一种可重参数化的轻量级体素深度学习方法技术

本发明专利技术公开一种可重参数化的轻量级体素深度学习方法，包括：获取体素网格，将体素网格输入有若干个大小不同卷积核的3DCNN网络进行训练，获得训练好的若干个大小不同的卷积核；将若干个大小不同的卷积核进行重参数化，获得重参数化的3DCNN网络；基于重参数化的3DCNN网络对体素网格进行推理，获得最终体素网格特征。本发明专利技术在训练时采用多个卷积核提取体素特征，在推理时会将多个卷积核融合成一个卷积核以减少复杂度，但其推理最终效果不变；本发明专利技术基于体素方法采用的是低分辨率，将具有更少的内存占用；模型只对点云扫描一次，从而降低了内存成本和时间成本。内存成本和时间成本。内存成本和时间成本。

【技术实现步骤摘要】
一种可重参数化的轻量级体素深度学习方法


[0001]本专利技术涉及计算机视觉领域和神经网络领域，特别是涉及一种可重参数化的轻量级体素深度学习方法。

技术介绍

[0002]随着三维点云的快速发展，对三维点云进行深度学习已经越来越受欢迎。现阶段的三维点云深度学习主要有三种方法：基于点云的(point based)；基于体素的(voxel based)和基于多视图的(multi
‑
view based)。其中基于点云的方法主要是直接对点进行处理。基于体素的方法是先对点云进行体素化，然后再将体素化后的点云放入三维卷积神经网络(3DCNN)中进行特征提取。多视图的方法是将同一个三维物体，转化为不同视角下“拍摄”所得到的二维图像，将这些二维图像作为训练数据，使用二维卷积进行特征提取。
[0003]基于点云的方法大多数时间浪费在构造稀疏数据上，而不是在实际特征提取上；基于多视图的方法首先就是网络不允许我们无限制的使用各个视角的图片，所以固定数量的多视角图片可能无法将三维模型完全表示出来，很可能出现信息的丢失，比如物体自遮挡等。还有就本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可重参数化的轻量级体素深度学习方法，其特征在于，包括：获取体素网格，将所述体素网格输入有若干个大小不同卷积核的3DCNN网络进行训练，获得训练好的若干个大小不同的卷积核；将若干个所述大小不同的卷积核进行重参数化，获得重参数化的3DCNN网络；基于重参数化的3DCNN网络对所述体素网格进行推理，获得最终体素网格特征。2.根据权利要求1所述的可重参数化的轻量级体素深度学习方法，其特征在于，获取体素网格的过程包括：获取点云集合，对所述点云集合进行归一化处理，再将归一化处理后的点云数据进行体素化，获得所述体素网格。3.根据权利要求2所述的可重参数化的轻量级体素深度学习方法，其特征在于，对所述点云集合进行归一化处理的过程中包括：将所述点云集合中的所有点的原坐标转换到以重心为原点的局部坐标系，获得新坐标；通过将所有新坐标除以max||p|||，获得每个新坐标点的单位球体；将所有点缩放并平移到[0,1]中，完成归一化。4.根据权利要求2所述的可重参数化的轻量级体素深度学习方法，其特征在于，将归一化处理后的点云数据进行体素化的过程中包括：将体素大小的分辨率设为低分辨率。5.根据权利要求1所述的可重参数化的轻量级体素深度学习方法，其特征在于，有若干个大小不同卷积核的3DCNN网络包括：大小为1
×1×
1,3
×3×
3,5
×5×
5的三种卷积核的3个2层3DCNN网络，其中所述3DCNN网络包括一层Conv3d、BatchNorm3d和LeakyReLU。6.根据权利要求5所述的可重参数化的轻量级体素深度学习方法，...

【专利技术属性】
技术研发人员：陈禹宏，唐可可，彭伟龙，方美娥，
申请(专利权)人：广州大学，
类型：发明
国别省市：