[发明专利]伪标签生成方法、装置、电子设备及存储介质

权利要求书

1.一种伪标签生成方法，其特征在于，包括：

执行第一训练步骤，以利用点云数据集中的有标签数据对网络模型进行训练；

执行推理步骤，以利用训练得到的网络模型对所述点云数据集中的无标签数据进行推理，得到所述无标签数据的置信度和所述置信度的不确定性估计；

执行计算步骤，以基于所述置信度和所述置信度的不确定性估计计算新的置信度；

执行处理步骤，以基于所述新的置信度对所述无标签数据进行打上伪标签的处理，生成所述无标签数据的伪标签数据；

执行第二训练步骤，以利用所述伪标签数据和所述有标签数据对所述网络模型进行训练；

交替执行所述推理步骤和所述第二训练步骤，直至满足所述网络模型的训练结束条件。

2.根据权利要求1所述的方法，其特征在于，所述执行推理步骤，以利用训练得到的网络模型对所述点云数据集中的无标签数据进行推理，得到所述无标签数据的置信度和所述置信度的不确定性估计，包括：

利用所述训练得到的网络模型对所述无标签数据进行N次前向推理，得到所述无标签数据的N个置信度；

计算所述N个置信度的第一置信度均值，并基于所述N个置信度和所述第一置信度均值计算所述无标签数据的标准差；

将所述标准差与标准差阈值进行比较，并基于比较结果得到所述无标签数据的置信度和所述置信度的不确定性估计。

3.根据权利要求2所述的方法，其特征在于，所述执行计算步骤，以基于所述置信度和所述置信度的不确定性估计计算新的置信度，包括：

在所述标准差小于所述标准差阈值的情况下，计算所述N个置信度中小于所述标准差阈值的M个置信度的第二置信度均值，并将所述第二置信度均值作为所述无标签数据的所述新的置信度，其中，N为大于或等于2的正整数，且N大于M。

4.根据权利要求2所述的方法，其特征在于，所述基于所述N个置信度和所述第一置信度均值计算所述无标签数据的标准差，包括：

基于所述N个置信度和所述第一置信度均值，并通过如下公式计算所述无标签数据的标准差：，

其中，σ表示所述标准差，表示所述无标签数据的第个置信度，表示所述第一置信度均值。

5.根据权利要求1所述的方法，其特征在于，所述执行处理步骤，以基于所述新的置信度对所述无标签数据进行打上伪标签的处理，生成所述无标签数据的伪标签数据，包括：

在所述新的置信度大于置信度阈值的情况下，基于所述新的置信度对所述无标签数据进行打上伪标签的处理，生成所述无标签数据的伪标签数据。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：

将训练得到的网络模型部署到车辆中，其中，所述车辆包括自动驾驶车辆或无人驾驶车辆。

7.根据权利要求1至5中任一项所述的方法，其特征在于，所述网络模型为点体素集成网络。

8.一种伪标签生成装置，其特征在于，包括：

第一训练模块，被配置为执行第一训练步骤，以利用点云数据集中的有标签数据对网络模型进行训练；

推理模块，被配置为执行推理步骤，以利用训练得到的网络模型对所述点云数据集中的无标签数据进行推理，得到所述无标签数据的置信度和所述置信度的不确定性估计；

计算模块，被配置为执行计算步骤，以基于所述置信度和所述置信度的不确定性估计计算新的置信度；

处理模块，被配置为执行处理步骤，以基于所述新的置信度对所述无标签数据进行打上伪标签的处理，生成所述无标签数据的伪标签数据；

第二训练模块，被配置为执行第二训练步骤，以利用所述伪标签数据和所述有标签数据对所述网络模型进行训练；

交替模块，被配置为交替执行所述推理步骤和所述第二训练步骤，直至满足所述网络模型的训练结束条件。