【技术实现步骤摘要】
本申请涉及点云数据处理领域，尤其涉及一种应用于多层稀疏卷积神经网络模型的数据处理系统、方法。
技术介绍
1、在深度学习和人工智能领域，卷积神经网络(convolutionalneuralnetworks，简称cnn)在图像识别、语音识别等任务中取得了显著的成就。然而，传统的卷积操作在处理大规模数据时存在着高昂的计算成本，限制了其在实际应用中的可行性。在3d点云数据处理场景下，稀疏卷积相较于传统卷积具备更多的优势。
2、稀疏卷积应用场景通常为稀疏空间处理如3d激光雷达点云，这类空间的特点是很少一部分点包含了有效信息，大部分点为无效信息或零值点。因此稀疏卷积的算法实现中不会直接进行卷积运算，而是通过如下的过程进行每一层卷积的计算：构建输入哈希表(sid-index-table)和输出哈希表(tid-index-table)；建立规则手册或关联关系表(sid-tid-table)；根据关联关系表中的匹配关系，读取输入特征和卷积核计算输出特征。
3、稀疏卷积算法可以根据关联关系表生成的规则具体划分为两种：普通型稀疏卷积和子流型稀疏卷积。普通型卷积的建立哈希表和查询哈希表过程可以连续完成；子流型卷积的算法实现过程需要建立哈希表和查询哈希表过程分为两次独立处理。因此，稀疏卷积的算法硬化过程中，子流型稀疏卷积处理流程和处理时间会高于普通型稀疏卷积。而在广泛使用多层稀疏卷积神经网络模型中，子流型稀疏卷积和普通型稀疏卷积均为必备过程，交替处理数据，而且多层稀疏卷积神经网络模型中的子流型卷积层数一般高于普通型。
5、本
技术介绍
描述的内容仅为了便于了解本领域的相关技术，不视作对现有技术的承认。
技术实现思路
1、为了解决上述技术问题，本申请提供了一种应用于多层稀疏卷积神经网络模型的数据处理系统、方法，具体方案如下：
2、第一方面，本申请实施例提供了一种应用于多层稀疏卷积神经网络模型的数据处理系统，所述应用于多层稀疏卷积神经网络模型包括普通型稀疏卷积层和子流型稀疏卷积层，所述应用于多层稀疏卷积神经网络模型的数据处理系统包括点云体素处理单元、关联对生成单元、哈希ram单元、卷积计算单元以及ddr单元；
3、所述点云体素处理单元连接所述多层稀疏卷积神经网络模型中的第一个卷积层，用于将接收到的原始点云数体素化，并将体素化后的点云数据作为所述多层稀疏卷积神经网络模型的输入；
4、所述关联对生成单元用于获取或构建输入输出哈希表并生成关联关系匹配对；
5、所述哈希ram单元用于存储所述输入输出哈希表，并在下一稀疏卷积层为所述子流型稀疏卷积层时直接被读取；
6、所述卷积计算单元用于根据所述关联关系匹配对读取特征进行运算；
7、所述ddr单元用于进行所述点云体素处理单元、所述关联对生成单元以及所述卷积计算单元间的数据交换。
8、根据本申请公开的一种具体实施方式，所述哈希ram单元具体用于：
9、存储所述输入输出哈希表；
10、判断下一稀疏卷积层的类型，所述类型包括普通型和子流型；
11、若下一稀疏卷积层为所述普通型稀疏卷积层，所述哈希ram单元刷新；
12、若下一稀疏卷积层为所述子流型稀疏卷积层，所述哈希ram单元不刷新，以使所述稀疏卷积层读取所述输入输出哈希表以生成关联关系匹配对。
13、根据本申请公开的一种具体实施方式，所述点云体素处理单元连接所述哈希ram单元；
14、所述点云体素处理单元还用于构建所述输入输出哈希表，并将所述输入输出哈希表存储于所述哈希ram单元，以使所述子流型稀疏卷积层读取所述输入输出哈希表以生成关联关系匹配对。
15、第二方面，本申请实施例提供了一种数据处理方法，应用于第一方面中任一项所述的数据系统，所述数据方法包括：
16、基于点云体素处理单元将接收到的原始点云数体素化，并将体素化后的点云数据作为所述多层稀疏卷积神经网络模型的输入；
17、通过关联对生成单元获取或构建输入输出哈希表并生成关联关系匹配对；
18、利用哈希ram单元存储所述输入输出哈希表，并在下一稀疏卷积层为所述子流型稀疏卷积层时直接被读取；
19、基于卷积计算单元根据所述关联关系匹配对读取特征进行运算；
20、通过ddr单元进行所述点云体素处理单元、所述关联对生成单元以及所述卷积计算单元间的数据交换。
21、根据本申请公开的一种具体实施方式，利用哈希ram单元存储所述输入输出哈希表，并在下一稀疏卷积层为所述子流型稀疏卷积层时直接被读取的步骤，包括：
22、存储所述输入输出哈希表；
23、判断下一稀疏卷积层的类型，所述类型包括普通型和子流型，其中，所述普通型稀疏卷积层连续处理所述输入输出哈希表的构建与查询，所述子流型稀疏卷积层分别处理所述输入输出哈希表的构建与查询；
24、若下一稀疏卷积层为所述普通型稀疏卷积层，所述哈希ram单元刷新；
25、若下一稀疏卷积层为所述子流型稀疏卷积层，所述哈希ram单元不刷新，以使所述稀疏卷积层读取所述输入输出哈希表以生成关联关系匹配对。
26、根据本申请公开的一种具体实施方式，所述点云体素处理单元连接所述哈希ram单元，所述数据处理方法还包括：
27、通过点云体素处理单元构建所述输入输出哈希表，并将所述输入输出哈希表存储于哈希ram单元，以使所述子流型稀疏卷积层读取所述输入输出哈希表以生成关联关系匹配对。
28、第三方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理设备和存储器，所述处理设备上加载有第一方面中任一项所述的应用于多层稀疏卷积神经网络模型的数据处理系统，所述存储器存储有计算机程序，所述计算机程序在所述处理器上执行时实现第二方面中任一项实施例所述的数据处理方法。
29、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在处理设备上执行时实现第二方面中任一项实施例所述的数据处理方法。
30、相对于现有技术而言，本申请具有以下有益效果：
31、本申请提供的应用于多层稀疏卷积神经网络模型的数据处理系统包括点云体素处理单元、关联对生成单元、哈希ram单元、卷积计算单元和ddr单元；点云体素处理单元连接多层稀疏卷积神经网络模型中第一个卷积层，用于将原始点云数体素化后作为多层稀疏卷积神经网络模型的输入；关联对生成单元用于获取或构建输入输出哈希表，生成关联关系匹配对；哈希ram单元用于存储输入输出哈希表，在下一稀疏卷积层为子流型稀疏卷积层时被读取；卷积计算单元用于根据关联关系匹配对读取特征进行运算；ddr单元用于进行各单元间数据交换。子流型稀疏卷积层借助哈希r本文档来自技高网...
【技术保护点】
1.一种应用于多层稀疏卷积神经网络模型的数据处理系统，其特征在于，所述多层稀疏卷积神经网络模型包括普通型稀疏卷积层和子流型稀疏卷积层，所述应用于多层稀疏卷积神经网络模型的数据处理系统包括点云体素处理单元、关联对生成单元、哈希RAM单元、卷积计算单元以及DDR单元；
2.根据权利要求1所述的应用于多层稀疏卷积神经网络模型的数据处理系统，其特征在于，所述哈希RAM单元具体用于：
3.根据权利要求1所述的应用于多层稀疏卷积神经网络模型的数据处理系统，其特征在于，所述点云体素处理单元连接所述哈希RAM单元；
4.一种数据处理方法，其特征在于，应用于权利要求1-3中任一项所述的多层稀疏卷积神经网络模型的数据处理系统，所述多层稀疏卷积神经网络模型包括普通型稀疏卷积层和子流型稀疏卷积层，所述数据处理方法包括：
5.根据权利要求4所述的数据处理方法，其特征在于，利用哈希RAM单元存储所述输入输出哈希表，并在下一稀疏卷积层为所述子流型稀疏卷积层时直接被读取的步骤，包括：
6.根据权利要求4所述的数据处理方法，其特征在于，所述点云体素处理单
7.一种计算机设备，其特征在于，所述计算机设备包括处理设备和存储器，所述处理设备上加载有权利要求1至3中任一项所述的应用于多层稀疏卷积神经网络模型的数据处理系统，所述存储器存储有计算机程序，所述计算机程序在所述处理器上执行时实现权利要求4至6中任一项所述的数据处理方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序在处理设备上执行时实现权利要求4至6中任一项所述的数据处理方法。
...【技术特征摘要】
1.一种应用于多层稀疏卷积神经网络模型的数据处理系统，其特征在于，所述多层稀疏卷积神经网络模型包括普通型稀疏卷积层和子流型稀疏卷积层，所述应用于多层稀疏卷积神经网络模型的数据处理系统包括点云体素处理单元、关联对生成单元、哈希ram单元、卷积计算单元以及ddr单元；
2.根据权利要求1所述的应用于多层稀疏卷积神经网络模型的数据处理系统，其特征在于，所述哈希ram单元具体用于：
3.根据权利要求1所述的应用于多层稀疏卷积神经网络模型的数据处理系统，其特征在于，所述点云体素处理单元连接所述哈希ram单元；
4.一种数据处理方法，其特征在于，应用于权利要求1-3中任一项所述的多层稀疏卷积神经网络模型的数据处理系统，所述多层稀疏卷积神经网络模型包括普通型稀疏卷积层和子流型稀疏卷积层，所述数据处理方法包括：
<...【专利技术属性】
技术研发人员：高家明，方光宇，赵保付，何皓源，郭开元，梁爽，
申请(专利权)人：北京超星未来科技有限公司，
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。