[发明专利]处理稀疏数据的方法、装置、计算机设备和存储介质

说明书

本公开提供一种处理稀疏数据的方法、装置、计算机设备和存储介质。方法包括获取待处理的稀疏数据，稀疏数据以第一特征图来表示；确定第一特征图中的至少一个全零块和至少一个非全零块；确定每个非全零块在第一特征图中的第一位置；分别对该至少一个非全零块执行卷积或反卷积处理，以得到相应的至少一个经处理的非全零块；基于每个非全零块在第一特征图中的第一位置，确定每个经处理的非全零块在稀疏数据的第二特征图中的第二位置，第一位置相对于第一特征图的位置关系与第二位置相对于第二特征图的位置关系一致；以及基于第二位置，确定稀疏数据的第二特征图。

技术领域

本公开涉及人工智能、深度学习和数据处理技术领域，具体涉及一种处理稀疏数据的方法、装置、计算机设备、计算机可读存储介质及计算机程序产品。

背景技术

卷积网络是目前深度学习中用于分析具有空间和时间结构的数据的常用方法。然而，标准的“密集”卷积网络的实现对于稀疏数据的处理是较为低效的。稀疏数据例如可以是三维点云经过体素化处理后得到的特征图这样的数据，该特征图的数据中存在大量的零。在这种情况下，尽可能利用数据的稀疏性以减少数据处理所需的计算资源变得越来越重要。

针对稀疏数据，目前主要有两类应对方法。第一类方法是对稀疏数据使用常规卷积（也可称为“密集”卷积）。另一类方法是使用稀疏卷积和子流形稀疏卷积。然而，常规卷积的计算效率较低，而稀疏卷积和子流形稀疏卷积在应用及部署上难度较大。因此，这些方法并不能很好地应对日益增长的数据处理需要，因此对于稀疏数据的处理方法的研究仍然是业界关注的热点。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

根据本公开的一方面，提供一种处理稀疏数据的方法，包括：获取待处理的稀疏数据，其中，待处理的稀疏数据以第一特征图来表示；确定第一特征图中的至少一个全零块和至少一个非全零块，其中，每个全零块仅包括为零的数据，每个非全零块至少包括非零的数据；以及确定至少一个非全零块中的每个非全零块在第一特征图中的第一位置；分别对至少一个非全零块执行卷积或反卷积处理，以得到相应的至少一个经处理的非全零块；基于至少一个非全零块中的每个非全零块在第一特征图中的第一位置，确定至少一个经处理的非全零块中的每个经处理的非全零块在经处理的稀疏数据的第二特征图中的第二位置，其中，第一位置相对于第一特征图的位置关系与第二位置相对于第二特征图的位置关系一致；以及将至少一个经处理的非全零块中的每个经处理的非全零块在第二特征图中放置于对应的第二位置，以确定经处理的稀疏数据的第二特征图。

根据本公开的另一方面，提供一种处理稀疏数据的装置，包括：第一特征图获取模块，被配置为获取待处理的稀疏数据，其中，待处理的稀疏数据以第一特征图来表示；分块确定模块，被配置为确定第一特征图中的至少一个全零块和至少一个非全零块，其中，每个全零块仅包括为零的数据，每个非全零块至少包括非零的数据；以及第一位置确定模块，被配置为确定至少一个非全零块中的每个非全零块在第一特征图中的第一位置；卷积执行模块，被配置为分别对至少一个非全零块执行卷积或反卷积处理，以得到相应的至少一个经处理的非全零块；第二位置确定模块，被配置为基于至少一个非全零块中的每个非全零块在第一特征图中的第一位置，确定至少一个经处理的非全零块中的每个经处理的非全零块在经处理的稀疏数据的第二特征图中的第二位置，其中，第一位置相对于第一特征图的位置关系与第二位置相对于第二特征图的位置关系一致；以及第二特征图确定模块，被配置为将至少一个经处理的非全零块中的每个经处理的非全零块在第二特征图中放置于对应的第二位置，以确定经处理的稀疏数据的第二特征图。

根据本公开的另一方面，提供一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器，其中，存储器存储有能够被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。