【技术实现步骤摘要】
基于稀疏卷积神经网络的3D物体检测方法及装置本申请要求在2020年5月7日提交中国专利局、申请号为202010378865.7、申请名称为“基于稀疏卷积神经网络的3D物体检测方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本公开涉及人工智能领域，尤其涉及一种基于稀疏卷积神经网络的3D物体检测方法及装置。
技术介绍
在机场、地铁等场景中，通常需要对箱包等物品进行安检，安检设备通常会生成类似于RGB(RedGreenBlue，红绿蓝)图片的伪彩色箱包图片，以供安检员进行危险品的检查。安检的自动化可以帮助加快安检的流程，避免安检的错误，减少安检的人力，因此具有重要意义。现有的新型安检设备已经能够快速重建出分辨率较高的3D(3-Dimensional，三维)箱包图像(一种伪彩色的显示如图1所示)，而3D图像虽然提供了更多的视觉信息，但是不仅可视化困难，而且即使可视化成功也需要操作员的额外操作，反而减缓了安检流程的速度。目前，实现3D图像上的物体检测主要有两种方法。一种方法是通过拓展2D...
【技术保护点】
1.一种基于稀疏卷积神经网络的3D物体检测方法，其特征在于，所述稀疏卷积神经网络包括预处理子网络、稀疏卷积子网络及检测子网络，所述方法包括：/n通过所述预处理子网络，对待检测的3D图像进行预处理，得到第一特征图，所述待检测的3D图像是通过X射线对待检测的物体进行重建得到的；/n通过所述稀疏卷积子网络，对所述第一特征图进行特征提取，得到第二特征图；/n通过所述检测子网络，对所述第二特征图进行检测，得到所述3D图像的物体检测结果，所述物体检测结果包括物体的边界信息、物体的类别及物体置信度。/n
【技术特征摘要】
20200507 CN 20201037886571.一种基于稀疏卷积神经网络的3D物体检测方法，其特征在于，所述稀疏卷积神经网络包括预处理子网络、稀疏卷积子网络及检测子网络，所述方法包括：
通过所述预处理子网络，对待检测的3D图像进行预处理，得到第一特征图，所述待检测的3D图像是通过X射线对待检测的物体进行重建得到的；
通过所述稀疏卷积子网络，对所述第一特征图进行特征提取，得到第二特征图；
通过所述检测子网络，对所述第二特征图进行检测，得到所述3D图像的物体检测结果，所述物体检测结果包括物体的边界信息、物体的类别及物体置信度。
2.根据权利要求1所述的方法，其特征在于，所述通过所述预处理子网络，对待检测的3D图像进行预处理，得到第一特征图，包括：
对待检测的3D图像进行特征提取，得到第三特征图，所述第三特征图包括三个通道，分别表示构成物体的物质的密度、原子序数及电子密度；
对所述第三特征图进行归一化处理及尺寸调整，得到第四特征图；
通过所述预处理子网络，对所述第四特征图进行特征提取，得到所述待检测的3D图像的第一特征图。
3.根据权利要求1所述的方法，其特征在于，所述通过所述检测子网络，对所述第二特征图进行检测，得到所述3D图像的物体检测结果，包括：
根据预设的锚框的种类数及预设的物体的类别数，通过所述检测子网络，对所述第二特征图进行特征提取，得到第五特征图，所述第五特征图为稠密存储格式，所述第五特征图中的每个空间点对应多个锚框，每个锚框与变换参数、物体置信度及物体属于各个类别的概率相对应；
根据所述多个锚框、与各个锚框对应的变换参数、物体置信度及物体属于各个类别的概率，确定所述3D图像的物体检测结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个锚框、与各个锚框对应的变换参数、物体置信度及物体属于各个类别的概率，确定所述3D图像的物体检测结果，包括：
对于任一锚框，根据与所述锚框对应的变换参数，对所述锚框进行变换，得到与所述锚框对应的检测框；
根据与所述锚框对应的物体置信度，确定与所述检测框对应的物体分值；
在所述物体分值大于或等于预设的分值阈值的情况下，根据所述检测框，确定检测到的物体的边界信息；
根据与所述锚框对应的物体置...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。