点云分类模型构建方法、点云分类方法、装置及设备

技术特征：
1.点云分类模型构建方法，其特征在于，包括：获取点云样本数据，搭建模型开始训练，得到初始训练模型；所述初始训练模型包括残差层、一维卷积层、线性层以及激活层；提取所述初始训练模型的权重；利用结构重参数化技术，将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合，得到目标一维卷积层；根据所述权重，利用所述结构重参数化技术，将所述线性层以及所述激活层进行权重融合，得到目标线性层；基于所述目标一维卷积层以及所述目标线性层，构建得到无分支的目标点云分类模型。2.根据权利要求1所述的方法，其特征在于，利用结构重参数化技术，将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合，得到目标一维卷积层，具体包括：利用结构重参数化技术，将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合；将一维卷积层分支和激活层分支进行融合；其中，所述初始训练模型的融合残差层为conv1d算子，重参数化为一个一维卷积层。3.根据权利要求1所述的方法，其特征在于，根据所述权重，利用所述结构重参数化技术，将所述线性层以及所述激活层进行权重融合，得到目标线性层，具体包括：根据所述权重，利用所述结构重参数化技术，将所述线性层以及所述激活层进行权重融合，去除bn算子，得到目标线性层；其中，重参数化为一个线性层。4.根据权利要求2所述的方法，其特征在于，利用结构重参数化技术，将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合，具体包括：采用公式：conv1d(x)＝w
conv1d
*x b
conv1d
其中，conv1d(x)表示进行conv1d运算，将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合，其中，输入为x∈r
b*c*n
，b表示batch size，c表示输入特征通道数，n表示输入特征个数，w
conv1d
表示一维卷积层权重，b
conv1d
表示一维卷积层偏置；采用公式：其中，bn(x)表示进行bn运算，γ表示激活层的缩放系数，mean表示激活层均值，var表示激活层方差，β表示激活层的偏移系数，则：令：
融合得到目标一维卷积层的表达式为：conv1d
′
(x)＝w
′
convld
*x b
′
convld
＝bn(conv1d(x))，完成权重融合。5.根据权利要求3所述的方法，其特征在于，根据所述权重，利用所述结构重参数化技术，将所述线性层以及所述激活层进行权重融合，去除bn算子，得到目标线性层，具体包括：其中，输入为x∈r
b*k
，b表示batch size，k表示分类类别数，w
linear
表示线性层权重，b
linear
表示线性层偏置；令：令：融合得到目标线性层：linear(x)
′
＝w
′
linear
(x) b
′
linear
＝bn(linear(x))。6.点云分类方法，其特征在于，包括：获取待分类点云数据；提取所述待分类点云数据的特征向量；将所述特征向量输入目标点云分类模型中，得到分类结果；所述目标点云分类模型是基于目标一维卷积层以及目标线性层构建得到的无分支网络；所述目标一维卷积层是提取初始训练模型的权重，并利用结构重参数化技术，将初始训练模型中的一维卷积层以及激活层进行权重融合得到的；所述目标线性层是根据所述权重，利用所述结构重参数化技术，将所述初始训练模型中的线性层以及激活层进行权重融合得到的。7.点云分类模型构建装置，其特征在于，包括：初始训练模型搭建模块，用于获取点云样本数据，搭建模型开始训练，得到初始训练模型；所述初始训练模型包括残差层、一维卷积层、线性层以及激活层；权重提取模块，用于提取所述初始训练模型的权重；第一权重融合模块，用于利用结构重参数化技术，将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合，得到目标一维卷积层；第二权重融合模块，用于根据所述权重，利用所述结构重参数化技术，将所述线性层以及所述激活层进行权重融合，得到目标线性层；目标点云分类模型构建模块，用于基于所述目标一维卷积层以及所述目标线性层，构
建得到无分支的目标点云分类模型。8.点云分类装置，其特征在于，包括：待分类点云数据获取模块，用于获取待分类点云数据；特征向量提取模块，用于提取所述待分类点云数据的特征向量；分类模块，用于将所述特征向量输入目标点云分类模型中，得到分类结果；所述目标点云分类模型是基于目标一维卷积层以及目标线性层构建得到的无分支网络；所述目标一维卷积层是提取初始训练模型的权重，并利用结构重参数化技术，将初始训练模型中的一维卷积层以及激活层进行权重融合得到的；所述目标线性层是根据所述权重，利用所述结构重参数化技术，将所述初始训练模型中的线性层以及激活层进行权重融合得到的。9.点云分类模型构建方法设备，其特征在于，包括：通信单元/通信接口，用于获取点云样本数据，搭建模型开始训练，得到初始训练模型；所述初始训练模型包括残差层、一维卷积层、线性层以及激活层；处理单元/处理器，用于提取所述初始训练模型的权重；利用结构重参数化技术，将所述初始训练模型中的所述一维卷积层以及所述激活层进行权重融合，得到目标一维卷积层；根据所述权重，利用所述结构重参数化技术，将所述线性层以及所述激活层进行权重融合，得到目标线性层；基于所述目标一维卷积层以及所述目标线性层，构建得到无分支的目标点云分类模型。10.点云分类设备，其特征在于，包括：通信单元/通信接口，用于获取待分类点云数据；处理单元/处理器，用于提取所述待分类点云数据的特征向量；将所述特征向量输入目标点云分类模型中，得到分类结果；所述目标点云分类模型是基于目标一维卷积层以及目标线性层构建得到的无分支网络；所述目标一维卷积层是提取初始训练模型的权重，并利用结构重参数化技术，将初始训练模型中的一维卷积层以及激活层进行权重融合得到的；所述目标线性层是根据所述权重，利用所述结构重参数化技术，将所述初始训练模型中的线性层以及激活层进行权重融合得到的。

技术总结
本发明公开点云分类模型构建方法、点云分类方法、装置及设备，本发明涉及数据处理技术领域，用于解决现有技术中点云模型结构复杂、模型推理速度低的问题。包括：获取点云样本数据，搭建模型开始训练，得到初始训练模型；提取初始训练模型的权重；并利用结构重参数化技术，将初始训练模型中的一维卷积层以及激活层进行权重融合，得到目标一维卷积层；并利用结构重参数化技术，将线性层以及激活层进行权重融合，得到目标线性层；基于目标一维卷积层以及目标线性层，构建得到无分支的目标点云分类模型。将模型进行权重融合化为基本由一维卷积层以及目标线性层组成的无分支简单结构网络，以此降低模型复杂度，提升模型推理速度。提升模型推理速度。提升模型推理速度。


技术研发人员：刘明康 王云 安利峰
受保护的技术使用者：中国科学院微电子研究所
技术研发日：2022.10.11
技术公布日：2022/12/30