一种基于三维稀疏卷积的多尺度稀疏特征压缩方法及系统技术方案

本发明专利技术涉及一种基于三维稀疏卷积的多尺度稀疏特征压缩方法及系统，包括：多尺度稀疏特征提取，多尺度稀疏特征的融合与压缩，提出3DED模块，输入为3D多尺度稀疏特征，输出为通道数为2且空间尺寸较小的单尺度稀疏特征；单尺度稀疏特征熵编解码，3DED模块输入为压缩编码后码流，输出为解码后3D单尺度稀疏特征。多尺度稀疏特征分离与拓展，提出3DSE模块，输入为解码后3D单尺度稀疏特征，输出为重建3D多尺度稀疏特征。目标检测。本发明专利技术实现了对3D多尺度稀疏特征的压缩以及重建。本发明专利技术可以在保证任务性能不出现明显的下降的情况下，针对3D机器视觉任务进行优化，提供更高的压缩比。

【技术实现步骤摘要】

本专利技术涉及一种特征编码技术，具体涉及一种基于三维稀疏卷积的多尺度稀疏特征压缩方法及系统，属于特征压缩。

技术介绍

1、传统视频编码方法主要针对人类视觉系统(hvs)进行优化，主要关注视频的视觉质量。随着深度学习取得了显著的成功，机器视觉任务的应用逐渐广泛。但是，不可否认的是，机器视觉系统(mvs)和hvs之间存在固有差异。因此，在机器视觉任务中应用传统编码方法可能并非最优的选择。为解决这一问题，mpeg组织在2019年推出了新一代视频编解码器，称为面向机器视觉的视频编码(vcm)，专门设计用于为机器视觉任务提供压缩编码。由于vcm针对mvs进行了优化，因此在应用于机器视觉任务时，即使实现了非常高的压缩比，它也可以保持任务性能不会出现显著的下降。由于在机器视觉任务中相较于传统方法具有卓越的性能，vcm迅速获得了广泛关注和重视，并且现在已经出现了很多优秀的vcm相关工作。2019年南加州大学提出了一种新的名为bottlenet的单尺度2d特征压缩方法，通过在神经网络当中加入基于2d卷积的瓶颈实现对特征的压缩(参考a.e.eshratifar,a.esmai本文档来自技高网...

【技术保护点】

1.一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，包括：

2.根据权利要求1所述的一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，输入LiDAR点云PL经过Voxel R-CNN前端特征提取网络，得到多尺度稀疏特征F2，F3和F4；包括：

3.根据权利要求1所述的一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，多尺度稀疏特征中最大尺寸的稀疏特征F2经过空间尺寸的压缩，得到空间尺寸等于F3的稀疏特征F′2；包括：

4.根据权利要求1所述的一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，3DFC的输出单尺度稀疏特征...

【技术特征摘要】

1.一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，包括：

2.根据权利要求1所述的一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，输入lidar点云pl经过voxel r-cnn前端特征提取网络，得到多尺度稀疏特征f2，f3和f4；包括：

3.根据权利要求1所述的一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，多尺度稀疏特征中最大尺寸的稀疏特征f2经过空间尺寸的压缩，得到空间尺寸等于f3的稀疏特征f′2；包括：

4.根据权利要求1所述的一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，3dfc的输出单尺度稀疏特征f″234按照g-pcc相同的规则排序，得到排序后的单尺度稀疏特征f″s；包括：

5.根据权利要求1所述的一种基于三维稀疏卷积的多尺度稀疏特征压缩方法，其特征在于，和分别经过三个特征注意力模块，得到和包括：

6....

【专利技术属性】
技术研发人员：元辉，李政辛，田崇祯，陈泽嘉，
申请(专利权)人：山东大学，
类型：发明
国别省市：