[发明专利]一种点云数据的模型量化方法、装置、系统及存储介质

说明书

本发明提供了一种点云数据的模型量化方法、装置、系统及存储介质，涉及金融科技和自动驾驶技术领域。所述点云数据的模型量化方法包括：将点云数据输入至卷积神经网络中提取得到通道特征分布图；对通道特征分布图中的每个通道特征进行归一化处理得到通道特征参数，将通道特征参数转换为整点数表示；基于通道特征参数利用反向传播方式对模型进行量化训练得到量化数据。本发明提供的模型量化方法可以有效减少深度神经网络的计算量，提高计算速度，能够有效的节省计算成本与资源成本，并且提高网络运行的实时性，从而更好的应用于自动驾驶、虚拟现实等场景中。

技术领域

本发明涉及金融科技和自动驾驶技术领域，更具体地说，涉及一种点云数据的模型量化方法、装置、系统及存储介质。

背景技术

近年来，自动驾驶、高精地图、虚拟现实、增强现实等概念的提出，极大地推动了大规模三维点云语义理解和分析的发展。而在金融科技领域，众多金融机构大量应用自动驾驶技术和虚拟现实技术。例如，金融机构的实际业务处理过程中，通过交通工具自动将资金、材料、设备在不同的机构中进行传递，以实现代替人工押运、运输、传递等工作。

在自动驾驶、虚拟现实等技术中，三维点云语义分割，是对杂乱无序的点云中每个点赋予语义标签进行分类的过程，是对场景理解的关键步骤。

目前三维点云分割，主要是基于深度神经网络实现的，通过构造深度神经网络提取点云当中的特征，从而实现三维点云的分割。由于点云数据一般包含XYZ位置信息、RGB颜色信息和I强度信息，是一种多维度的复杂数据，而且在真实场景中点云的数量极为庞大，因此需要巨大的计算开销，造成计算的效率降低、计算精度难以达到要求、系统资源的大量占用，为自动驾驶、虚拟现实等技术的推进带来了障碍。

发明内容

有鉴于此，针对于上述技术问题，本发明提供一种点云数据的模型量化方法，包括：

将点云数据输入至卷积神经网络中，提取得到通道特征分布图；

对所述通道特征分布图中的每个通道特征进行归一化处理，得到通道特征参数，并将所述通道特征参数由浮点数表示转换为整点数表示；

基于所述通道特征参数，利用反向传播方式对模型进行量化训练，得到量化数据。

优选地，所述将点云数据输入至卷积神经网络中，提取得到通道特征分布图，包括：

将所述点云数据根据空间位置关系划分为大小均等的数据块集合；

将所述数据块集合逐个输入至卷积神经网络中，提取得到所述通道特征分布图。

优选地，所述对所述通道特征分布图中的每个通道特征进行归一化处理，得到通道特征参数，包括：

对每个通道特征进行基于量化位宽的自适应归一化处理，得到所述通道特征参数；

所述自适应归一化处理方法为：

其中，s(n)为量化操作的间隔，n为量化位宽。

优选地，所述对每个通道特征进行基于量化位宽的自适应归一化处理，还包括：

在激活函数层后，确定所述通道特征的信息类型；

若所述通道特征的信息类型为XYZ位置信息，则对应的量化位宽为4bits；

若所述通道特征的信息类型为RGB颜色信息或I强度信息，则对应的量化位宽为8bits。

优选地，所述将所述通道特征参数由浮点数表示转换为整点数表示，包括：

将归一化处理后的所述通道特征参数，进行离散化，再将对应的浮点数映射到n位整数范围中，将所述通道特征参数由浮点数表示转换为所述整点数表示。