处理稀疏数据的方法、装置、计算机设备和存储介质制造方法及图纸

本公开提供一种处理稀疏数据的方法、装置、计算机设备和存储介质。方法包括获取待处理的稀疏数据，稀疏数据以第一特征图来表示；确定第一特征图中的至少一个全零块和至少一个非全零块；确定每个非全零块在第一特征图中的第一位置；分别对该至少一个非全零块执行卷积或反卷积处理，以得到相应的至少一个经处理的非全零块；基于每个非全零块在第一特征图中的第一位置，确定每个经处理的非全零块在稀疏数据的第二特征图中的第二位置，第一位置相对于第一特征图的位置关系与第二位置相对于第二特征图的位置关系一致；以及基于第二位置，确定稀疏数据的第二特征图。确定稀疏数据的第二特征图。确定稀疏数据的第二特征图。

【技术实现步骤摘要】
处理稀疏数据的方法、装置、计算机设备和存储介质


[0001]本公开涉及人工智能、深度学习和数据处理
，具体涉及一种处理稀疏数据的方法、装置、计算机设备、计算机可读存储介质及计算机程序产品。

技术介绍

[0002]卷积网络是目前深度学习中用于分析具有空间和时间结构的数据的常用方法。然而，标准的“密集”卷积网络的实现对于稀疏数据的处理是较为低效的。稀疏数据例如可以是三维点云经过体素化处理后得到的特征图这样的数据，该特征图的数据中存在大量的零。在这种情况下，尽可能利用数据的稀疏性以减少数据处理所需的计算资源变得越来越重要。
[0003]针对稀疏数据，目前主要有两类应对方法。第一类方法是对稀疏数据使用常规卷积（也可称为“密集”卷积）。另一类方法是使用稀疏卷积和子流形稀疏卷积。然而，常规卷积的计算效率较低，而稀疏卷积和子流形稀疏卷积在应用及部署上难度较大。因此，这些方法并不能很好地应对日益增长的数据处理需要，因此对于稀疏数据的处理方法的研究仍然是业界关注的热点。
[0004]在此部分中描述的方法不一定是之前已经设想到或采用的方法。除本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种处理稀疏数据的方法，包括：获取待处理的稀疏数据，其中，所述待处理的稀疏数据以第一特征图来表示；确定所述第一特征图中的至少一个全零块和至少一个非全零块，其中，每个全零块仅包括为零的数据，每个非全零块至少包括非零的数据；确定所述至少一个非全零块中的每个非全零块在所述第一特征图中的第一位置；分别对所述至少一个非全零块执行卷积或反卷积处理，以得到相应的至少一个经处理的非全零块；基于所述至少一个非全零块中的每个非全零块在所述第一特征图中的所述第一位置，确定所述至少一个经处理的非全零块中的每个经处理的非全零块在经处理的稀疏数据的第二特征图中的第二位置，其中，所述第一位置相对于所述第一特征图的位置关系与所述第二位置相对于所述第二特征图的位置关系一致；以及将所述至少一个经处理的非全零块中的每个经处理的非全零块在所述第二特征图中放置于对应的所述第二位置，以确定所述经处理的稀疏数据的所述第二特征图。2.如权利要求1所述的方法，其中，所述确定所述第一特征图中的至少一个全零块和至少一个非全零块，包括：利用具有预定尺寸的窗口来划分所述第一特征图以得到所述至少一个全零块和所述至少一个非全零块，其中，每个全零块的尺寸和每个非全零块的尺寸与所述窗口的所述预定尺寸相同。3.如权利要求1或2所述的方法，其中，所述确定所述至少一个非全零块中的每个非全零块在所述第一特征图中的第一位置，包括：针对所述至少一个非全零块中的每个非全零块，确定所述非全零块中第一个元素相对于所述第一特征图的第一坐标；以及基于所述非全零块的尺寸，确定所述非全零块中最后一个元素相对于所述第一特征图的第二坐标。4.如权利要求1或2所述的方法，其中，所述第一特征图具有第一尺寸，并且所述方法还包括：基于用于执行所述卷积或反卷积处理的卷积核，确定所述第二特征图的第二尺寸；以及生成具有所述第二尺寸的全零矩阵。5.如权利要求4所述的方法，其中，所述分别对所述至少一个非全零块执行卷积或反卷积处理，以得到相应的至少一个经处理的非全零块，包括：响应于所述第二尺寸与所述第一尺寸不同，针对所述至少一个非全零块中的每个非全零块，确定所述卷积核在所述非全零块上的施加位置。6.如权利要求4所述的方法，其中，所述将所述至少一个经处理的非全零块中的每个经处理的非全零块在所述第二特征图中放置于对应的所述第二位置，包括：按照所述第二位置将每个经处理的非全零块放置在所述...

【专利技术属性】
技术研发人员：吴青松，王颖辉，李锐，张磊，
申请(专利权)人：瀚博半导体上海有限公司，
类型：发明
国别省市：