欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025106084653
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种3D目标检测模型训练方法,其特征在于,所述方法包括:获取有标签源域数据集,所述有标签源域数据集包括源域图像和所述源域图像的标签信息,所述标签信息包括源域目标检测框和源域目标类别;其中,所述源域图像为由多相机采集的图像,所述源域目标检测框为所述源域图像中的目标特征的坐标信息,所述源域目标类别为所述源域图像中的所述目标特征的类别信息;

对所述源域图像执行预处理,得到鸟瞰特征图;

将所述鸟瞰特征图输入至检测探头,得到预测目标检测框和预测目标类别;

根据所述源域目标检测框对所述鸟瞰特征图进行裁剪,得到所述目标特征,以及,将所述目标特征存入存储体;

对所述目标特征执行隐空间数据增强,得到采样特征;

根据所述采样特征确定计算上界;

根据所述计算上界计算所述隐空间数据增强损失,公式如下:,

其中,表示所述隐空间数据增强损失;表示所述鸟瞰特征图的个数;表示第个所述鸟瞰特征图的目标个数;表示第个所述鸟瞰特征图的第个目标特征;和分别表示深度预测网络最后一层全连接层的权重矩阵和偏差;;表示所述最后一层全连接层的权重矩阵参数的第列;表示所述源域目标类别的个数;表示当前训练轮次与最大训练轮次的比值;表示所述源域目标类别的协方差;

根据所述目标特征计算物体感知对比学习损失;

根据所述源域目标检测框、所述源域目标类别、所述预测目标检测框和所述预测目标类别计算目标检测损失;

将所述隐空间数据增强损失、所述物体感知对比学习损失和所述目标检测损失相加,得到模型训练损失;

根据所述模型训练损失优化待训练3D目标检测模型,得到初始3D目标检测模型;

获取无标签目标域数据集,所述无标签目标域数据集包括目标域图像,所述目标域图像为由所述多相机采集的图像,所述目标域图像与所述源域图像的类型不同;

将所述目标域图像输入至所述初始3D目标检测模型,得到目标域类别概率,所述目标域类别概率为所述目标域图像中的所述目标特征属于各个类别的概率;

根据所述目标域类别概率计算所述目标域图像的采集分数;

若所述采集分数符合预设目标,对所述目标域图像执行标注,得到有标签目标域数据集;

通过所述有标签目标域数据集对所述初始3D目标检测模型执行训练,得到3D目标检测模型。

2.根据权利要求1所述的3D目标检测模型训练方法,其特征在于,所述对所述源域图像执行预处理,得到鸟瞰特征图,包括:对所述源域图像执行裁剪,得到标准源域图像;

对所述标准源域图像执行数据增强,得到增强源域图像;

通过特征提取器对所述增强源域图像执行特征提取,得到特征图像;

将所述特征图像输入至所述深度预测网络,得到深度分布数据;

将所述特征图像输入至卷积网络,得到内容感知特征图;

将所述深度分布数据和所述内容感知特征图相乘,得到所述鸟瞰特征图。

3.根据权利要求1所述的3D目标检测模型训练方法,其特征在于,所述根据所述源域目标检测框对所述鸟瞰特征图进行裁剪,得到所述目标特征,包括:根据所述源域目标检测框对所述鸟瞰特征图执行裁剪,得到所述目标特征;其中,所述源域目标检测框与得到所述鸟瞰特征图的所述源域图像相关联。

4.根据权利要求1所述的3D目标检测模型训练方法,其特征在于,所述对所述目标特征执行隐空间数据增强,包括:获取所述存储体中的所述目标特征;

通过高斯分布对所述目标特征执行所述隐空间数据增强,公式如下:,

其中,表示高斯分布;表示第个所述鸟瞰特征图的第个目标特征;表示当前训练轮次与最大训练轮次的比值;表示所述源域目标类别的协方差。

5.根据权利要求1所述的3D目标检测模型训练方法,其特征在于,所述预设目标包括:所述采集分数大于或等于预设阈值,或,所述采集分数由高到低排序的位数为预设位数。

6.根据权利要求1所述的3D目标检测模型训练方法,其特征在于,所述对所述目标域图像执行标注,得到有标签目标域数据集,包括:将所述目标域图像导入标注工具;

获取所述目标域图像中的待标注目标;

绘制所述待标注目标的边界框,以及保存所述边界框的数据信息作为所述目标域图像中的目标特征的目标检测框。

7.一种3D目标检测模型训练装置,其特征在于,所述装置包括:有标签源域数据集获取模块,被配置为:获取有标签源域数据集,所述有标签源域数据集包括源域图像和所述源域图像的标签信息,所述标签信息包括源域目标检测框和源域目标类别;其中,所述源域图像为由多相机采集的图像,所述源域目标检测框为所述源域图像中的目标特征的坐标信息,所述源域目标类别为所述源域图像中的所述目标特征的类别信息;

源域训练模块,被配置为:对所述源域图像执行预处理,得到鸟瞰特征图;

将所述鸟瞰特征图输入至检测探头,得到预测目标检测框和预测目标类别;

根据所述源域目标检测框对所述鸟瞰特征图进行裁剪,得到所述目标特征,以及,将所述目标特征存入存储体;

对所述目标特征执行隐空间数据增强,得到采样特征;

根据所述采样特征确定计算上界;

根据所述计算上界计算所述隐空间数据增强损失,公式如下:,

其中,表示所述隐空间数据增强损失;表示所述鸟瞰特征图的个数;表示第个所述鸟瞰特征图的目标个数;表示第个所述鸟瞰特征图的第个目标特征;和分别表示深度预测网络最后一层全连接层的权重矩阵和偏差;;表示所述最后一层全连接层的权重矩阵参数的第列;表示所述源域目标类别的个数;表示当前训练轮次与最大训练轮次的比值;表示所述源域目标类别的协方差;

根据所述目标特征计算物体感知对比学习损失;

根据所述源域目标检测框、所述源域目标类别、所述预测目标检测框和所述预测目标类别计算目标检测损失;

将所述隐空间数据增强损失、所述物体感知对比学习损失和所述目标检测损失相加,得到模型训练损失;

根据所述模型训练损失优化待训练3D目标检测模型,得到初始3D目标检测模型;

无标签目标域数据集获取模块,被配置为:获取无标签目标域数据集,所述无标签目标域数据集包括目标域图像,所述目标域图像为由多相机采集的图像,所述目标域图像与所述源域图像的类型不同;

类别概率预测模块,被配置为:将所述目标域图像输入至所述初始3D目标检测模型,得到目标域类别概率,所述目标域类别概率为所述目标域图像中的目标特征属于各个类别的概率;

采集分数计算模块,被配置为:根据所述目标类别概率计算所述目标域图像的采集分数;

标注模块,被配置为:若所述采集分数符合预设目标,对所述目标域图像执行标注,得到有标签目标域数据集;

目标域训练模块,被配置为:通过所述有标签目标域数据集对所述初始3D目标检测模型执行训练,得到3D目标检测模型。

8.一种3D目标检测方法,通过如权利要求1-6任一项所述的3D目标检测模型训练方法训练得到的3D目标检测模型执行,其特征在于,所述方法包括:获取测试集数据,所述测试集数据包括测试图像,所述测试图像为由多相机采集的图像;

通过特征提取器对所述测试图像执行特征提取,得到特征图像;

将所述特征图像输入至深度预测网络,得到深度分布数据;

将所述特征图像输入至卷积网络,得到内容感知特征图;

将所述深度分布数据和所述内容感知特征图相乘,得到鸟瞰特征图;

将所述鸟瞰特征图输入至检测探头,得到检测框和检测类别。