本技术涉及深度学习，尤其涉及一种三维模型训练数据的确定方法、装置、设备及存储介质。
背景技术：
1、物体三维点云关键点提取是现阶段计算机视觉和深度学习领域的一个重要研究方向。在处理三维点云数据时，提取关键点可以帮助识别和描述物体的重要特征，为后续任务提供有用信息。
2、现有技术中，通常基于深度学习技术，根据物体三维模型的特征数据，进行网络模型的训练，得到能够提取物体三维点云关键点的深度学习网络模型。
3、然而，现有技术所准备的物体三维模型的特征数据量过大，造成模型训练效率低、模型训练过程中无法保证目标判断准确度的问题。
技术实现思路
1、本技术提供一种三维模型训练数据的确定方法、装置、设备及存储介质，用以解决现有技术中针对物体三维点云关键点提取的深度学习系统中，模型训练集数据量繁杂、点云模型关键点提取精度低的问题。
2、第一方面，本技术提供一种三维模型训练数据的确定方法，应用于物体三维点云关键点提取的深度学习系统，包括：
3、确定第一模型训练数据，第一模型训练数据根据属于初始类别的第一物体三维模型特征数据、以及对第一物体三维模型特征数据进行模型参数调整处理后得到的变换特征数据确定；
4、根据第一模型训练数据，得到第一深度学习模型；
5、将模型测试数据输入至第一深度学习模型，得到第一关键点预测结果，模型测试数据为从属于初始类别的第一物体三维模型特征数据中选取的点云模型测试数据；
6、根据第二关键点预测结果，确定第一关键点预测结果中的目标关键点预测结果，其中，第二关键点预测结果为将模型测试数据输入至第二深度学习模型后得到的预测结果，第二深度学习模型为根据属于各个类别的第二物体三维模型特征数据训练得到的深度学习模型；
7、根据目标关键点预测结果，确定第一模型训练数据中的目标模型训练数据，以根据目标模型训练数据，得到目标深度学习模型。
8、在本技术实施例中，确定第一模型训练数据，包括：
9、从属于各个类别的第二物体三维模型特征数据中选取属于初始类别的第一物体三维模型特征数据；
10、调整第一物体三维模型特征数据中的尺寸参数和方向参数，得到变换特征数据；
11、根据第一物体三维模型特征数据和变换特征数据，确定第一模型训练数据。
12、在本技术实施例中，确定第一关键点预测结果中的目标关键点预测结果之前，方法还包括：
13、获取初始物体三维模型的特征数据；
14、根据初始物体三维模型在二维坐标轴中的投影图形，确定初始物体三维模型的模型类别；
15、根据初始物体三维模型的模型类别，构建各个类别的第二物体三维模型；
16、根据初始物体三维模型的特征数据，确定第二物体三维模型的特征数据；
17、根据第二物体三维模型的特征数据，得到第二深度学习模型。
18、在本技术实施例中，根据第二关键点预测结果，确定第一关键点预测结果中的目标关键点预测结果，包括：
19、将第一关键点预测结果与第二关键点预测结果进行比对，得到第一关键点预测结果的相似度比对结果；
20、根据第一关键点预测结果的相似度比对结果，确定第一关键点预测结果中的目标关键点预测结果。
21、在本技术实施例中，将第一关键点预测结果与第二关键点预测结果进行比对，得到第一关键点预测结果的相似度比对结果，方法还包括：
22、根据第一关键点预测结果中的第一关键点位置信息和第二关键点预测结果中的第二关键点位置信息，得到关键点预测位置距离比对结果；
23、根据第一关键点预测结果中的第一关键点数量信息和第二关键点预测结果中的第二关键点数量信息，得到关键点预测数量比对结果；
24、根据关键点预测位置距离比对结果和关键点预测数量比对结果，得到第一关键点预测结果的相似度比对结果。
25、在本技术实施例中，根据第一关键点预测结果中的第一关键点位置信息和第二关键点预测结果中的第二关键点位置信息，得到关键点预测位置距离比对结果，方法还包括：
26、根据第一关键点预测结果中的第一关键点位置信息，确定第一关键点三维坐标；
27、根据第二关键点预测结果中的第二关键点位置信息，确定第二关键点三维坐标；
28、将第一关键点三维坐标、以及第二关键点三维坐标放入可视化三维坐标轴中，得到第一关键点三维坐标与第二关键点三维坐标之间的关键点坐标距离；
29、根据关键点坐标距离，得到关键点预测位置距离比对结果。
30、在本技术实施例中，在根据目标关键点预测结果，确定第一模型训练数据中的目标模型训练数据之后，方法还包括：
31、根据目标模型训练数据，确定与目标模型训练数据对应的目标第一物体的目标类别；
32、根据目标模型训练数据和目标类别，得到属于目标类别的深度学习模型。
33、第二方面，本技术提供一种三维模型训练数据的确定装置，包括：
34、第一数据确定模型，用于确定第一模型训练数据，第一模型训练数据根据属于初始类别的第一物体三维模型特征数据、以及对第一物体三维模型特征数据进行模型参数调整处理后得到的变换特征数据确定；
35、第一点云模型得到模块，用于根据第一模型训练数据，得到第一深度学习模型；
36、第一预测结果得到模块，用于将模型测试数据输入至第一深度学习模型，得到第一关键点预测结果，模型测试数据为从属于初始类别的第一物体三维模型特征数据中选取的点云模型测试数据；
37、目标预测结果确定模块，用于根据第二关键点预测结果，确定第一关键点预测结果中的目标关键点预测结果，其中，第二关键点预测结果为将模型测试数据输入至第二深度学习模型后得到的预测结果，第二深度学习模型为根据属于各个类别的第二物体三维模型特征数据训练得到的深度学习模型；
38、目标数据确定模块，用于根据目标关键点预测结果，确定第一模型训练数据中的目标模型训练数据，以根据目标模型训练数据，得到目标深度学习模型。
39、第三方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
40、所述存储器存储计算机执行指令；
41、所述处理器执行所述存储器存储的计算机执行指令，以实现本技术实施例的方法。
42、第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现本技术实施例的方法。
43、本技术提供的三维模型训练数据的确定方法、装置、设备及存储介质，通过确定第一模型训练数据，第一模型训练数据根据属于初始类别的第一物体三维模型特征数据、以及对第一物体三维模型特征数据进行模型参数调整处理后得到的变换特征数据确定；根据第一模型训练数据，得到第一深度学习模型；将模型测试数据输入至第一深度学习模型，得到第一关键点预测结果，模型测试数据为从属于初始类别的第一物体三维模型特征数据中选取的点云模型测试数据；根据第二关键点预测结果，确定第一关键点预测结果中的目标关键点预测结果，其中，第二关键点预测结果为将模型测试数据输入至第二深度学习模型后得到的预测结果，第二深度学习模型为根据属于各个类别的第二物体三维模型特征数据训练得到的深度学习模型；根据目标关键点预测结果，确定第一模型训练数据中的目标模型训练数据，以根据目标模型训练数据，得到目标深度学习模型的手段，可以减少噪声和不相关信息的影响，使得深度学习模型更加关注物体三维模型的核心特征和模式，从而提高了深度学习模型再新数据上的泛化能力；有效降低了模型过拟合的问题，使得训练得到的目标深度学习模型更具有普适性；同时可以使得模型更加高效地学习数据之间的关系和模式，从而提高模型的效率和性能，使得模型更能够反应三维物体的真实情况。
1.一种三维模型训练数据的确定方法，其特征在于，应用于物体三维点云关键点提取的深度学习系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述确定第一模型训练数据，包括：
3.根据权利要求1所述的方法，其特征在于，在所述根据第二关键点预测结果，确定所述第一关键点预测结果中的目标关键点预测结果之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述根据第二关键点预测结果，确定所述第一关键点预测结果中的目标关键点预测结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述将所述第一关键点预测结果与所述第二关键点预测结果进行比对，得到所述第一关键点预测结果的相似度比对结果，方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一关键点预测结果中的第一关键点位置信息和所述第二关键点预测结果中的第二关键点位置信息，得到关键点预测位置距离比对结果，方法还包括：
7.根据权利要求1所述的方法，其特征在于，在所述根据所述目标关键点预测结果，确定所述第一模型训练数据中的目标模型训练数据之后，所述方法还包括：
8.一种三维模型训练数据的确定装置，其特征在于，应用于物体三维点云关键点提取的深度学习系统，包括：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法。
