知识蒸馏教师网络和所述知识蒸馏学生网络的结构相同。
[0007]进一步地，该方法还包括：
[0008]确定所述第一激光数据的线数与所述第二激光数据的线数的差值；
[0009]如果所述差值大于预设值，则将所述目标学生网络作为所述知识蒸馏教师网络，并继续执行所述根据第一激光数据，生成第二激光数据的步骤，直至所述第二激光数据的线数等于目标线数。
[0010]进一步地，所述知识蒸馏教师网络基于所述第一激光数据训练得到。
[0011]进一步地，所述根据第一激光数据，生成第二激光数据，包括：
[0012]确定待生成激光数据相对于第一激光数据的等效线数；
[0013]按照所述等效线数对所述第一激光数据进行下采样，以生成第二激光数据。
[0014]进一步地，所述确定待生成激光数据相对于第一激光数据的等效线数，包括：
[0015]获取第一激光数据对应的第一垂直视场角及待生成激光数据对应的第二垂直视场角；
[0016]基于所述第一垂直视场角、所述第二垂直视场角和所述待生成激光数据的线数，确定所述待生成激光数据相对于第一激光数据的等效线数。
[0017]进一步地，所述第一垂直视场角为获取所述第一激光数据的第一激光雷达对应的
垂直视场角；所述第二垂直视场角为获取所述第二激光数据的第二激光雷达对应的垂直视场角。
[0018]进一步地，基于所述第一垂直视场角、所述第二垂直视场角和所述待生成激光数据的线数，确定所述待生成激光数据相对于第一激光数据的等效线数，包括：
[0019]确定所述第一垂直视场角和所述第二垂直视场角的比值后，计算所述比值和所述待生成激光数据的线数的乘积；
[0020]将所述乘积确定为所述等效线数。
[0021]进一步地，所述按照所述等效线数对所述第一激光数据进行下采样，以生成第二激光数据，包括：
[0022]将所述第一激光数据中的各激光点分类到所述第一激光数据对应的线中，得到第三激光数据；
[0023]将所述第三激光数据的线数下采样到等效线数，得到第二激光数据。
[0024]进一步地，所述将所述第一激光数据中的各激光点分类到所述第一激光数据对应的线中，得到第三激光数据，包括：
[0025]基于所述第一激光数据中各激光点的天顶角对所述第一激光数据进行聚类操作，从而将各激光点分类到所述第一激光数据对应的线中。
[0026]进一步地，所述损失函数包括所述知识蒸馏学生网络学习所述第二激光数据中标签数据的第一损失函数，以及所述知识蒸馏学生网络学习所述知识蒸馏教师网络的第二损失函数。
[0027]进一步地，所述第二损失函数的参数包括：所述第二激光数据的样本数量，所述第二激光数据中各样本的感兴趣区域数量，所述知识蒸馏教师网络在各样本的鸟瞰特征图中的各感兴趣区域的特征，所述知识蒸馏学生网络在各样本的鸟瞰特征图中的各感兴趣区域的特征。
[0028]进一步地，所述基于所述第二激光数据、知识蒸馏教师网络和预设的损失函数训练知识蒸馏学生网络，得到目标学生网络，包括：
[0029]将所述第二激光数据输入到所述知识蒸馏学生网络，利用所述第一子损失函数对所述知识蒸馏学生网络的实际输出进行计算，获得所述知识蒸馏学生网络的第一损失值；
[0030]利用所述第二子损失函数对所述知识蒸馏学生网络和所述知识蒸馏教师网络在对应鸟瞰特征图中感兴趣区域的特征进行计算，获得所述知识蒸馏学生网络的第二损失值；
[0031]基于所述第一损失值和所述第二损失值对所述知识蒸馏学生网络的参数进行调整，直至所述知识蒸馏学生网络收敛。第二方面，本申请实施例提供一种目标检测方法，包括：
[0032]获取第四激光数据；其中，所述第四激光数据为多线激光数据；
[0033]通过预设的检测模型确定所述第四激光数据中的目标对象；
[0034]其中，所述检测模型利用本申请实施例第一方面提供的所述方法得到。
[0035]第三方面，本申请实施例提供一种检测模型的训练装置，包括：
[0036]生成模块，用于根据第一激光数据，生成第二激光数据；其中，所述第一激光数据的线数高于所述第二激光数据；
[0037]训练模块，用于基于所述第二激光数据、知识蒸馏教师网络和预设的损失函数训练知识蒸馏学生网络，得到目标学生网络；其中，所述知识蒸馏教师网络和所述知识蒸馏学生网络的结构相同。
[0038]第四方面，本申请实施例提供一种目标检测装置，包括：
[0039]获取模块，用于获取第四激光数据；其中，所述第四激光数据为多线激光数据；
[0040]确定模块，用于通过预设的检测模型确定所述第四激光数据中的目标对象；
[0041]其中，所述检测模型利用本申请实施例第一方面提供的所述方法得到。
[0042]第五方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述检测模型的训练方法以及第二方面提供的所述目标检测方法的步骤。
[0043]第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例第一方面提供的所述检测模型的训练方法以及第二方面提供的所述目标检测方法的步骤。
[0044]第七方面，一种机器人，用于：将第四激光数据发送至服务器；接收服务器下发的第二方面提供的目标检测方法确定的所述第四激光数据对应的目标对象，并基于所述目标对象执行预设任务，所述预设任务包括基于规划路径行进和/或清洁。
[0045]本申请实施例提供的技术方案，能够基于高线数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测模型的训练方法，其特征在于，包括：根据第一激光数据，生成第二激光数据；其中，所述第一激光数据的线数高于所述第二激光数据；基于所述第二激光数据、知识蒸馏教师网络和预设的损失函数训练知识蒸馏学生网络，得到目标学生网络；其中，所述知识蒸馏教师网络和所述知识蒸馏学生网络的结构相同。2.根据权利要求1所述的方法，其特征在于，还包括：确定所述第一激光数据的线数与所述第二激光数据的线数的差值；如果所述差值大于预设值，则将所述目标学生网络作为所述知识蒸馏教师网络，并继续执行所述根据第一激光数据，生成第二激光数据的步骤，直至所述第二激光数据的线数等于目标线数。3.根据权利要求1所述的方法，其特征在于，所述根据第一激光数据，生成第二激光数据，包括：确定待生成激光数据相对于第一激光数据的等效线数；按照所述等效线数对所述第一激光数据进行下采样，以生成第二激光数据。4.根据权利要求3所述的方法，其特征在于，所述确定待生成激光数据相对于第一激光数据的等效线数，包括：获取第一激光数据对应的第一垂直视场角及待生成激光数据对应的第二垂直视场角；基于所述第一垂直视场角、所述第二垂直视场角和所述待生成激光数据的线数，确定所述待生成激光数据相对于第一激光数据的等效线数；其中，所述第一垂直视场角为获取所述第一激光数据的第一激光雷达对应的垂直视场角；所述第二垂直视场角为获取所述第二激光数据的第二激光雷达对应的垂直视场角；相应地，基于所述第一垂直视场角、所述第二垂直视场角和所述待生成激光数据的线数，确定所述待生成激光数据相对于第一激光数据的等效线数，包括：确定所述第一垂直视场角和所述第二垂直视...

【专利技术属性】
技术研发人员：黎嘉信，韦祎，秦宝星，程昊天，
申请(专利权)人：上海高仙自动化科技发展有限公司，
类型：发明
国别省市：