[发明专利]点云样本选择方法、装置及计算机设备

说明书

本发明涉及点云数据处理领域，尤其涉及一种点云样本选择方法、装置及计算机设备。所述方法包括获取多个待标注点云样本；将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测，以得到每一待标注点云样本分类得分概率最高和次高的所属类别；计算待标注点云样本的最小边际分数和上下文不确定性得分；将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果；根据待标注点云样本的不确定结果，确定目标标注点云样本。

技术领域

本发明涉及点云数据处理领域，尤其涉及一种点云样本选择方法、装置及计算机设备。

背景技术

深度神经网络在计算机视觉领域的巨大成功受益于复杂的深度网络结构及海量的标注数据，但是在一些复杂的任务如三维点云检测、分割等领域，点云数据的标签往往并不容易获取，且若对获取的所有样本数据进行标注，则需要耗费大量的人力成本。

目前，主动学习技术能够从大量的未标注数据中获取对当前模型提升最有帮助的样本进行标注，从而有效降低标注成本。Lin等人将整个点云划分为分段，每个分段作为样本选择的基本查询单元。ReDAL建议选择那些信息丰富和多样化的子场景区域进行标签获取。熵、颜色不连续和结构复杂性被用来测量子场景区域的信息。随后，SSDR-AL将原始点云分组为超点，并逐步选择信息最丰富的区域进行注释。

然而，基于区域的主动学习的性能在很大程度上依赖于区域划分策略，而一旦区域划分不准确，将会导致选出的标注点云无法达到分类检测的精度需求。此外，由于点云在局部区域中表现出很强的语义相似性，因此选择局部区域中的所有点会产生一个冗余的标签预算。

发明内容

本发明实施例提供一种点云样本选择方法、装置及计算机设备，以解决目前针对点云分类检测的任务场景下，基于主动学习技术实现标注点云样本选择的冗余度高、准确性低的问题。

在本发明的第一方面，本发明提出的一种点云样本选择方法，所述方法包括：

获取多个待标注点云样本；

将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测，以得到每一待标注点云样本分类得分概率最高和次高的所属类别；

计算待标注点云样本的最小边际分数和上下文不确定性得分；将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果；

根据待标注点云样本的不确定结果，确定目标标注点云样本。

在本发明的第二方面，本发明还提供了一种点云样本选择装置，包括：

样本采集模块，用于获取多个待标注点云样本；

样本分类模块，用于将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测，以得到每一待标注点云样本分类得分概率最高和次高的所属类别；

样本度量模块，用于计算待标注点云样本的最小边际分数和上下文不确定性得分；将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果；

样本选择模块，用于根据待标注点云样本的不确定结果，确定目标标注点云样本。

在本发明的第三方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明第一方面所述点云样本选择方法的步骤。

本发明的有益效果：

本发明通过对多个尺度上的点云进行分组，并在更大范围的层次上逐步感知未标记点云的上下文信息，来计算每个点云样本的不确定性得分，解决了仅通过一个点云不能真实反映此点云真实重要性的问题。使用分层最小边际不确定性测量，上下文信息被融合，这使得仅通过注释点云而不是区域来实现性能更高的采样成为了一种可能，同时也解决了需要进行区域划分的问题。