【技术实现步骤摘要】
一种基于稀疏卷积剪枝的轻量化三维目标检测方法及装置
[0001]本申请涉及自动驾驶
，尤其是涉及一种基于稀疏卷积剪枝的轻量化三维目标检测方法及装置。
技术介绍
[0002]由于雷达点云具有无序、不规则和不均匀的特性，雷达点云数据无法直接应用卷积操作。目前，可以使用基于体素的方法处理不规则的点云数据，该方法首先将点云转换为规则体素，然后使用成熟的卷积神经网络进行特征提取。然而计算成本和内存需求都会随着体素分辨率的增加而增加，因此，使用高分辨率输入训练基于体素的模型是不可行的。由于3D稀疏卷积内部绝大多数为稀疏的，信息较少的背景点占据了场景的主要区域，只有少部分含有体素化后的前景数据。因此，通过3D稀疏卷积的方法可以有效避免模型中的潜在冗余，以提高效率而不牺牲准确性。除了雷达点云数据的冗余，3D稀疏卷积模型本身的结构设计也会带来冗余。通常3D稀疏卷积会采用下采样来提取点云特征，但下采样后非空体素的数量可能会增加而不是减少，这无疑会增加后续阶段不必要的计算成本。
技术实现思路
[0003]有鉴于此，本申请提供...
【技术保护点】
【技术特征摘要】
1.一种基于稀疏卷积剪枝的轻量化三维目标检测方法，其特征在于，包括：对原始点云数据进行体素化处理，得到多个体素；利用预先训练完成的卷积块对多个体素进行处理，得到第一特征图；利用预先训练完成的依次连接的K个下采样稀疏卷积块对第一特征图进行处理，依次得到K个下采样的特征图：第二特征图、第三特征图
…
和第K+1特征图；对第K+1特征图进行复制，得到第K+2特征图；利用预先训练完成的依次连接的K个上采样稀疏卷积块对第K+2特征图进行处理，依次得到K个上采样的特征图：第K+3特征图、第K+4特征图
…
和第2K特征图；对2K个特征图中相同尺度的两个特征图的每个对应元素相加，得到K个最终的特征图；利用预先训练完成的K个不同尺度的检测头分别对K个最终的特征图进行处理，得到三维目标检测结果。2.根据权利要求1所述的方法，其特征在于，对原始点云数据进行体素化处理，得到多个体素；包括：使用预设尺寸的长方体体素对原始3D点云数据进行体素化处理，生成的V个三维体素：V＝N
D
×
N
H
×
N
W
N
D
＝D/V
D
，N
H
＝H/V
H
，N
W
＝W/V
W
其中，V
D
、V
H
和V
W
为长方体体素的三个尺寸值；D、H和W为原始3D点云数据的深度、高度和宽度，N
D
、N
H
和N
W
为三个方向上的体素数量。3.根据权利要求1所述的方法，其特征在于，所述下采样稀疏卷积块包括：特征图划分模块和下采样模块；所述特征图划分模块用于将输入的三维特征图的每个有特征值的立方体分成重要立方体P
im
和不重要立方体P
nim
，利用所有重要立方体P
im
生成与输入的三维特征图大小相同的重要特征图，利用所有不重要立方体P
nim
生成与输入的三维特征图大小相同的不重要特征图；所述下采样模块两个并联的第一稀疏卷积剪枝层和下采样处理单元，以及第一拼接单元；其中，所述第一稀疏卷积剪枝层用于对重要特征图进行下采样处理，得到第一下采样特征图；所述下采样处理单元用于对不重要特征图的特征图进行池化操作，得到第二下采样特征图，其大小和第一下采样特征图相同；所述第一拼接单元用于将第一下采样特征图和第二下采样特征图拼接在一起，生成输出的三维特征图。4.根据权利要求3所述的方法，其特征在于，将输入的三维特征图的每个有特征值的立方体分成重要立方体P
im
和不重要立方体P
nim
；包括：计算输入的三维特征图的所有立方体的特征的均值；判断每个立方体的特征是否大于所有立方体的特征的均值，则该立方体为重要立方体P
im
，否则，该立方体为不重要立方体P
nim
。5.根据权利要求4所述的方法，其特征在于，第k个下采样稀疏卷积块的输入为大小为(W
k
,H
k
,D
k
,C
k
)的第k特征图，W
k
,H
k
和D
k
为第k特征图的宽度、高度和深度，C
k
为第k特征图的维度，1≤k≤K；第k个下采样稀疏卷积块的输出为大小为(W
k+1
,H
k+1
,D
k+1
,C
k+1
)的第k+1特征图，W
k+1
,H
k+1
和D
k+1
为第k+1特征图的宽度、高度和深度，C
k+1
为第k...
【专利技术属性】
技术研发人员：李骏，张新钰，蒋志强，王力，谢涛，杨淋淇，
申请(专利权)人：清华大学，
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。