[发明专利]网络模型的训练方法、装置、电子设备及存储介质

权利要求书

1.一种网络模型的训练方法，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改进的网络模型进行训练；

执行处理步骤，以利用训练得到的改进的网络模型对所述点云数据集中的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改进的网络模型进行训练；

交替执行所述处理步骤和所述第二训练步骤，直至满足所述改进的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，所述改进的网络模型通过如下步骤得到：

仿照所述有标签数据中的正标签数据的交叉熵损失函数，生成负标签数据的交叉熵损失函数；

将所述正标签数据的交叉熵损失函数和所述负标签数据的交叉熵损失函数进行融合处理，得到融合后的交叉熵损失函数；

利用所述融合后的交叉熵损失函数对原始的网络模型进行训练，得到所述改进的网络模型。

3.根据权利要求2所述的方法，其特征在于，所述正标签数据的交叉熵损失函数如下：

，

其中，表示所述正标签数据的交叉熵损失函数；m表示所述有标签数据的数量，m为正整数；c表示所述有标签数据的类别；n表示所述类别的数量，n为正整数；表示所述伪标签是否参与训练的置信值，的值为0或1；表示第c个类别的伪标签，的值为0或1；表示第c个类别的预测值，的取值范围为[0，1]。

4.根据权利要求3所述的方法，其特征在于，所述负标签数据的交叉熵损失函数如下：

，

其中，表示所述负标签数据的交叉熵损失函数。

5.根据权利要求4所述的方法，其特征在于，所述融合后的交叉熵损失函数如下：

，

其中，表示所述融合后的交叉熵损失函数。

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。

8.一种网络模型的训练装置，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改进的网络模型进行训练；

处理模块，被配置为执行处理步骤，以利用训练得到的改进的网络模型对所述点云数据集中的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改进的网络模型进行训练；

交替模块，被配置为控制所述处理模块和所述第二训练模块交替执行所述处理步骤和所述第二训练步骤，直至满足所述改进的网络模型的训练结束条件。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以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如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。