(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210731249.4 (22)申请日 2022.06.24 (71)申请人 美的集团 （上海） 有限公司 地址 201700 上海市青浦区盈 港东路168号 9幢2层20 5室 申请人 美的集团股份有限公司 (72)发明人 徐志远　刘新妹　黄尧民　祝毅晨　 车正平　奉飞飞　唐剑　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 任少瑞 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01)G06V 20/64(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 模型训练、 目标检测方法、 装置、 电子设备及 存储介质 (57)摘要 本申请涉及数据处理技术领域， 提供模型训 练、 目标检测方法、 装置、 电子设备及存储介质。 其中模型训练方法包括： 获取样 本点云数据集和 辅助模型， 辅助模型用于确定样 本点云数据集中 样本目标的关键点云特征以及对关键点云特征 进行局部信息补充； 使用样本点 云数据集和辅助 模型对初始目标检测模型进行训练， 确定预设目 标检测模型。 本申请提供的模型训练方法， 无需 对目标检测模 型本身进行改进， 也不会增加后续 目标检测阶段的复杂 度和计算量， 因此能够大幅 提升训练模 型的精度和准确度， 从而实现在确保 目标检测精度的同时既不增加额外的时间代价 和计算代 价， 也大幅提升了目标检测的适用性和 高效性。 权利要求书2页 说明书14页 附图4页 CN 115019135 A 2022.09.06 CN 115019135 A 1.一种模型训练方法， 其特 征在于， 包括： 获取样本点云数据集和辅助模型， 所述辅助模型用于确定所述样本点云数据集中样本 目标的关键点云特 征以及对所述关键点云特 征进行局部信息补充； 使用所述样本点云数据集和所述辅助模型对初始目标检测模型进行训练， 确定预设目 标检测模型。 2.根据权利要求1所述的模型训练方法， 其特征在于， 所述使用所述样本点云数据集和 所述辅助模型对初始目标检测模型进行训练， 确定预设目标检测模型， 包括： 使用所述样本点云数据集中预设批次样本点云数据和所述辅助模型， 对初始目标检测 模型进行训练， 获取 预设次数训练后的中间目标检测模型的模型损失； 基于所述模型损失与 预设模型损失的匹配成功结果， 确定所述模型损失对应的中间目 标检测模型为预设目标检测模型。 3.根据权利要求2所述的模型训练方法， 其特征在于， 在所述获取预设次数训练后的中 间目标检测模型的模型损失之后， 所述方法还 包括： 基于所述模型损失与 所述预设模型损失的匹配失败结果， 使用所述样本点云数据集中 下一预设批次样本点云数据和所述辅助模型， 对所述模型损失对应的中间目标检测模型进 行训练， 确定所述预设目标检测模型。 4.根据权利要求2所述的模型训练方法， 其特征在于， 所述使用所述样本点云数据集中 预设批次样本点云数据、 所述辅助模型对初始目标检测模型进行训练， 获取预设次数训练 后的中间目标检测模型的模型损失， 包括： 针对每次训练， 将所述样本点云数据集中对应批次样本点云数据输入至所述辅助模型 中， 确定所述辅助模型本次获取的样本全局点云特 征； 将所述对应批次样本点云数据输入至前次训练后的中间目标检测模型中， 确定本次训 练后的中间目标检测模型提取的样本原 始点云特 征； 基于所述对应批次样本点云数据、 所述样本全局点云特征、 所述样本原始点云特征、 所 述辅助模型和所述中间目标检测模型， 确定所述本次训练后的中间目标检测模型的模型损 失。 5.根据权利要求4所述的模型训练方法， 其特征在于， 所述辅助模型包括信 息提取模块 和信息补充模块， 所述将所述样本点云数据集中对应批次样本点云数据输入至所述辅助模 型中， 确定所述辅助模型本次获取的样本全局点云特 征， 包括： 使用所述信 息提取模块， 对所述样本点云数据集中对应批次样本点云数据进行关键信 息提取， 确定所述对应批次样本点云数据中样本目标的关键点云特 征； 使用所述信 息补充模块和所述对应批次样本点云数据， 对所述关键点云特征进行局部 信息补充， 确定所述辅助模型本次获取的样本全局点云特 征。 6.根据权利要求5所述的模型训练方法， 其特征在于， 所述使用所述信息提取模块， 对 所述样本点云数据集中对应批次样本点云数据进 行关键信息提取， 确定所述对应批次样本 点云数据中样本目标的关键点云特 征， 包括： 获取所述样本点云数据集中对应批次样本点云数据的样本边界框参数信息； 基于所述样本边界框参数信息， 确定样本边界框内点云数据； 使用所述信息提取模块对所述样本边界框参数信息和所述样本边界框内点云数据分权　利　要　求　书 1/2 页 2 CN 115019135 A 2别进行多层感知处 理， 确定样本目标边界框特 征信息和样本边界框内特 征数据； 使用所述信息提取模块对所述样本目标边界框特征信息和所述样本边界框内特征数 据进行融合， 确定所述对应批次样本点云数据中样本目标的关键点云特 征。 7.根据权利要求5所述的模型训练方法， 其特征在于， 所述使用所述信 息补充模块和所 述对应批次样本点云数据， 对所述关键点云特征进行局部信息补充， 确定所述辅助模型本 次获取的样本全局点云特 征， 包括： 对所述对应批次样本点云数据进行采样， 确定采样点云数据； 使用所述信 息补充模块对所述采样点云数据进行多层次特征提取， 确定采样点云局部 特征； 使用所述信 息补充模块对所述关键点云特征和所述采样点云局部特征进行融合， 确定 所述辅助模型本次获取的样本全局点云特 征。 8.根据权利要求4所述的模型训练方法， 其特征在于， 所述基于所述对应批次样本点云 数据、 所述样本全局点云特征、 所述样本原始 点云特征、 所述辅助模 型和所述中间目标检测 模型， 确定所述本次训练后的中间目标检测模型的模型损失， 包括： 基于所述样本全局点云特 征和本次训练后的中间目标检测模型， 确定第一损失； 基于所述对应批次样本点云数据和所述本次训练后的中间目标检测模型， 确定第 二损 失； 基于所述对应批次样本点云数据和所述辅助模型， 确定第三损失； 基于所述本次训练后的中间目标检测模型确定的样本原始点云特征和所述样本全局 点云特征， 确定第四损失； 基于所述第 一损失、 所述第 二损失、 所述第三损失和所述第四损失， 确定本次训练后的 中间目标检测模型的模型损失。 9.一种目标检测方法， 其特 征在于， 包括： 获取待测点云数据、 以及按照权利要求1至8任一所述模型训练方法训练确定的预设目 标检测模型； 将所述待测点云数据输入至所述预设目标检测模型中， 并根据 所述预设目标检测模型 的输出结果， 确定所述待测点云数据中待测目标的目标检测结果。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在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程序时实现如权利要求1至8任一项所述模型训 练方法， 或者权利要求9所述目标检测方法。 11.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机 程序被处理器执行时实现如权利要求1至8任一项所述模型训练方法， 或者权利要求9所述 目标检测方法。 12.一种计算机程序产品， 包括计算机程序， 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8任一项所述模型训练方法， 或者权利要求9所述目标检测方法。权　利　要　求　书 2/2 页 3 CN 115019135 A 3