[发明专利]模型生成方法、点云分类方法、装置、设备及存储介质

说明书

本发明实施例公开了一种模型生成方法、点云分类方法、装置、设备及存储介质。该模型生成方法包括：获取初步训练完成的点云分类模型、上一旋转角度、对原始点云进行旋转后得到的上一输入点云、及原始点云的点云类别；基于上一旋转角度对上一输入点云进行旋转，并将由此得到的当前输入点云和点云类别输入到点云分类模型，得到第一分类误差；确定第一分类误差相对于上一旋转角度的回传梯度，根据回传梯度对上一旋转角度进行处理；根据由此得到的当前旋转角度确定目标旋转角度以对原始点云进行旋转，得到对抗点云，并根据对抗点云和点云类别训练点云分类模型，以得到目标分类模型。本发明实施例的技术方案，可以提升点云分类模型的旋转鲁棒性。

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种模型生成方法、点云分类方法、装置、设备及存储介质。

背景技术

近些年来，基于深度学习的点云分类模型发展迅速，其已经逐渐被应用到各个领域中，如人脸识别、机器人的物体识别、无人驾驶的障碍检测等。

在现实生活场景中，因为点云采集设备的移动，由此采集得到的点云往往很难保证其姿态的一致性，如无人车上的传感器随着车辆的移动采集到的点云的姿态就会存在差异。因此，现有的点云分类模型通常是先将点云预先对齐到统一的坐标系下，然后再对该对齐后的点云进行分类。但是，这一过程涉及到大量的姿态计算，这降低了点云分类模型的实时性，从而导致了其无法应用在一些实时性要求较高的场景中。由此，如何提升点云分类模型的旋转鲁棒性，以保证其在应用时的实时性，这成为深度学习领域中新的发展方向。

在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：目前在提升点云分类模型的旋转鲁棒性时，存在耗时、复杂度高和难以维持原有的点云分类性能的问题。

发明内容

本发明实施例提供了一种模型生成方法、点云分类方法、装置、设备及存储介质，以实现在省时、复杂度低且能够维持原有的点云分类性能的情况下，提升点云分类模型的旋转鲁棒性。

第一方面，本发明实施例提供了一种模型生成方法，可以包括：

获取初步训练完成的点云分类模型、上一旋转角度、对原始点云进行旋转后得到的上一输入点云、及原始点云的点云类别；

基于上一旋转角度对上一输入点云进行旋转，得到当前输入点云，并将当前输入点云和点云类别输入到点云分类模型中，得到第一分类误差；

确定第一分类误差相对于上一旋转角度的回传梯度，并根据回传梯度对上一旋转角度进行处理，得到当前旋转角度，其中，当前旋转角度包括在将基于当前旋转角度生成的旋转点云输入到点云分类模型后，得到大于第一分类误差的第二分类误差的旋转角度；

根据当前旋转角度确定目标旋转角度，根据目标旋转角度对原始点云进行旋转，得到对抗点云，并以对抗点云和点云类别为训练样本，对点云分类模型进行训练，以得到目标分类模型。

第二方面，本发明实施例还提供了一种点云分类方法，可以包括：

获取待分类点云、以及按照本发明任意实施例所提供的模型生成方法生成的目标分类模型；

将待分类点云输入至目标分类模型中，并根据目标分类模型的输出结果，得到待分类点云的分类结果。

第三方面，本发明实施例还提供了一种模型生成装置，可以包括：

数据获取模块，用于获取初步训练完成的点云分类模型、上一旋转角度、对原始点云进行旋转后得到的上一输入点云、及原始点云的点云类别；

第一分类误差得到模块，用于基于上一旋转角度对上一输入点云进行旋转，得到当前输入点云，并将当前输入点云和点云类别输入到点云分类模型，得到第一分类误差；