[发明专利]点云分类模型训练方法、装置、电子设备和存储介质

说明书

本公开提供了一种点云分类模型训练方法、装置、电子设备、可读存储介质和计算机程序产品，可用于人工智能领域或金融领域，该方法包括：获取教师模型，教师模型通过训练第一初始点云分类模型而得到，第一初始点云分类模型包括依次连接的第一特征提取网络和全连接网络；将多个点集分别输入教师模型中，得到与每个点集分别对应的概率数组，每个点集用于表征三维图像预设区域内点的集合；以多个概率数组为标签，使用多个点集训练第二初始点云分类模型，得到目标点云分类模型，第二初始点云分类模型包括依次连接的第二特征提取网络和全连接网络，第二特征提取网络的规模小于第一特征提取网络的规模。

技术领域

本公开涉及人工智能领域和金融领域，更具体地，涉及一种点云分类模型训练方法、一种点云分类模型训练装置、一种电子设备、一种可读存储介质和一种计算机程序产品。

背景技术

近年来，随着深度学习的发展，计算机视觉的相关技术也取得了显著的进展，其中，三维图像的分类技术在实际生活种具有重要意义。

在实现本公开构思的过程中，发明人发现相关技术中的三维图像分类模型的模型规模较大，对存储空间和计算资源的要求较高，难以在边缘设备上运行。

发明内容

有鉴于此，本公开提供了一种点云分类模型训练方法、一种点云分类模型训练装置、一种电子设备、一种可读存储介质和一种计算机程序产品。

本公开的一个方面提供了一种点云分类模型训练方法，包括：获取教师模型，其中，上述教师模型通过训练第一初始点云分类模型而得到，其中，上述第一初始点云分类模型包括依次连接的第一特征提取网络和全连接网络；将多个点集分别输入上述教师模型中，得到与每个上述点集分别对应的概率数组，其中，每个上述点集用于表征三维图像预设区域内点的集合；以及以多个上述概率数组为标签，使用上述多个点集训练第二初始点云分类模型，得到目标点云分类模型，其中，上述第二初始点云分类模型包括依次连接的第二特征提取网络和上述全连接网络，其中，上述第二特征提取网络的规模小于上述第一特征提取网络的规模。

根据本公开的实施例，该方法还包括：对多个上述概率数组进行泛化处理，得到多个第一概率数组；其中，上述以上述多个概率数组为标签，使用上述多个点集训练第二初始点云分类模型，得到目标点云分类模型，包括：以上述多个第一概率数组为标签，使用上述多个点集训练第二初始点云分类模型，得到目标点云分类模型。

根据本公开的实施例，上述对上述多个概率数组进行泛化处理，得到多个第一概率数组，包括：根据预设概率从上述多个概率数组中选择目标概率数组；对上述目标概率数组按扰动比率增加扰动；以及遍历多个上述概率数组，得到多个上述第一概率数组。

根据本公开的实施例，上述扰动比率遵循标准正态分布。

根据本公开的实施例，上述使用上述多个点集训练第二初始点云分类模型，得到目标点云分类模型，包括：获取模型训练参数，其中，上述模型训练参数包括批训练数据量和预设收敛阈值；基于上述批训练数据量，确定训练数据和上述训练数据的标签，其中，上述训练数据的标签为上述训练数据对应的上述概率数组或第一概率数组；将上述训练数据输入第二初始点云分类模型中，得到第二概率数组；基于上述标签与上述第二概率数组，使用损失函数计算得到损失值；以及在上述损失值小于或等于上述预设收敛阈值的情况下，得到上述目标点云分类模型。

根据本公开的实施例，上述损失函数包括均方误差损失函数。

本公开的另一个方面提供了一种点云分类模型训练装置，包括获取模块、第一处理模块和训练模块，其中：

获取模块，用于获取教师模型，其中，上述教师模型通过训练第一初始点云分类模型而得到，其中，上述第一初始点云分类模型包括依次连接的第一特征提取网络和全连接网络；

第一处理模块，用于将多个点集分别输入上述教师模型中，得到与每个上述点集分别对应的概率数组，其中，每个上述点集用于表征三维图像预设区域内点的集合；以及