【技术实现步骤摘要】
本专利技术涉及点云数据处理，更具体地，涉及一种点云数据预训练方法、系统、电子设备及存储介质。
技术介绍
1、当今，点云是三维视觉和机器学习领域中的重要数据形式之一。点云数据包含大量的三维点，可以用于场景重建、目标检测、姿态估计等应用。
2、然而，点云数据的规模庞大，处理起来非常耗时，这限制了点云技术在实际应用中的发展，因此，如何对点云数据进行预处理降低点云数据的使用难度是亟待解决的问题。
技术实现思路
1、本专利技术针对现有技术中存在的技术问题，提供一种点云数据预训练方法、系统、电子设备及存储介质，通过将点云数据进行网格化处理，并将得到的网格使用正态分布参数表示，从而简化点云数据的处理和分析，并使用正态分布参数表示的点云数据输入至待训练的神经网络模型中进行训练，得到预训练模型，从而加速了点云数据的处理过程，提高模型的准确性和稳定性，使得点云数据的处理更加高效和可靠，同时为后续的任务和应用提供了更好的支持。
2、第一方面，本申请提供了一种点云数据预训练方法，包括：对原始点云数据按预设空间分辨率进行分割，得到多个立体网格；计算每个立体网格中点云数据的正态分布参数，得到训练数据集；将所述训练数据集输入至待训练的神经网络模型中进行训练；基于预设损失函数对训练中的神经网络模型的权重和偏置进行优化，得到预训练模型。
3、可以理解的是，点云数据是指在一个三维坐标系统中的一组向量的集合，集合中的每个点都包含有三维坐标信息，基于预设空间分辨率对其进行分割时，可以是
4、相应地，分割后得到的每个立体网格中的点云数据，可以用正态分布参数来表示。
5、应理解的是，待训练的神经网络模型可以是提前设计的一个深度神经网络，该网络可以接收网格化的点云数据作为输出，同时输出对每个立体网格的预测正态分布参数。
6、由此，通过将网格化的点云数据作为输入，对待训练的神经网络模型进行训练，从而得到训练预训练模型，从而加速了点云数据的处理过程，提高了模型的准确性和稳定性，是的点云数据的处理更加高效和可靠。
7、在上述技术方案的基础上，本专利技术还可以作出如下改进。
8、根据第一方面，所述对原始点云数据按预设空间分辨率进行分割，得到多个立体网格的步骤之前，包括：对原始点云数据进行预处理，所述预处理包括去噪、采样和统一坐标。
9、可以理解的是，受到仪器、周围环境和被扫描目标本身的特性影响，点云数据中无法避免存在一些噪声。其中，噪声的来源包括：超过扫描设定范围的点、受到周围事物影响产生的点和/或空气中水汽影响等产生的噪声点；上述噪声点不仅会增加点云的数据量，还会对后续点云数据的处理和使用产生影响，因此需要去除。
10、相应地，本申请中通过对原始点云数据进行去噪、采样和/或统一坐标的手段进行数据预处理，从而提高了点云数据的质量和一致性。
11、根据第一方面，或者以上第一方面的任意一种实现方式，所述将所述训练数据集输入至待训练的神经网络模型中进行训练的步骤，包括：所述待训练的神经网络模型包括编码模块和解码模块；将所述训练数据集输入至所述编码模块，所述训练数据集的数值类型包括网格均值和协方差；所述编码模块使用3d稀疏卷积对所述训练数据集进行特征提取，将提取得到的网格特征输入至所述解码模块；所述解码模块对所述网格特征进行逆变换，输出预测网格均值和预测协方差。
12、可以理解的是，上述待训练的神经网络模型可以是提前设计的一个用于点云预训练的深度神经网络，该神经网络可以使用卷积神经网络(cnn)或变分自编码器(vae)等结构来实现该网络。
13、示例性的，可以使用pytorch tensorflow等深度学习框架来实现神经网络。
14、其中，神经网络的主体可分为编码模块和解码模块，编码模块用于生成网格特征。
15、具体地，编码模块接受网格化的点云数据作为输入，每个网格化的点云数据为网格均值和协方差；使用3d稀疏卷积对输入的数据进行特征提取，卷积层可以提取网格中的点云数据的空间特征和局部结构信息；使用编码器对卷积层输出的特征件压缩和降维，并输出为每个网格的特征。
16、相应的，解码模块接受编码模块的输出作为输入，使用解码器对输入特征进行逆变换，恢复成原始数据结构；反卷积对上述恢复后的数据进行采样，输出预测网格均值和预测协方差。
17、由此，实现了基于网格化的点云数据对待训练的神经网络模型进行训练，从而得到预训练模型，基于得到的预训练模型可以进行点云分割以及目标检测灯任务，还可以将预训练模型的权重和偏置作为初始化参数，通过微调和迁移学习来适应具体的任务和数据集，从而加速了点云的处理过程，降低了点云数据的使用复杂度。
18、根据第一方面，或者以上第一方面的任意一种实现方式，所述将所述训练数据集输入至所述编码模块，所述训练数据集的数值类型包括网格均值和协方差的步骤，包括：随机掩盖所述训练数据集中的部分网格，将掩盖后的训练数据集输入至所述编码模块。
19、可以理解的是，为了提高预训练模型的鲁棒性和泛化能力，还可以使用一种提前设计的掩码机制，该掩码机制通过随机掩盖部分网格中的点云数据，使得神经网络模型能够学习到确实网格的特征，其中，可以考虑使用随机掩码或基于特征重要性的掩码方式进行掩码机制设计。
20、由此，在神经网络模型训练的过程中，通过掩盖部分网格并计算其正态分布参数来调整网络的权重和偏置，从而可以有效避免过拟合和欠拟合的问题，提高预训练模型的可解释性和可控性。
21、根据第一方面，或者以上第一方面的任意一种实现方式，所述基于预设损失函数对训练中的神经网络模型的权重和偏置进行优化，得到预训练模型的步骤，包括：使用l1loss函数对所述网格均值和所述预测网格均值进行误差计算，得到第一损失值；使用矩阵相似度对所述协方差和所述预测协方差进行误差计算，得到第二损失值；基于预设损失系数、所述第一损失值和所述第二损失值计算整体损失值；基于所述整体损失值对训练中的神经网络模型的权重和偏置进行优化，得到预训练模型。
22、可以理解的是，通过使用l1loss函数对均值计算误差，得到第一损失值，使用矩阵相似度对协方差计算误差，得到第二损失值，对第一损失值和第二损失值分配不同的系数，并求和作为整体损失，从而得到最优的预训练模型，从而使得预训练模型能够好的对点云数据进行拟合。
23、根据第一方面，或者以上第一方面的任意一种实现方式，所述基于预设损失函数对训练中的神经网络模型的权重和偏置进行优化，得到预训练模型的步骤之后，包括：从所述训练数据集进行随机抽样，得到验证数据集，基于所述验证数据集对所述预训练模型进行验证和调参。
24、可以理解的是，通过对训练数据集进行随机抽样生成验证数据集，或者在原始点云数据网格化后，将计算得到的正态分布参数进行数据划分，得到训练数据集和验证数据集。
<本文档来自技高网...【技术保护点】
1.一种点云数据预训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的点云数据预训练方法，其特征在于，所述对原始点云数据按预设空间分辨率进行分割，得到多个立体网格的步骤之前，包括：
3.根据权利要求1所述的点云数据预训练方法，其特征在于，所述将所述训练数据集输入至待训练的神经网络模型中进行训练的步骤，包括：
4.根据权利要求3所述的点云数据预训练方法，其特征在于，所述将所述训练数据集输入至所述编码模块，所述训练数据集的数值类型包括网格均值和协方差的步骤，包括：
5.根据权利要求3所述的点云数据预训练方法，其特征在于，所述基于预设损失函数对训练中的神经网络模型的权重和偏置进行优化，得到预训练模型的步骤，包括：
6.根据权利要求1所述的点云数据预训练方法，其特征在于，所述基于预设损失函数对训练中的神经网络模型的权重和偏置进行优化，得到预训练模型的步骤之后，包括：
7.根据权利要求1所述的点云数据预训练方法，其特征在于，所述神经网络模型的模型类型包括卷积神经网络或变分自编码器。
8.一种点云数
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的点云数据预训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的点云数据预训练方法的步骤。
...【技术特征摘要】
1.一种点云数据预训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的点云数据预训练方法，其特征在于，所述对原始点云数据按预设空间分辨率进行分割，得到多个立体网格的步骤之前，包括：
3.根据权利要求1所述的点云数据预训练方法，其特征在于，所述将所述训练数据集输入至待训练的神经网络模型中进行训练的步骤，包括：
4.根据权利要求3所述的点云数据预训练方法，其特征在于，所述将所述训练数据集输入至所述编码模块，所述训练数据集的数值类型包括网格均值和协方差的步骤，包括：
5.根据权利要求3所述的点云数据预训练方法，其特征在于，所述基于预设损失函数对训练中的神经网络模型的权重和偏置进行优化，得到预训练模型的步骤，包括：
6...
【专利技术属性】
技术研发人员：陈操，尹玉成，罗跃军，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。