三维目标检测方法及装置与流程

1.本技术实施例涉及计算机技术领域，具体涉及深度学习、人工智能技术，尤其涉及一种三维目标检测方法及装置、目标检测模型的训练方法及装置、计算机可读介质和电子设备。

背景技术：

2.3d(三维)目标检测是一种在三维场景中识别或定位物体的方法，是理解场景的基本任务。近来，3d目标检测受到越来越多的关注。许多成功的尝试中，一般利用输入的点云数据预测3d目标框。目前，没有将三维点云和二维图像的优势结合起来以执行3d目标检测的方案。

技术实现要素：

3.本技术实施例提出了一种三维目标检测方法及装置、目标检测模型的训练方法及装置、计算机可读介质和电子设备。
4.第一方面，本技术实施例提供了一种三维目标检测方法，包括：获取相对应的三维点云数据和二维图像数据；通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重；通过目标检测模型，根据注意力权重，得到三维目标检测结果。
5.在一些实施例中，上述通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，包括：对于目标检测模型中的每层注意力网络，执行如下操作：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记；基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记；基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记；以及上述基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，还包括：将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
6.在一些实施例中，上述基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记，包括：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记；确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系；将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
7.在一些实施例中，上述确定多个初始点云标记和该层注意力网络输出的多个图像
片标记之间的对应关系，包括：根据获取二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。
8.第二方面，本技术实施例提供了一种目标检测模型的训练方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括三维点云数据、二维图像数据、三维目标检测结果标签和二维目标检测结果标签；利用机器学习算法，基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，训练得到目标检测模型。
9.在一些实施例中，上述基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，包括：对于初始目标检测模型中的每层注意力网络，执行如下操作：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记；基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记；基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记；以及上述基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，还包括：将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
10.在一些实施例中，上述基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记，包括：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记；确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系；将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
11.在一些实施例中，上述确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系，包括：根据获取二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。
12.在一些实施例中，上述将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，包括：将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签，作为基于多个目标检测标记中的一部分目标检测标记对应的注意力权重得到的三维目标检测结果的期望结果；将输入的三维点云数据和二维图像数据对应的二维目标检测结果标签，作为基于多个目标检测标记中的另一部分目标检测标记对应的注
意力权重得到的二维目标检测结果的期望结果。
13.第三方面，本技术实施例提供了一种三维目标检测装置，包括：第一获取单元，被配置成获取相对应的三维点云数据和二维图像数据；确定单元，被配置成通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重；得到单元，被配置成通过目标检测模型，根据注意力权重，得到三维目标检测结果。
14.在一些实施例中，确定单元，进一步被配置成：对于目标检测模型中的每层注意力网络，执行如下操作：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记；基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记；基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记；以及确定单元进一步被配置成：将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
15.在一些实施例中，确定单元，进一步被配置成：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记；确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系；将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
16.在一些实施例中，确定单元，进一步被配置成：根据获取二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。
17.第四方面，本技术实施例提供了一种目标检测模型的训练装置，包括：第二获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括三维点云数据、二维图像数据、三维目标检测结果标签和二维目标检测结果标签；训练单元，被配置成利用机器学习算法，基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，训练得到目标检测模型。
18.在一些实施例中，训练单元，进一步被配置成：对于初始目标检测模型中的每层注意力网络，执行如下操作：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记；基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记；基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记；以及训练单元，进一步被配置成：将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
19.在一些实施例中，训练单元，进一步被配置成：基于注意力机制，通过上一层注意
力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记；确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系；将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
20.在一些实施例中，训练单元，进一步被配置成：根据获取二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。
21.在一些实施例中，训练单元，进一步被配置成：将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签，作为基于多个目标检测标记中的一部分目标检测标记对应的注意力权重得到的三维目标检测结果的期望结果；将输入的三维点云数据和二维图像数据对应的二维目标检测结果标签，作为基于多个目标检测标记中的另一部分目标检测标记对应的注意力权重得到的二维目标检测结果的期望结果。
22.第五方面，本技术实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面、第二方面任一实现方式描述的方法。
23.第六方面，本技术实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面、第二方面任一实现方式描述的方法。
24.本技术实施例提供的三维目标检测方法及装置，通过获取相对应的三维点云数据和二维图像数据；通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重；通过目标检测模型，根据注意力权重，得到三维目标检测结果，从而充分融合三维点云数据和二维图像数据这两种模态的数据，通过目标检测标记建立两种模态数据的内在语义相关性，提高了三维目标检测结果的准确度。
附图说明
25.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
26.图1是本技术的一个实施例可以应用于其中的示例性系统架构图；
27.图2是根据本技术的三维目标检测方法的一个实施例的流程图；
28.图3是根据本实施例的三维目标检测方法的应用场景的示意图；
29.图4是根据本技术的目标检测模型的结构示意图；
30.图5是根据本技术的三维目标检测方法的又一个实施例的流程图；
31.图6是根据本技术的目标检测模型的训练方法的一个实施例的流程图；
32.图7是根据本技术的三维目标检测装置的一个实施例的结构图；
33.图8是根据本技术的目标检测模型的训练装置的一个实施例的结构图；
34.图9是适于用来实现本技术实施例的计算机系统的结构示意图。
具体实施方式
35.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
36.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
37.图1示出了可以应用本技术的三维目标检测方法及装置、目标检测模型的训练方法及装置的示例性架构100。
38.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
39.终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于车载电脑、数据采集设备、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
40.服务器105可以是提供各种服务的服务器，例如根据终端设备101、102、103提供的三维点云数据和二维图像数据，进行三维目标检测的后台处理服务器。又例如，根据终端设备101、102、103提供的训练样本集，训练用于实现三维目标检测方法的目标检测模型的后台处理服务器。作为示例，服务器105可以是云端服务器。
41.需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
42.还需要说明的是，本技术的实施例所提供的三维目标检测方法、目标检测模型的训练方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，三维目标检测装置、目标检测模型的训练装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
43.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当三维目标检测方法、目标检测模型的训练方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括三维目标检测方法、目标检测模型的训练方法运行于其上的电子设备(例如服务器或终端设备)。
44.继续参考图2，示出了三维目标检测方法的一个实施例的流程200，包括以下步骤：
45.步骤201，获取相对应的三维点云数据和二维图像数据。
46.本实施例中，三维目标检测方法的执行主体(例如图1中的终端设备或服务器)可以基于有线连接方式或无线连接方式从远程，或从本地获取相对应的三维点云数据和二维图像数据。
47.相对应的三维点云数据和二维图像数据所表征的数据相同，或至少部分数据相同。三维点云数据中包括多个点云，二维图像数据中包括多个图像片，每个图像片为二维图像数据所表征的二维图像中的一部分区域。
48.作为示例，在智能交通领域，三维点云数据和二维图像数据可以是自动驾驶车辆上设置的数据采集设备采集的、表征相同交通区域环境的三维点云数据和二维图像数据；在智能监控领域，三维点云数据和二维图像数据可以是监控设备采集的表征相同监控区域环境的三维点云数据和二维图像数据。
49.步骤202，通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重。
50.本实施例中，上述执行主体可以通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重。
51.目标检测模型用于根据相对应的三维点云数据和二维图像数据进行三维目标检测，可以采用卷积神经网络、循环神经网络等网络模型。由于transformer模型天然具备的排列不变性和捕捉大规模数据相关性的能力，transformer模型也被用于替代点云的手工分组策略，在三维目标检测任务中体现出强大优势，因此，目标检测模型可以采用transformer模型。
52.三维目标检测用于获取目标对象在三维空间中的位置和类别信息。目标对象可以是三维点云数据和二维图像数据包括的任意对象，例如行人、车辆、障碍物等对象。
53.在进行三维目标检测得到三维目标检测结果的过程中，目标检测模型首先通过多个目标检测标记确定对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重。
54.三维点云数据中的每个点云标记可以是每个点云对应的标识信息。例如，点云的投影编码。其点云标记的特征编码长度表示d，点云的数量表示为n
pnt
，则三维点云数据的点云标记的编码维度为n
pnt
×
d。
55.二维图像数据中的每个图像片标记可以是每个图像片对应的标识信息。例如，图像片的投影编码。其图像片标记的特征编码长度表示d，图像片的数量表示为n
pat
，则二维图像数据的图像片标记的编码维度为n
pat
×
d。
56.每个目标检测标记可以表示为一个初始编码。将多个目标检测标记、每个点云标记和每个图像片标记输入预训练的目标检测模型，基于注意力机制可以确定多个目标检测标记对于每个点云标记和每个图像片标记的注意力权重。注意力权重可以表征三维点云数据和二维图像数据这两种模态数据之间的语义相关性。进一步的，可以将每个点云标记、每个图像片标记在输入目标检测模型时，融合对应点云标记、图像片标记对应的pe(positional embedding，位置编码)信息，以通过位置编码来有效保留点云和图像片的位置信息。
57.步骤203，通过目标检测模型，根据注意力权重，得到三维目标检测结果。
58.本实施例中，上述执行主体可以通过目标检测模型，根据注意力权重，得到三维目标检测结果。
59.作为示例，将注意力权重输入目标检测网络中的全连接层，得到三维目标检测结果。三维目标检测结果包括目标对象的位置(检测框)和类别。
60.继续参见图3，图3是根据本实施例的三维目标检测方法的应用场景的一个示意图300。在图3的应用场景中，自动驾驶车辆301在行驶过程中，通过三维点云采集设备采集三维点云数据302，通过二维图像采集设备采集二维图像数据303，并将采集的相对应的三维点云数据302和二维图像数据303传输至服务器304。服务器304在获取对应的三维点云数据302和二维图像数据303之后，首先确定三维点云数据302中的每个点云的点云标记和二维图像数据303中的每个图像片的图像片标记；然后，将三维点云数据302中的每个点云标记、二维图像数据303中的每个图像片标记和多个目标检测标记输入预训练的目标检测模型，得到对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重305；最后，根据注意力权重，得到三维目标检测结果306。
61.本技术的上述实施例提供的方法，通过获取相对应的三维点云数据和二维图像数据；通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重；通过目标检测模型，根据注意力权重，得到三维目标检测结果，从而充分融合三维点云数据和二维图像数据这两种模态的数据，通过目标检测标记建立两种模态数据的内在语义相关性，提高了三维目标检测结果的准确度。
62.请参考图4，示出了目标检测模型的结构示意图。目标检测模型中包括多个基于注意力机制实现的注意力网络。其中，l表示注意力网络的层数。
63.具体的，目标检测模型400以三维点云数据中的每个点云的点云标记401、二维图像数据中的每个图像片的图像片标记402和2k个目标检测标记403为输出，经过目标检测模型的多层注意力网络后，得到更新后的多个目标检测标记，也即注意力权重，最终根据注意力权重得到三维目标检测结果。其中，可以根据实际情况具体设置数值k，在此不做限定。
64.需要说明的是，在目标检测模型的应用过程中，可以只输出三维目标检测结果；而在训练过程中，为了使得模型在训练过程中学习到更多的信息，得到三维目标检测结果和二维目标检测结果这两种结果，具体如后续的实施例600。
65.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤202：
66.第一，对于目标检测模型中的每层注意力网络，执行如下操作：
67.(1)基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记。
68.在目标检测模型中，学习多个目标检测标记中的一部分目标检测标记(例如，前k个目标检测标记)与点云标记的注意力权重，并隔断点云标记与图像片标记之间直接的注意力计算。具体的，可以通过如下公式表示：
[0069][0070]
其中，分别表示第l+1层、第l层输出的任一点云标记，
表示由前k个目标检测标记中的任一目标检测标记第l层输出的任一点云标记构成的集合，att()表示注意力机制函数，其接受一个变量和一个集合作为输入，计算该变量与集合中每个元素的注意力权重。
[0071]
(2)基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记。
[0072]
在目标检测模型中，学习多个目标检测标记中的另一部分目标检测标记(例如，后k个目标检测标记)与图像片标记的注意力权重，并隔断点云标记与图像片标记之间直接的注意力计算。具体的，可以通过如下公式表示：
[0073][0074]
其中，分别表示第l+1层、第l层输出的任一图像片标记，表示由后k个目标检测标记中的任一目标检测标记第l层输出的任一图像片标记构成的集合，att()表示注意力机制函数，其接受一个变量和一个集合作为输入，计算该变量与集合中每个元素的注意力权重。
[0075]
(3)基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记。
[0076]
本实施例中，保留目标检测标记与所有点云标记、所有图像片标记之间的注意力计算，具体表示为：
[0077][0078][0079]
其中，分别表示第l+1的前k个目标检测标记和后k个目标检测标记。
[0080]
本实现方式中，学习前k个目标检测标记与点云标记的注意力权重，以及后k个目标索引与图像片标记的注意力权重，隔断点云标记与图像片标记之间直接的注意力计算，并保留目标索引与所有点云标记和图像片标记之间的注意力计算，进一步提高了每一层注意力网络输出的点云标记、图像片标记和目标检测标记的准确度。
[0081]
第二，将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
[0082]
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤(1)：
[0083]
首先，基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记。
[0084]
作为示例，上述执行主体可以参照上述步骤(1)的方式执行，将得到的多个点云标记作为初始点云标记。
[0085]
然后，确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系。
[0086]
其中，当初始点云标记和图像片标记中的一个像素点表征现实场景中的同一点时，认为两者之间存在对应关系。
[0087]
作为示例，可以根据图像采集设备的标定信息将每个初始点云标记映射到二维图像数据上，确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系。
[0088]
最后，将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
[0089]
本实现方式中，点云标记提供了目标检测必要的几何线索，而丰富的二维彩图像中的图像片标记可以弥补点云缺失的颜信息和校正噪声误差。因此，将图像片标记融合至对应的点云标记上，基于二维图像数据的参与可以潜在地提高三维目标检测的性能。
[0090]
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系：
[0091]
首先，根据获取二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；然后，根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。
[0092]
作为示例，对于任意一个三维点云坐标k＝[x，y，z]
t
，将该点投影至二维图像中的某个像素k
′
＝[u，v]
t
。该投影通过如下公式计算：
[0093][0094]
其中，k为相机内参，r
t
为相机外参，π为透视映射矩阵。
[0095]
对于包含n
pnt
个点的点云，记[u,v]为该点云按照投影求得的图像投影坐标，并记[un,vn]为第n个点的投影坐标，该投影坐标所在的图像片序号pn∈{1，2，...，n
pat
}可通过如下公式计算：
[0096][0097]
其中，s为图像片的大小，w为二维图像数据所表征的图像的宽。
[0098]
为提高三维目标检测问题中点云和图像数据的利用效率，通过图像片-点云投影映射的方式将二者特征进行对齐并融合：
[0099][0100]
其中，下标n和pn分别表示点云标记和图像片标记的序号，mlp表示多层感知机。
[0101]
本实现方式中，提高了一种确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系以进行融合的具体方式，提高了信息确定的准确度。
[0102]
继续参考图5，示出了根据本技术的三维目标检测方法的一个实施例的示意性流程500，包括如下步骤：
[0103]
步骤501，获取相对应的三维点云数据和二维图像数据。
[0104]
步骤502，对于目标检测模型中的每层注意力网络，执行如下操作：
[0105]
步骤5021，基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记。
[0106]
步骤5022，基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记。
[0107]
步骤5023，确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系。
[0108]
步骤5024，将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
[0109]
步骤5025，基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记。
[0110]
步骤503，将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
[0111]
步骤504，通过目标检测模型，根据注意力权重，得到三维目标检测结果。
[0112]
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的三维目标检测方法的流程500具体说明了每层注意力网络的输出信息的确定过程，点云标记与图像片标记的融合过程，进一步充分融合三维点云数据和二维图像数据这两种模态的数据，通过目标检测标记建立两种模态数据的内在语义相关性，提高了三维目标检测结果的准确度。
[0113]
继续参考图6，示出了目标检测模型的训练方法的一个实施例的流程600，包括以下步骤：
[0114]
步骤601，获取训练样本集。
[0115]
本实施例中，目标检测模型的训练方法的执行主体(例如图1中的终端设备或服务器)可以基于有线连接方式或无线连接方式从远程，或从本地获取训练样本集。
[0116]
其中，训练样本集中的训练样本包括三维点云数据、二维图像数据、三维目标检测结果标签和二维目标检测结果标签。
[0117]
同一训练样本中的训练样本包括相对应的三维点云数据和二维图像数据。相对应的三维点云数据和二维图像数据所表征的数据相同，或至少部分数据相同。三维点云数据中包括多个点云，二维图像数据中包括多个图像片，每个图像片为二维图像数据所表征的二维图像中的一部分区域。
[0118]
作为示例，在智能交通领域，三维点云数据和二维图像数据可以是自动驾驶车辆上设置的数据采集设备采集的表征相同交通区域环境的三维点云数据和二维图像数据；在智能监控领域，三维点云数据和二维图像数据可以是监控设备采集的表征相同监控区域环境的三维点云数据和二维图像数据。
[0119]
三维目标检测结果标签表征真实准确的三维目标识别结果，二维目标检测结果标签表征真实准确的二维目标识别结果。
[0120]
步骤602，利用机器学习算法，基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于注意力权重得到的三维目标检测结果和二维目标检测结果的期望结
果，训练得到目标检测模型。
[0121]
本实施例中，上述执行主体可以利用机器学习算法，基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，训练得到目标检测模型。
[0122]
作为示例，上述执行主体可以确定三维目标检测结果与三维目标检测结果标签之间的第一损失，以及二维目标检测结果与二维目标检测结果标签之间的第二损失，以基于求和、加权求和等方式确定总损失，进而根据总损失更新初始目标检测模型，响应于达到预设结束条件，得到目标检测模型。第一损失、第二损失可以根据实际情况确定损失类型，例如，采用交叉熵损失。
[0123]
其中，预设结束条件例如可以是训练时间超过预设时间阈值、训练次数超过预设次数阈值、训练损失收敛。
[0124]
目标检测模型用于根据相对应的三维点云数据和二维图像数据进行三维目标检测，可以采用卷积神经网络、循环神经网络等网络模型。由于transformer模型天然具备的排列不变性和捕捉大规模数据相关性的能力，transformer模型也被用于替代点云的手工分组策略，在三维目标检测任务中体现出强大优势，因此，目标检测模型可以采用transformer模型。
[0125]
三维目标检测用于获取目标对象在三维空间中的位置和类别信息。目标对象可以是三维点云数据和二维图像数据包括的任意对象，例如行人、车辆、障碍物等对象。
[0126]
在进行三维目标检测得到三维目标检测结果的过程中，目标检测模型首先通过多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重。
[0127]
三维点云数据中的每个点云标记可以是每个点云对应的标识信息。例如，点云的投影编码。其点云标记的特征编码长度表示d，点云的数量表示为n
pnt
，则三维点云数据的点云标记的编码维度为n
pnt
×
d。
[0128]
二维图像数据中的每个图像片标记可以是每个图像片对应的标识信息。例如，图像片的投影编码。其图像片标记的特征编码长度表示d，图像片的数量表示为n
pat
，则二维图像数据的图像片标记的编码维度为n
pat
×
d。
[0129]
每个目标检测标记可以表示为一个初始编码。将多个目标检测标记、每个点云标记和每个图像片标记输入预训练的目标检测模型，基于注意力机制可以确定多个目标检测标记对于每个点云标记和每个图像片标记的注意力权重。注意力权重可以表征三维点云数据和二维图像数据这两种模态数据之间的语义相关性。进一步的，可以将每个点云标记、每个图像片标记在输入目标检测模型时，融合对应的位置编码，以通过位置编码来有效保留点云和图像片的位置信息。
[0130]
在得到注意力权重之后，将注意力权重输入目标检测网络中的全连接层，得到三维目标检测结果。三维目标检测结果包括目标对象的位置(检测框)和类别。
[0131]
本实施例中，提供了一种目标检测模型的训练方法，使得目标检测模型充分融合三维点云数据和二维图像数据这两种模态的数据，通过目标检测标记建立两种模态数据的
内在语义相关性，提高了三维目标检测结果的准确度。
[0132]
继续参考图4，目标检测模型400中包括多个基于注意力机制实现的注意力网络。在本实施例的一些可选的实现方式中，上述执行主体可以通过执行如下方式以确定注意力权重：
[0133]
第一，对于目标检测模型中的每层注意力网络，执行如下操作：
[0134]
(1)基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记。
[0135]
在目标检测模型中，学习多个目标检测标记中的一部分目标检测标记(例如，前k个目标检测标记)与点云标记的注意力权重，并隔断点云标记与图像片标记之间直接的注意力计算。具体的，可以通过如下公式表示：
[0136][0137]
其中，分别表示第l+1层、第l层输出的任一点云标记，表示由前k个目标检测标记中的任一目标检测标记第l层输出的任一点云标记构成的集合，att()表示注意力机制函数，其接受一个变量和一个集合作为输入，计算该变量与集合中每个元素的注意力权重。
[0138]
(2)基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记。
[0139]
在目标检测模型中，学习多个目标检测标记中的另一部分目标检测标记(例如，后k个目标检测标记)与图像片标记的注意力权重，并隔断点云标记与图像片标记之间直接的注意力计算。具体的，可以通过如下公式表示：
[0140][0141]
其中，分别表示第l+1层、第l层输出的任一图像片标记，表示由后k个目标检测标记中的任一目标检测标记第l层输出的任一图像片标记构成的集合，att()表示注意力机制函数，其接受一个变量和一个集合作为输入，计算该变量与集合中每个元素的注意力权重。
[0142]
(3)基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记。
[0143]
本实施例中，保留目标检测标记与所有点云标记、所有图像片标记之间的注意力计算，具体表示为：
[0144][0145]
[0146]
其中，分别表示第l+1的前k各目标检测标记和后k各目标检测标记。
[0147]
本实现方式中，学习前k个目标检测标记与点云标记的注意力权重，以及后k个目标索引与图像片标记的注意力权重，隔断点云标记与图像片标记之间直接的注意力计算，并保留目标索引与所有点云标记和图像片标记之间的注意力计算，进一步提高了每一层注意力网络输出的点云标记、图像片标记和目标检测标记的准确度。
[0148]
第二，将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
[0149]
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤(1)：
[0150]
首先，基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记。
[0151]
作为示例，上述执行主体可以参照上述步骤(1)的方式执行，将得到的多个点云标记作为初始点云标记。
[0152]
然后，确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系。
[0153]
其中，当初始点云标记和图像片标记中的一个像素点表征现实场景中的同一点时，认为两者之间存在对应关系。
[0154]
作为示例，可以根据凸显采集设备的标定信息将每个初始点云标记映射到二维图像数据上，确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系。
[0155]
最后，将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
[0156]
本实现方式中，点云标记提供了目标检测必要的几何线索，而丰富的二维彩图像中的图像片标记可以弥补点云缺失的颜信息和校正噪声误差。因此，将图像片标记融合至对应的点云标记上，二维图像数据的参与可以潜在地提高三维目标检测的性能。
[0157]
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系：
[0158]
首先，根据获取二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；然后，根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。
[0159]
作为示例，对于任意一个三维点云坐标k＝[x，y，z]
t
，将该点投影至二维图像中的某个像素k
′
＝[u，v]
t
。该投影通过如下公式计算：
[0160][0161]
其中，k为相机内参，r
t
为相机外参，π为透视映射矩阵。
[0162]
对于包含n
pnt
个点的点云，记[u,v]为该点云按照投影求得的图像投影坐标，并记[vn,vn]为第n个点的投影坐标，该投影坐标所在的图像片序号pn∈{1，2，...，n
pat
}可通过如
下公式计算：
[0163][0164]
其中，s为图像片的大小，w为二维图像数据所表征的图像的宽。
[0165]
为提高三维目标检测问题中点云和图像数据的利用效率，通过图像片-点云投影映射的方式将二者特征进行对齐并融合：
[0166][0167]
其中，下标n和pn分别表示点云标记和图像片标记的序号，mlp表示多层感知机。
[0168]
本实现方式中，提高了一种确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系以进行融合的具体方式，提高了信息确定的准确度。
[0169]
在本实施例的一些可选的实现方式中，上述执行主体可以通过执行如下方式得到三维目标检测结果和二维目标检测结果：
[0170]
将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签，作为基于多个目标检测标记中的一部分目标检测标记(例如，前k个目标检测标记)对应的注意力权重得到的三维目标检测结果的期望结果；将输入的三维点云数据和二维图像数据对应的二维目标检测结果标签，作为基于多个目标检测标记中的另一部分目标检测标记(例如，后k个目标检测标记)对应的注意力权重得到的二维目标检测结果的期望结果。
[0171]
继续参考图7，作为对上述各图所示方法的实现，本技术提供了一种三维目标检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0172]
如图7所示，三维目标检测装置包括：第一获取单元701，被配置成获取相对应的三维点云数据和二维图像数据；确定单元702，被配置成通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重；得到单元703，被配置成通过目标检测模型，根据注意力权重，得到三维目标检测结果。
[0173]
在本实施例的一些可选的实现方式中，确定单元702，进一步被配置成：对于目标检测模型中的每层注意力网络，执行如下操作：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记；基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记；基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记；以及确定单元进一步被配置成：将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
[0174]
在本实施例的一些可选的实现方式中，确定单元702，进一步被配置成：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记；确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系；将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
[0175]
在本实施例的一些可选的实现方式中，确定单元702，进一步被配置成：根据获取
二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。
[0176]
本实施例中，三维目标检测装置中的第一获取单元获取相对应的三维点云数据和二维图像数据；确定单元通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重；得到单元通过目标检测模型，根据注意力权重，得到三维目标检测结果，从而充分融合三维点云数据和二维图像数据这两种模态的数据，通过目标检测标记建立两种模态数据的内在语义相关性，提高了三维目标检测结果的准确度。
[0177]
继续参考图8，作为对上述各图所示方法的实现，本技术提供了一种目标检测模型的训练装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0178]
如图8所示，目标检测模型的训练装置：第二获取单元801，被配置成获取训练样本集，其中，训练样本集中的训练样本包括三维点云数据、二维图像数据、三维目标检测结果标签和二维目标检测结果标签；训练单元802，被配置成利用机器学习算法，基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，训练得到目标检测模型。
[0179]
在本实施例的一些可选的实现方式中，训练单元802，进一步被配置成：对于初始目标检测模型中的每层注意力网络，执行如下操作：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记；基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记；基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记；以及训练单元802，进一步被配置成：将最后一层注意力网络输出的多个目标检测标记作为注意力权重。
[0180]
在本实施例的一些可选的实现方式中，训练单元802，进一步被配置成：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记；确定多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系；将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。
[0181]
在本实施例的一些可选的实现方式中，训练单元802，进一步被配置成：根据获取二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。
[0182]
在本实施例的一些可选的实现方式中，训练单元802，进一步被配置成：将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签，作为基于多个目标检测标记中的一部分目标检测标记对应的注意力权重得到的三维目标检测结果的期望结果；将输入
的三维点云数据和二维图像数据对应的二维目标检测结果标签，作为基于多个目标检测标记中的另一部分目标检测标记对应的注意力权重得到的二维目标检测结果的期望结果。
[0183]
本实施例中，提供了一种目标检测模型的训练装置，使得目标检测模型充分融合三维点云数据和二维图像数据这两种模态的数据，通过目标检测标记建立两种模态数据的内在语义相关性，提高了三维目标检测结果的准确度。
[0184]
下面参考图9，其示出了适于用来实现本技术实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统900的结构示意图。图9示出的设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0185]
如图9所示，计算机系统900包括处理器(例如cpu，中央处理器)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储部分908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram903中，还存储有系统900操作所需的各种程序和数据。处理器901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0186]
以下部件连接至i/o接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
[0187]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本技术的方法中限定的上述功能。
[0188]
需要说明的是，本技术的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0189]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到客户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0190]
附图中的流程图和框图，图示了按照本技术各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0191]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括第一获取单元、确定单元和得到单元；又例如，可以描述为：一种处理器，包括第二获取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重的单元”。
[0192]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该计算机设备：获取相对应的三维点云数据和二维图像数据；通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重；通过目标检测模型，根据注意力权重，得到三维目标检测结果。还可使得该设备：获取训练样本集，其中，训练样本集中的训练样本包括三维点云数据、二维图像数据、三维目标检测结果标签和二维目标检测结果标签；利用机器学习算法，基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，训练得到目标检测模型。
[0193]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行
任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：

1.一种三维目标检测方法，包括：获取相对应的三维点云数据和二维图像数据；通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于所述三维点云数据中的每个点云标记和所述二维图像数据中的每个图像片标记的注意力权重；通过所述目标检测模型，根据所述注意力权重，得到三维目标检测结果。2.根据权利要求1所述的方法，其中，所述通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于所述三维点云数据中的每个点云标记和所述二维图像数据中的每个图像片标记的注意力权重，包括：对于所述目标检测模型中的每层注意力网络，执行如下操作：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记；基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记；基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记；以及所述基于注意力机制，确定多个目标检测标记对于所述三维点云数据中的每个点云标记和所述二维图像数据中的每个图像片标记的注意力权重，还包括：将最后一层注意力网络输出的多个目标检测标记作为所述注意力权重。3.根据权利要求2所述的方法，其中，所述基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记，包括：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记；确定所述多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系；将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。4.根据权利要求3所述的方法，其中，所述确定所述多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系，包括：根据获取所述二维图像数据的相机设备的相机内参数据和相机外参数据，从所述二维图像数据中确定出所述多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。5.一种目标检测模型的训练方法，包括：获取训练样本集，其中，所述训练样本集中的训练样本包括三维点云数据、二维图像数据、三维目标检测结果标签和二维目标检测结果标签；利用机器学习算法，基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于所述注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，训练得到
所述目标检测模型。6.根据权利要求5所述的方法，其中，所述基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，包括：对于初始目标检测模型中的每层注意力网络，执行如下操作：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记；基于注意力机制，通过上一层注意力网络输出的多个图像片标记和多个目标检测标记中的另一部分目标检测标记，得到该层注意力网络输出的多个图像片标记；基于注意力机制，通过上一层注意力网络输出的多个点云标记、多个图像片标记和多个目标检测标记，得到该层注意力网络输出的多个目标检测标记；以及所述基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，还包括：将最后一层注意力网络输出的多个目标检测标记作为所述注意力权重。7.根据权利要求6所述的方法，其中，所述基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个点云标记，包括：基于注意力机制，通过上一层注意力网络输出的多个点云标记和多个目标检测标记中的一部分目标检测标记，得到该层注意力网络输出的多个初始点云标记；确定所述多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系；将具有对应关系的初始点云标记和图像片标记进行融合，得到该层注意力网络输出的多个点云标记。8.根据权利要求7所述的方法，其中，所述确定所述多个初始点云标记和该层注意力网络输出的多个图像片标记之间的对应关系，包括：根据获取所述二维图像数据的相机设备的相机内参数据和相机外参数据，从二维图像数据中确定出所述多个初始点云标记中的每个初始点云标记对应的像素的坐标信息；根据每个初始点云标记对应的坐标信息，确定出该点云标记对应的图像片标记。9.根据权利要求6所述的方法，其中，所述将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于所述注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，包括：将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签，作为基于多个目标检测标记中的一部分目标检测标记对应的注意力权重得到的三维目标检测结果的期望结果；将输入的三维点云数据和二维图像数据对应的二维目标检测结果标签，作为基于多个目标检测标记中的另一部分目标检测标记对应的注意力权重得到的二维目标检测结果的期望结果。10.一种三维目标检测装置，包括：第一获取单元，被配置成获取相对应的三维点云数据和二维图像数据；
确定单元，被配置成通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于所述三维点云数据中的每个点云标记和所述二维图像数据中的每个图像片标记的注意力权重；得到单元，被配置成通过所述目标检测模型，根据所述注意力权重，得到三维目标检测结果。11.一种目标检测模型的训练装置，包括：第二获取单元，被配置成获取训练样本集，其中，所述训练样本集中的训练样本包括三维点云数据、二维图像数据、三维目标检测结果标签和二维目标检测结果标签；训练单元，被配置成利用机器学习算法，基于注意力机制，确定多个目标检测标记对于输入的三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重，将输入的三维点云数据和二维图像数据对应的三维目标检测结果标签和二维目标检测结果标签，依次作为基于所述注意力权重得到的三维目标检测结果和二维目标检测结果的期望结果，训练得到所述目标检测模型。12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。13.一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

技术总结

本申请公开了一种三维目标检测方法及装置。方法的一具体实施方式包括：获取相对应的三维点云数据和二维图像数据；通过预训练的目标检测模型，基于注意力机制，确定多个目标检测标记对于三维点云数据中的每个点云标记和二维图像数据中的每个图像片标记的注意力权重；通过目标检测模型，根据注意力权重，得到三维目标检测结果。本申请充分融合三维点云数据和二维图像数据这两种模态的数据，通过目标检测标记建立两种模态数据的内在语义相关性，提高了三维目标检测结果的准确度。高了三维目标检测结果的准确度。高了三维目标检测结果的准确度。