[发明专利]神经网络训练及点云数据处理方法、装置、设备和介质

说明书

本公开提供了一种神经网络训练及点云数据处理方法、装置、计算机设备和存储介质，基于没有进行数据标注的样本图像以及初始检测网络输出的置信度较高的第一目标检测框对初始检测网络进行迭代训练，能够降低训练样本的标注成本，并且有利于提升得到的目标检测网络的检测精度，将达到训练结束的条件的检测网络作为目标检测网络，能够得到目标精度的目标检测网络。

技术领域

本公开涉及机器学习技术领域，具体而言，涉及一种神经网络训练及点云数据处理方法、装置、计算机设备和存储介质。

背景技术

目前，基于激光雷达的3D目标检测技术已经应用的十分普遍，例如，应用在自动驾驶、机器人、虚拟现实等场景中，现有技术中，为了提高3D目标检测技术对应的神经网络在不同的数据域上的检测精准度，针对不同的数据域，利用3D标注的方法，在每一个不同的数据域上收集大量的标注数据对神经网络再进行训练，以提高神经网络的识别精准度。

但是，由于3D标注的费用较高，如果针对每一个不同的数据域都进行3D标注，不仅提高了数据标注的工作量和难度，还大幅度增加了神经网络训练的成本，另外，现实生活中存在大量且复杂的数据域，3D标注的方法很难将数据域完全覆盖，降低了训练完成后得到的神经网络在其他数据域的识别精准度。

发明内容

本公开实施例至少提供一种神经网络训练及点云数据处理方法、装置、计算机设备和存储介质。

第一方面，本公开实施例提供了一种神经网络训练方法，包括：

获取利用第一数据域中的训练样本训练得到的初始检测网络；

将第二数据域中的样本图像输入所述初始检测网络，得到候选检测框以及所述候选检测框的置信度；

基于所述置信度、所述候选检测框和前一轮训练过程的目标匹配检测框，确定当前轮训练过程的第一目标检测框；

基于所述当前轮训练过程的第一目标检测框和所述样本图像对所述初始检测网络进行当前轮训练，得到训练后的检测网络；在训练后的检测网络未达到训练结束的条件时，将训练后的检测网络作为初始检测网络，返回将第二数据域中的样本图像输入所述初始检测网络得到候选检测框以及所述候选检测框的置信度的步骤，直至所述训练后的检测网络达到训练结束的条件时，得到训练完成的、所述第二数据域对应的目标检测网络。

该方面，由于第二数据域的样本图像都是没有进行标注的，这降低了训练目标检测网络的标注成本，另外，基于每一个候选检测框、对应的置信度以及前一轮训练过程的目标匹配检测框，能够筛选出初始检测网络输出的置信度较高的第一目标检测框，提高了对初始检测网络进行训练的第一目标检测框的质量，然后基于第一目标检测框和样本图像对初始检测网络进行迭代训练，有利于提升得到的目标检测网络的检测精度，从而在将达到训练结束的条件的检测网络作为目标检测网络时能够得到精度较高的目标检测网络。

在一种可能的实施方式中，还包括确定所述初始检测网络的步骤：

获取源检测网络和第一数据域中的原始训练样本；

对原始训练样本中对象的点云进行缩放和/或旋转，生成目标训练样本；

基于所述原始训练样本和所述目标训练样本训练所述源检测网络，得到所述初始检测网络。

这样，通过对原始训练样本中对象点云进行缩放和/或旋转，能够通过改变点云体积信息，生成新的训练样本，即目标训练样本，新的训练样本可能与第二数据域中对象的体积接近，这样，利用目标训练样本训练得到的初始检测网络对第二数据域中对象的检测精度就会提高，从而能够更好地实现初始训练网络对应的数据域与其他数据域之间的迁移，提升了初始检测网络的检测范围。

在一种可能的实施方式中，所述对原始训练样本中对象的点云进行缩放和/或旋转，生成目标训练样本，包括：