本申请涉及计算机，具体而言，涉及一种三维点云的标签迭代校正方法、装置、介质及设备。
背景技术：
1、三维点云的语义理解是三维领域的一个重要研究方向。虽然现有的三维深度神经网络在深度学习领域逐步达到更高的性能，特别是在卷积神经网络(cnns)、图神经网络(gnns)和深度神经网络(dnns)领域。这些神经网络有效的一个主要因素是使用高精度、仔细注释和标记的数据。
2、然而，由于所使用设备的精确度限制、障碍物遮挡或者其他环境扰动等因素会将噪声引入数据集中，进而使得高质量的点云数据集较难获取。在目前的技术方案中，常采用对离群点或者噪声点进行移除的方法进行噪声去除，虽然有一定效果，但是过度的噪声点丢弃会导致大量的数据丢失，而在所有噪声点中选择性的去除仍然会使学习过程受到剩余噪声数据的影响。
3、由此，如何准确分离并校正点云数据集中的污染标签样本，保证后续神经网络训练的有效性成为了亟待解决的技术问题。
技术实现思路
1、本申请的实施例提供了一种三维点云的标签迭代校正方法、装置、介质及设备，进而至少在一定程度上可以准确分离并校正点云数据集中的污染标签样本，保证后续神经网络训练的有效性。
2、本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
3、根据本申请实施例的一个方面，提供了一种三维点云的标签迭代校正方法，其采用训练完成的若干验证器对原始点云进行至少一轮标签迭代校正，得到标签校正后的目标点云；
4、其中，在每一轮标签迭代校正中，包括：
5、将所述原始点云中的每一个点及其在上一轮确定的校正标签分别输入至若干所述验证器中，以使各所述验证器分别输出所述原始点云中各点为干净样本或者污染样本的判断结果；
6、针对被各所述验证器确定为污染样本的点，将所述污染样本分别输入至各所述验证器包含的深度神经网络中，以使各所述深度神经网络输出所述污染样本对应的预测标签；
7、根据所述污染样本对应的不同类别的预测标签之间的数量关系，确定所述污染样本在当前轮对应的校正标签。
8、根据本申请实施例的一个方面，提供了一种三维点云的标签迭代校正装置，该装置被配置为：采用训练完成的若干验证器对原始点云进行至少一轮标签迭代校正，得到标签校正后的目标点云；
9、其中，在每一轮标签迭代校正中，包括：
10、将所述原始点云中的每一个点及其在上一轮确定的校正标签分别输入至若干所述验证器中，以使各所述验证器分别输出所述原始点云中各点为干净样本或者污染样本的判断结果；
11、针对被各所述验证器确定为污染样本的点，将所述污染样本分别输入至各所述验证器包含的深度神经网络中，以使各所述深度神经网络输出所述污染样本对应的预测标签；
12、根据所述污染样本对应的不同类别的预测标签之间的数量关系，确定所述污染样本在当前轮对应的校正标签。
13、根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的三维点云的标签迭代校正方法。
14、根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的三维点云的标签迭代校正方法。
15、根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的三维点云的标签迭代校正方法。
16、在本申请的一些实施例所提供的技术方案中，采用训练完成的若干验证器对原始点云进行至少一轮标签迭代校正，得到标签校正后的目标点云，其中，在每一轮标签迭代校正中，将原始点云中的每个点及其在上一轮确定的校正标签分别输入至若干验证器中，以使各验证器分别输出原始点云中各点为干净样本或者污染样本的判断结果，接着，针对被各验证器确定为污染样本的点，将该污染样本分别输入至各验证器包含的深度神经网络中，以使各深度神经网络输出污染样本对应的预测标签，再根据污染样本对应的不同类别的预测标签之间的数量关系，确定污染样本在当前轮对应的校正标签。由此，通过多个验证器协同识别并校正原始点云中的污染样本，不仅能够提高污染样本识别的准确性，还能够保证每次校正后的标签的准确性，进而保证后续神经网络训练的有效性。
17、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
1.一种三维点云的标签迭代校正方法，其特征在于，采用训练完成的若干验证器对原始点云进行至少一轮标签迭代校正，得到标签校正后的目标点云；
2.根据权利要求1所述的方法，其特征在于，根据所述污染样本对应的不同类别的预测标签之间的数量关系，确定所述污染样本在当前轮对应的校正标签，包括：
3.根据权利要求1所述的方法，其特征在于，根据所述污染样本对应的不同类别的预测标签之间的数量关系，确定所述污染样本在当前轮对应的校正标签，包括：
4.根据权利要求1所述的方法，其特征在于，在每一轮标签迭代校正中，还包括：
5.根据权利要求1所述的方法，其特征在于，在对各验证器进行训练之前，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述验证器还包括高斯混合模型，所述验证器采用交叉熵损失确定深度神经网络所输出的点的预测标签和与其对应的输入标签之间的损失值，并通过高斯混合模型拟合分布损失，确定对应的干净概率，当所述损失值小于所述干净概率时，确定该点为干净样本。
7.一种三维点云的标签迭代校正装置，其特征在于，该装置被配置为：采用训练完成的若干验证器对原始点云进行至少一轮标签迭代校正，得到标签校正后的目标点云；
8.根据权利要求7所述的装置，其特征在于，根据所述污染样本对应的不同类别的预测标签之间的数量关系，确定所述污染样本在当前轮对应的校正标签，包括：
9.一种计算机可读介质，其上存储有计算机程序，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6中任一项所述的三维点云的标签迭代校正方法。
10.一种电子设备，其特征在于，包括：
