【技术实现步骤摘要】
本申请实施例涉及人工智能，具体而言，涉及一种三维目标检测方法和装置、存储介质和电子设备。
技术介绍
1、三维点云数据以其高精度、丰富的信息量和真实感强等特点，被广泛应用于计算机视觉、机器人技术、自动驾驶等领域。从三维点云数据识别到的目标可以应用到后续的处理流程，例如，障碍物躲避、行驶路线规划等等。
2、然而，点云数据通常由稀疏的点组成，这意味着在空间中存在大量的空白区域，缺乏足够的信息来准确描述和分析目标的形状和特征。并且，目标的尺寸差异较大，稀疏的点云可能会导致关键特征点的缺失或不完整，关键特征点的缺失或不完整会降低目标检测的准确性。
3、由此可见，相关技术中的三维目标检测方法，存在由于点云数据稀疏导致的目标检测结果不够准确的问题。
技术实现思路
1、本申请实施例提供了一种三维目标检测方法和装置、存储介质和电子设备，以至少解决相关技术中的三维目标检测方法存在由于点云数据稀疏导致的目标检测结果不够准确的问题。
2、根据本申请实施例的一个方面，提供了一种三维目标检测方法，包括：通过三维目标检测模型的三维骨干网络将待检测点云数据转换为目标点云特征，其中，所述三维目标检测模型是用于对输入的三维点云数据进行目标检测的模型；将所述目标点云特征输入到所述三维目标检测模型的多尺度特征融合网络，得到所述多尺度特征融合网络输出的鸟瞰图视角下的地图视图特征，其中，所述多尺度特征融合网络是用于通过多个尺度的卷积核分别对输入的点云特征进行深度可分离卷积，并对卷积得到的多
3、根据本申请实施例的另一个方面，提供了一种三维目标检测装置，包括：转换单元，用于通过三维目标检测模型的三维骨干网络将待检测点云数据转换为目标点云特征，其中，所述三维目标检测模型是用于对输入的三维点云数据进行目标检测的模型；第一输入单元，用于将所述目标点云特征输入到所述三维目标检测模型的多尺度特征融合网络，得到所述多尺度特征融合网络输出的鸟瞰图视角下的地图视图特征，其中，所述多尺度特征融合网络是用于通过多个尺度的卷积核分别对输入的点云特征进行深度可分离卷积，并对卷积得到的多尺度特征进行融合的网络；第二输入单元，用于将所述地图视图特征输入到所述三维目标检测模型的检测头，得到所述检测头输出的目标检测结果，其中，所述目标检测结果用于指示从所述待检测点云数据检测出的三维目标。
4、在一个示例性实施例中，所述多尺度特征融合网络包括并行的m组级联卷积核，其中，所述m组级联卷积核中的第i组级联卷积核包括级联的1*mi的卷积核和mi*1的卷积核，m为大于或者等于2的正整数，1≤i≤m；所述第一输入单元包括：第一输入模块，用于将所述目标点云特征输入到所述多尺度特征融合网络，以由所述多尺度特征融合网络对所述目标点云特征执行以下的处理操作，得到所述地图视图特征：卷积模块，用于通过所述m组级联卷积核中的每组级联卷积核分别对所述目标点云特征进行深度可分离卷积，得到与所述每组级联卷积核输出的待融合特征；特征融合模块，用于对与所述每组级联卷积核输出的待融合特征进行特征融合，得到所述地图视图特征。
5、在一个示例性实施例中，所述目标点云特征的通道数量为n，其中，n为大于或者等于2的正整数；所述装置还包括：第一卷积单元，用于在所述将所述目标点云特征输入到所述三维目标检测模型的多尺度特征融合网络之前，对所述目标点云特征进行第一次1*1卷积，得到更新后的所述目标点云特征，其中，所述第一次1*1卷积用于降低所述目标点云特征的通道数量；第二卷积单元，用于在所述将所述目标点云特征输入到所述三维目标检测模型的多尺度特征融合网络之后，对所述地图视图特征进行第二次1*1卷积，得到更新后的所述地图视图特征，其中，所述第二次1*1卷积用于将所述地图视图特征的通道数量恢复为n。
6、在一个示例性实施例中，所述待检测点云数据为雷达点云数据；所述转换单元包括：第二输入模块，用于将所述待检测点云数据输入到所述三维骨干网络，以由所述三维骨干网络使用三维编码器对所述待检测点云数据进行预处理和特征提取，得到所述目标点云特征，其中，所述预处理包括数据压缩。
7、在一个示例性实施例中，所述装置还包括：第一获取单元，用于在所述通过三维目标检测模型的三维骨干网络将待检测点云数据转换为目标点云特征之前，获取第一训练点云数据和与所述第一训练点云数据对应的第一标注数据，其中，所述第一标注数据包含与所述第一训练点云数据中的标注目标对应的角度真值标签，所述角度真值标签是一个k维的分类向量，所述k维的分类向量中的每一个元素位置与一个角度值关联，所述角度真值标签中的元素值按照关联的角度值满足高斯分布，k为大于或者等于2的正整数；第一训练单元，用于使用所述第一训练点云数据和所述第一标注数据对初始的所述三维目标检测模型进行模型训练，得到训练好的所述三维目标检测模型。
8、在一个示例性实施例中，所述第一获取单元包括：获取模块，用于获取与所述标注目标对应的角度独热标签，其中，所述角度独热标签是一个k维的分类向量，所述角度独热标签中的一个元素位置上的元素值为1，其余元素位置上的元素值为0，在与所述标注目标对应的所述角度独热标签中，元素值为1的元素位置所关联的角度为目标角度；添加模块，用于为与所述标注目标对应的所述角度独热标签添加循环高斯窗口，得到与所述标注目标对应的所述角度真值标签，其中，所述循环高斯窗口是以所述目标角度对基础高斯窗口进行循环平移得到的，所述基础高斯窗口是0度为中心位置、角度区间为[-90，89]的归一化高斯窗口，所述循环平移是指：角度值平移，窗口函数值循环。
9、在一个示例性实施例中，所述装置还包括：第二获取单元，用于在所述通过三维目标检测模型的三维骨干网络将待检测点云数据转换为目标点云特征之前，获取第二训练点云数据和与所述训练点云数据对应的第二标注数据，其中，所述第二标注数据包含标注热力图，所述标注热力图中，不包含点云的指定区域内的特征点的热力值被置零；第二训练单元，用于使用所述第二训练点云数据和所述第二标注数据对初始的所述三维目标检测模型进行模型训练，得到训练好的所述三维目标检测模型。
10、根据本申请实施例的又一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
11、根据本申请实施例的又一个方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项方法实施例中的步骤。
12、根据本申请实施例的又一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算本文档来自技高网...
【技术保护点】
1.一种三维目标检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多尺度特征融合网络包括并行的M组级联卷积核，其中，所述M组级联卷积核中的第i组级联卷积核包括级联的1*mi的卷积核和mi*1的卷积核，M为大于或者等于2的正整数，1≤i≤M；
3.根据权利要求1所述的方法，其特征在于，所述目标点云特征的通道数量为N，其中，N为大于或者等于2的正整数；
4.根据权利要求1所述的方法，其特征在于，所述待检测点云数据为雷达点云数据；所述通过三维目标检测模型的三维骨干网络将待检测点云数据转换为目标点云特征，包括：
5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述通过三维目标检测模型的三维骨干网络将待检测点云数据转换为目标点云特征之前，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述获取第一训练点云数据和与所述第一训练点云数据对应的第一标注数据，包括：
7.根据权利要求1至4中任一项所述的方法，其特征在于，在所述通过三维目标检测模型的三维骨干网络将待检测点云数据转换为
8.一种三维目标检测装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种三维目标检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多尺度特征融合网络包括并行的m组级联卷积核，其中，所述m组级联卷积核中的第i组级联卷积核包括级联的1*mi的卷积核和mi*1的卷积核，m为大于或者等于2的正整数，1≤i≤m；
3.根据权利要求1所述的方法，其特征在于，所述目标点云特征的通道数量为n，其中，n为大于或者等于2的正整数；
4.根据权利要求1所述的方法，其特征在于，所述待检测点云数据为雷达点云数据；所述通过三维目标检测模型的三维骨干网络将待检测点云数据转换为目标点云特征，包括：
5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述通过三维目标检测模型的三维骨干网络将待检测点云数据转换为目标点云特征之前，所述方法还包...
【专利技术属性】
技术研发人员：王俊涛，赵起超，曹哲，拱印生，
申请(专利权)人：中汽创智科技有限公司，
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。