【技术实现步骤摘要】
点云分类模型构建方法、点云分类方法、装置及设备
[0001]本专利技术涉及数据处理
,尤其涉及点云分类模型构建方法、点云分类方法、装置及设备。
技术介绍
[0002]基于深度学习的点云分类模型发展迅速,其已经逐渐被应用到各个领域中,如人脸识别、机器人的物体识别、无人驾驶的障碍检测等。随着激光雷达的廉价普及,点云开始广泛应用于自动驾驶、机器人、AR/VR。点云作为三维世界主要的信息表示,已经是目前三维视觉炙手可热的研究热点,其研究方向包括点云分类、点云分割、点云检测等方向。其中点云分类作为三维点云基础任务,在相关应用场景检测识别都有非常广泛的应用。
[0003]目前点云处理技术最常用的是基于深度学习的方法,其在分类检测等领域已经取得了显著的成就。但是相比传统的技术而言,深度学习对计算力有一定的要求,其性能在计算资源不足的场景下受限,同时自动驾驶、AR等领域对算法模型的实时性十分严苛,这给算法的优化加速带来了挑战。复杂的模型结构使得模型推理速度较低,现有融合技术无法融合像ResNet一样的残差连接大层的问题。
技术实现思路
[0004]本专利技术的目的在于提供点云分类模型构建方法、点云分类方法、装置及设备,用于解决现有技术中点云模型结构复杂、模型推理速度低的问题。
[0005]为了实现上述目的,本专利技术提供如下技术方案:
[0006]第一方面,本专利技术提供点云分类模型构建方法,包括:
[0007]获取点云样本数据,搭建模型开始训练,得到初始训练模型;所述初始训练模 ...
【技术保护点】
【技术特征摘要】
1.点云分类模型构建方法,其特征在于,包括:获取点云样本数据,搭建模型开始训练,得到初始训练模型;所述初始训练模型包括残差层、一维卷积层、线性层以及激活层;提取所述初始训练模型的权重;利用结构重参数化技术,将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合,得到目标一维卷积层;根据所述权重,利用所述结构重参数化技术,将所述线性层以及所述激活层进行权重融合,得到目标线性层;基于所述目标一维卷积层以及所述目标线性层,构建得到无分支的目标点云分类模型。2.根据权利要求1所述的方法,其特征在于,利用结构重参数化技术,将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合,得到目标一维卷积层,具体包括:利用结构重参数化技术,将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合;将一维卷积层分支和激活层分支进行融合;其中,所述初始训练模型的融合残差层为Conv1D算子,重参数化为一个一维卷积层。3.根据权利要求1所述的方法,其特征在于,根据所述权重,利用所述结构重参数化技术,将所述线性层以及所述激活层进行权重融合,得到目标线性层,具体包括:根据所述权重,利用所述结构重参数化技术,将所述线性层以及所述激活层进行权重融合,去除BN算子,得到目标线性层;其中,重参数化为一个线性层。4.根据权利要求2所述的方法,其特征在于,利用结构重参数化技术,将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合,具体包括:采用公式:Conv1D(x)=W
conv1d
*x+b
conv1d
其中,Conv1D(x)表示进行Conv1D运算,将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合,其中,输入为x∈R
B*C*N
,B表示Batch Size,C表示输入特征通道数,N表示输入特征个数,W
conv1d
表示一维卷积层权重,b
conv1d
表示一维卷积层偏置;采用公式:其中,BN(x)表示进行BN运算,γ表示激活层的缩放系数,mean表示激活层均值,var表示激活层方差,β表示激活层的偏移系数,则:令:
融合得到目标一维卷积层的表达式为:Conv1D
′
(x)=W
′
convld
*x+b
′
convld
=BN(Conv1D(x)),完成权重融合。5.根据权利要求3所述的方法,其特征在于,根据所述权重,利用所述结构重参数化技术,将所述线性层以及所述激活层进行权重融合,去除BN算子,得到目标线性层,具体包括:其中,输入为x∈R
B*K
,B表示Batch Size,K表示分类类别数,W
linear
表示线性层权重,b
linear
表示线性层偏置;令:令:融合得到目标线性层:Linear(x)
′
=W
′
linear
(x)+b
...
【专利技术属性】
技术研发人员:刘明康,王云,安利峰,
申请(专利权)人:中国科学院微电子研究所,
类型:发明
国别省市:
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。