点云数据分割模型训练方法、装置、存储介质及电子设备

技术领域

本申请涉及机器学习领域，具体而言，涉及一种点云数据分割模型训练方法、装置、存储介质及电子设备。

背景技术

随着各类自动化设备在农业中的应用越来越广泛,自动化设备能够提供的信息越来越多,其中就包含二维的图像信息和三维的点云信息。三维点云分割任务(或过程)是三维的点云信息的应用过程中的重要步骤。三维点云分割任务较为依赖三维点云数据的标注数据。

相比与二维图像的标注,三维点云数据的标注更加具有难度性。目前三维点云分割任务的需求越来越多，现有的三维点云分割算法严重依赖标注数据，但三维点云数据的标注难度大、周期长、成本高。从而导致三维点云分割的实现难度大、周期长以及成本高。

发明内容

本申请的目的在于提供一种点云数据分割模型训练方法、装置、存储介质及电子设备，以至少部分改善上述问题。

为了实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供一种点云数据分割模型训练方法，所述方法包括：

获取初始模型对第一点云数据的标注结果，其中，所述第一点云数据为未进行人工标注的点云数据，所述标注结果包括所述第一点云数据每一个点对应的预测类别和置信度；

根据所述标注结果从所述第一点云数据中确定用于作为训练样本的样本点云数据；

基于所述样本点云数据对所述初始模型进行加权训练，以使所述初始模型收敛，其中，所述样本点云数据的每个点的权重与其对应的置信度负相关。

第二方面，本申请实施例提供一种点云数据分割模型训练装置，所述装置包括：

处理单元，用于获取初始模型对第一点云数据的标注结果，其中，所述第一点云数据为未进行人工标注的点云数据，所述标注结果包括所述第一点云数据每一个点对应的预测类别和置信度；

所述处理单元还用于根据所述标注结果从所述第一点云数据中确定用于作为训练样本的样本点云数据；

训练单元，用于基于所述样本点云数据对所述初始模型进行加权训练，以使所述初始模型收敛，其中，所述样本点云数据的每个点的权重与其对应的置信度负相关。

第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。

第四方面，本申请实施例提供一种电子设备，所述电子设备包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现上述的方法。

相对于现有技术，本申请实施例所提供的一种点云数据分割模型训练方法、装置、存储介质及电子设备，获取初始模型对第一点云数据的标注结果，其中，第一点云数据为未进行人工标注的点云数据，标注结果包括第一点云数据每一个点对应的预测类别和置信度；根据标注结果从第一点云数据中确定用于作为训练样本的样本点云数据；基于样本点云数据对初始模型进行加权训练，以使初始模型收敛，其中，样本点云数据的每个点的权重与其对应的置信度负相关。本方案中，用于作为训练样本的样本点云数据是由初始模型进行标注的，无需通过人工标注即可获得新的训练样本，从而可以解决三维点云的人工标注的难度大、周期长以及成本高等问题。样本点云数据是根据标注结果从第一点云数据中确定的，因此样本点云数据的标注结果具有较高的可信度，在此基础上，使样本点云数据的每一个点的权重与其对应的置信度负相关，可以使得点云数据分割模型能够专注于泛化到表现不好的数据上，模型具有更好的泛化能力。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本申请实施例提供的电子设备的结构示意图；

图2为本申请实施例提供的点云数据分割模型训练方法的流程示意图；

图3为本申请实施例提供的S107的子步骤示意图；

图4为本申请实施例提供的S103的子步骤示意图；

图5为本申请实施例提供的S103的子步骤示意图之一；

图6为本申请实施例提供以中置信度点为中心的预设范围示意图；

图7为本申请实施例提供的S103的子步骤示意图之一；

图8为本申请实施例提供以高置信度点为中心的预设范围示意图；

图9为本申请实施例提供的点云数据分割模型训练方法的流程示意图之一；

图10为本申请实施例提供的点云数据分割模型训练方法的流程示意图之一；

图11为本申请实施例提供的点云数据分割模型训练方法的单元示意图。

图中：10-处理器；11-存储器；12-总线；13-通信接口；201-处理单元；202-训练单元。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

点云数据分割模型的训练需要大量的标注数据。而三维点云的人工标注存在难度大、周期长以及成本高等问题。如何在减少人工标注的成本的前提下，完成对点云数据分割模型的训练，正是本申请方案想要克服的问题。

本申请实施例提供了一种电子设备，可以是计算机设备或服务器。请参照图1，电子设备的结构示意图。电子设备包括处理器10、存储器11、总线12。处理器10、存储器11通过总线12连接，处理器10用于执行存储器11中存储的可执行模块，例如计算机程序。

处理器10可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，点云数据分割模型训练方法的各步骤可以通过处理器10中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

存储器11可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

总线12可以是ISA(Industry Standard Architecture)总线、PCI(PeripheralComponent Interconnect)总线或EISA(Extended Industry Standard Architecture)总线等。图1中仅用一个双向箭头表示，但并不表示仅有一根总线12或一种类型的总线12。

存储器11用于存储程序，例如点云数据分割模型训练装置对应的程序。点云数据分割模型训练装置包括至少一个可以软件或固件(firmware)的形式存储于存储器11中或固化在电子设备的操作系统(operating system，OS)中的软件功能模块。处理器10在接收到执行指令后，执行所述程序以实现点云数据分割模型训练方法。

可能地，本申请实施例提供的电子设备还包括通信接口13。通信接口13通过总线与处理器10连接。电子设备可以通过通信接口13与其他终端进行通讯。

应当理解的是，图1所示的结构仅为电子设备的部分的结构示意图，电子设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

本申请实施例提供的一种点云数据分割模型训练方法，可以但不限于应用于图1所示的电子设备，具体的流程，请参考图2，点云数据分割模型训练方法包括：

S102，获取初始模型对第一点云数据的标注结果。

其中，第一点云数据为未进行人工标注的点云数据，标注结果包括第一点云数据每一个点对应的预测类别和置信度。

可以理解地，初始模型为已经完成初步训练的一个点云数据分割模型(神经网络模型)。初始模型可以对第一点云数据进行语义分割，获得第一点云数据的标注结果，标注结果包括第一点云数据每一个点对应的预测类别和置信度。例如某一个点的预测类别为电线杆，置信度90；或者预测类别为电线，置信度80等等。当然地，预测类别还可以为池塘、田、路以及房屋等等。在一种可能的实现方式中，预测类别可以为空。

S103，根据标注结果从第一点云数据中确定用于作为训练样本的样本点云数据。

可以理解地，在一种可能的实现方式中，第一点云数据中一部分点的预测类别对应的置信度高于置信度合格线，说明该部分点的预测类别的可信度较高，该部分点可以作为训练样本，参与后续点云数据分割模型的训练。确定样本点云数据的具体过程，请参见后文中S103-1至S103-3中的内容。

S107，基于样本点云数据对初始模型进行加权训练，以使初始模型收敛。

其中，样本点云数据的每个点的权重与其对应的置信度负相关。

本申请方案中，用于作为训练样本的样本点云数据是由初始模型进行标注的，无需通过人工标注即可获得新的训练样本，从而可以解决三维点云的人工标注的难度大、周期长以及成本高等问题。样本点云数据是根据标注结果从第一点云数据中确定的，因此样本点云数据的标注结果具有较高的可信度，在此基础上，使样本点云数据的每一个点的权重与其对应的置信度负相关，可以使得点云数据分割模型能够专注于泛化到表现不好的数据上，使模型具有更好的泛化能力。

需要说明的是，虽然样本点云数据携带的是非人工标注的伪标签(每一个点的预测类别)，但也是通过置信度进行筛选后，由可信度较高的预测类别所构成的。所以样本点云数据携带的伪标签是准确度有保障的，不会导致点云数据分割模型向错误的方向学习。并且，样本点云数据的每一个点的权重与其对应的置信度负相关，即置信度越高则权重越低。其目的是，为了让点云数据分割模型能够专注于泛化到表现不好的数据上(置信度低的数据)。

综上所述，本申请实施例提供了一种点云数据分割模型训练方法，获取初始模型对第一点云数据的标注结果，其中，第一点云数据为未进行人工标注的点云数据，标注结果包括第一点云数据每一个点对应的预测类别和置信度；根据标注结果从第一点云数据中确定用于作为训练样本的样本点云数据；基于样本点云数据对初始模型进行加权训练，以使初始模型收敛，其中，样本点云数据的每个点的权重与其对应的置信度负相关。本方案中，用于作为训练样本的样本点云数据是由初始模型进行标注的，无需通过人工标注即可获得新的训练样本，从而可以解决三维点云的人工标注的难度大、周期长以及成本高等问题。样本点云数据是根据标注结果从第一点云数据中确定的，因此样本点云数据的标注结果具有较高的可信度，在此基础上，使样本点云数据的每一个点的权重与其对应的置信度负相关，可以使得点云数据分割模型能够专注于泛化到表现不好的数据上，模型具有更好的泛化能力。

在图2的基础上，关于S107中的内容，本申请实施例还提供了一种可能的实现方式，请参考图3，S107包括S107-1。

S107-1，基于第二点云数据和样本点云数据对初始模型进行加权训练。

其中，第二点云数据为已经完成人工标注的点云数据，第二点云数据的点对应的权重高于样本点云数据的点对应的权重。

在一种可能的实现方式中，可以按照预设定比例获取第二点云数据和样本点云数据。

可以理解地，同时将多组第二点云数据和多组样本点云数据，作为点云数据分割模型的训练集，相对于完全使用第二点云数据作为点云数据分割模型的训练集，本申请方案中需要进行人工标注的数据更少，从而降低了标注的难度和成本。

可以理解地，人工标注的点云数据的标签准确率具有保障，所以第二点云数据的点对应的权重高于样本点云数据的点对应的权重，从而保障模型的训练效果。

在一种可能的实现方式中，第二点云数据中每个点对应的权重为1。

在一种可能的实现方式中，在执行S107-1后，重复执行上述的S102-S107，直到点云数据分割模型可以稳定泛化在样本点云数据上，点云数据分割模型收敛，点云数据分割模型的各项指标不再发生改变。

在图2的基础上，对于S103中的内容，本申请实施例还提供了一种可能的实现方式，请参考图4，S103包括S103-1。

S103-1，将第一点云数据中的高置信度点确定为样本点云数据。

其中，高置信度点为预测类别对应的置信度大于或等于第一置信度阈值的点。

在一种可能的实现方式中，对标注结果中第一点云数据的每一个点对应的预测类别和置信度进行遍历，筛选出对应的预测类别的置信度大于或等于第一置信度阈值的点，确定为高置信度点。第一置信度阈值可以理解为高阈值TH。可以理解地，置信度大于或等于第一置信度阈值的点，表示该点的置信度较高，对应的预测类别可以信任，可以将该点作为样本点云数据。所以，使用样本点云数据对点云数据分割模型进行训练，不会导致点云数据分割模型向错误的方向学习。

在一种可能的实现方式中，不同预测类别对应的第一置信度阈值可能不完全同。例如，点A的预测类别为电线，对应的置信度为85，电线对应的第一置信度阈值为80，那么点A可以确定为高置信度点，可以将电线确定为点A的伪标签；点B的预测类别为马路，对应的置信度为85，马路对应的第一置信度阈值为90，那么点B不能被确定为高置信度点。

在图4的基础上，当高置信度点的数量较少时，训练集中携带伪标签的样本点云数据不够丰富，为了丰富样本点云数据，本申请实施例还提供了一种可能的实现方式，请参考图5，S103还包括S103-3。

S103-3，将第一点云数据中的中置信度点确定为样本点云数据。

其中，中置信度点为预测类别对应的置信度小于第一置信度阈值，大于第二置信度阈值的点，且以中置信度点为中心的预设范围内至少存在一个与中置信度点的预测类别相同的高置信度点。

具体地，请参考图6，图6中的点A为高置信度点。由图6可知，在以点A1为中心的预设范围内(图6中的圆圈部分)，存在与点A1的预测类别相同的点A。即点A与点A1的预测类别相同，点A的置信度大于对应的第一置信度阈值，点A1的置信度大于第二置信度阈值，且小于第一置信度阈值，点A位于以点A1为中心的预设范围内，即可以确定点A1为中置信度点。

在对应的预测类别的置信度小于第一置信度阈值，大于第二置信度阈值的情况下，通过验证以其为中心的预设范围内至少存在一个与其的预测类别相同的高置信度点，判断其对应的预测类别是否准确，若存在，则说明该点对应的预测类别的准确度较高，对应的预测类别可以信任，可以将该中置信度点确定为样本点云数据，该中置信度点对应的预测类别作为样本点云数据的伪标签。从而在保障样本点云数据携带的伪标签准确的前提下，丰富了样本点云数据。

可选地，在第一点云数据中的点既不是高置信度点，又不是中置信度点的情况下，可以将该点的预测类别设置为空。

在图5的基础上，关于如何确定中置信度点，本申请实施例还提供了一种可能的实现方式，请参考下文，S103还包括：

在S103-1之后，筛选出所有置信度小于第一置信度阈值，且大于第二置信度阈值的点，作为待确认点；

判断每一个待确认点的预设范围内是否至少存在一个与待确认点的预测类别相同的高置信度点，若是，则将待确认点作为中置信度点。

请继续参考图6，假设点A1为待确认点，其置信度小于第一置信度阈值，且大于第二置信度阈值；以点A1为中心的预设范围为图6中的灰色区域。假设在图6中的灰色区域内存在两个高置信度点，分别是点A和点B。此时，判断点A1的预测类别是否与点A或点B的预测类别相同，当点A1的预测类别与点A或点B中的任意一个的预测类别相同时，可以将点A1确定为中置信度点，将点A1的预测类别作为点A1的伪标签。该方式相比后文中图8对应的方式，可以避免存在部分点同时位于多个高置信度点的预设范围内，重复多次判断其是否为中置信度点的过程。

在图4的基础上，关于如何确定中置信度点，本申请实施例还提供了一种可能的实现方式，请参考图7，S103还包括S103-2和S103-3。

S103-2，从高置信度点为中心的预设区域内的各个点中筛选出与高置信度点的预测类别相同，且对应的置信度小于第一置信度阈值大于第二置信度阈值的点作为中置信度点。

可选地，依据K临近算法搜索高置信度点为中心的预设范围，以获得待确认点。

具体地，在S103-1已经筛选出高置信度点的情况下，K临近算法搜索高置信度点为中心的预设范围，以获得待确认点，所有待确认的点组合为点集P。可选地，点集P不包括除中心处的高置信度点以外的其他的高置信度点。请参考图8，假设点B为高置信度点，以点B为中心的预设范围为图8中灰色部分对应的区域。由图8可知，点B1、点B2、点B3、点B4、点C1以及点M1均处于灰色部分对应的区域，即点B1、点B2、点B3、点B4、点C1以及点M1均为待确认的点。点B对应的点集P包括：点B1、点B2、点B3、点B4、点C1以及点M1。

然后，将待确认点集P中对应的预测类别与高置信度点的预测类别相同，且预测类别的置信度小于第一置信度阈值，大于第二置信度阈值的点，确定为中置信度点。

继续参考图8，分别判断点B1、点B2、点B3、点B4、点C1以及点M1对应的预测类别是否与点B的预测类别相同，筛选出与点B的预测类别相同的点B1、点B2、点B3以及点B4。然后判断点B1、点B2、点B3以及点B4的预测类别的置信度是否小于第一置信度阈值，大于第二置信度阈值，将点B1、点B2、点B3以及点B4中置信度满足上述范围的点确定为中置信度点。

S103-3，将第一点云数据中的中置信度点确定为样本点云数据。

在一种可能的实现方式中，可以将第一点云数据中高置信度点和中置信度点对应的预测类别确定为其的伪标签，将第一点云数据中其他类型的点的伪标签设置为空。然后将添加了伪标签的第一点云数据整体作为样本点云数据进行加权训练。

在图2的基础上，在样本点云数据的每个点的初始权重与其对应的置信度负相关的情况下，关于如何确定样本点云数据中每一个点对应的最终权重，本申请实施例还提供了一种可能的实现方式，请参考图9，在S107之前，点云数据分割模型训练方法还包括：S104、S105以及S106。

S104，分别依据样本点云数据中的每一个点对应的置信度确定初始权重。

其中，初始权重与对应的置信度负相关。

可选地，可以通过将置信度带入权重-置信度线性表达式，确定对应的初始权重。或者通过其他的转换关系将置信度转换为初始权重。

S105，获取样本点云数据对应的准确评估分。

其中，准确评估分表征样本点云数据中每一种预测类别的准确度。

例如，初始模型输出的标注结果中，第一点云数据总共涉及5个预测类别，分别为电线杆、电线、田地、果树以及房屋。电线杆、电线、田地、果树以及房屋分别对应一个准确度，任意两个不同预测类别的准确度可以相同，也可以不同。

例如电线杆对应的准确度为0.5，电线对应的准确度为0.25、田地对应的准确度为0.75、果树对应的准确度为0.75，房屋对应的准确度为1.00。当然，可能存在部分预测类别的准确度为0。可以理解地，1.00表示完全准确，0.75表示大部分准确(基本准确)，0.5表示一般准确，0.25表示基本不准确，0表示完全不准确。

在一种可能的实现方式中，样本点云数据对应的准确评估分可以是人为评估并上传至电子设备的，或由电子设备自主评估获得，例如通过鉴别网络模型可以确定对应的准确度。还可以依据该类别所有点的置信度统计获得对应的准确度。

S106，依据样本点云数据中的每一个点的对应的准确评估分和初始权重确定每一个点的最终权重。

具体地，在依据样本点云数据中的每一个点对应的置信度确定初始权重之后，通过该点对应的预测类别确定该预测类别对应的准确评估分。将准确评估分与初始权重的乘积确定为每一个点的最终权重。

可以理解地，准确评估分和初始权重的取值范围都为0-1，乘法使得必须双方分值都高才能最终得到高权重，且高权重区间差异性被拉开，还能保证最终权重的取值范围也是0-1。

在图2的基础上，关于如何获得初始模型，本申请实施例还提供了一种可能的实现方式，请参考图10，点云数据分割模型训练方法还包括S101。

S101，依据第二点云数据对初始模型进行训练，直至初始模型收敛。

其中，第二点云数据为已经完成人工标注的点云数据。

可选地，通过无人机与三维重建技术获得三维点云数据，并对点云数据进行人工标注,生成带有类别标签的三维点云数据(第二点云数据)，作为训练集D1；基于训练数据D1进行多次训练,得到一个初步收敛的点云数据分割模型M1，该模型在测试集上的性能不会随着再次训练的结果而有所提升。通过少量的标注数据进行训练，可以缩短整体的训练过程，节省训练时间。

本申请实施例提供的点云数据分割模型训练方法中，对于初始模型分割生成的各个类别，利用不同置信度阈值筛选的方法，筛选出高置信度伪标签数据,并且利用临近搜索的方法搜索与更新低置信度标签数据类别,生成高质量的伪标签数据,利用已有标注数据与高质量伪标签数据实现分割模型的自主迭代进化。

请参阅图11，图11为本申请实施例提供的一种点云数据分割模型训练装置，可选的，该点云数据分割模型训练装置被应用于上文所述的电子设备。

点云数据分割模型训练装置包括：处理单元201训练单元202。

处理单元201，用于获取初始模型对第一点云数据的标注结果，其中，第一点云数据为未进行人工标注的点云数据，标注结果包括第一点云数据每一个点对应的预测类别和置信度。

可选地，处理单元201可以执行上述的S102。

处理单元201还用于根据标注结果从第一点云数据中确定用于作为训练样本的样本点云数据。

可选地，处理单元201可以执行上述的S103。

训练单元202，用于基于样本点云数据对初始模型进行加权训练，以使初始模型收敛，其中，样本点云数据的每个点的权重与其对应的置信度负相关。

可选地，训练单元202可以执行上述的S107。

在一种可能的实现方式中，训练单元202还用于基于第二点云数据和样本点云数据对初始模型进行加权训练，其中，第二点云数据为已经完成人工标注的点云数据，第二点云数据的点对应的权重高于样本点云数据的点对应的权重。可选地，训练单元202可以执行上述的S107-1。

在一种可能的实现方式中，第二点云数据中每个点的权重均为1。

在一种可能的实现方式中，处理单元201还用于将第一点云数据中的高置信度点确定为样本点云数据，其中，高置信度点为预测类别对应的置信度大于或等于第一置信度阈值的点。

在一种可能的实现方式中，处理单元201还用于将第一点云数据中的中置信度点确定为样本点云数据，其中，中置信度点为预测类别对应的置信度小于第一置信度阈值，大于第二置信度阈值的点，且以中置信度点为中心的预设范围内至少存在一个与中置信度点的预测类别相同的高置信度点。

在一种可能的实现方式中，处理单元201还用于从高置信度点为中心的预设区域内的各个点中筛选出与高置信度点的预测类别相同，且对应的置信度小于第一置信度阈值大于第二置信度阈值的点作为中置信度点，并将中置信度点确定为样本点云数据。

可选地，处理单元201还可以执行上述的S103-1至S103-3。

在一种可能的实现方式中，样本点云数据的每个点的初始权重与其对应的置信度负相关，处理单元201还用于分别依据样本点云数据中的每一个点对应的置信度确定初始权重；获取样本点云数据对应的准确评估分，其中，准确评估分表征样本点云数据中每一种预测类别的准确度；依据样本点云数据中的每一个点的对应的准确评估分和初始权重确定每一个点的最终权重。

可选地，处理单元201还可以执行上述的S104至S106。

在一种可能的实现方式中，训练单元202还用于依据第二点云数据对初始模型进行训练，直至初始模型收敛；其中，第二点云数据为已经完成人工标注的点云数据。可选地，训练单元202还可以执行上述的S101。

需要说明的是，本实施例所提供的点云数据分割模型训练装置，其可以执行上述方法流程实施例所示的方法流程，以实现对应的技术效果。为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。

本申请实施例还提供了一种存储介质，该存储介质存储有计算机指令、程序，该计算机指令、程序在被读取并运行时执行上述实施例的点云数据分割模型训练方法。该存储介质可以包括内存、闪存、寄存器或者其结合等。

下面提供一种电子设备，可以是计算机设备或服务器设备，该电子设备如图1所示，可以实现上述的点云数据分割模型训练方法；具体的，该电子设备包括：处理器10，存储器11、总线12。处理器10可以是CPU。存储器11用于存储一个或多个程序，当一个或多个程序被处理器10执行时，执行上述实施例的点云数据分割模型训练方法。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。