[发明专利]三维时序图像处理方法、装置、计算机设备和存储介质

说明书

本申请涉及一种三维时序图像处理方法、装置、计算机设备和存储介质。所述方法包括：将第一时刻的三维图像和第二时刻的三维图像进行卷积处理，得到卷积特征图像；将卷积特征图像进行反卷积处理，得到与卷积特征图像尺寸一致的反卷积特征图像；将卷积特征图像和反卷积特征图像进行交集运算，得到交集图像；将卷积特征图像和反卷积特征图像分别与交集图像进行差分运算，分别得到卷积差交特征图像和反卷积差交特征图像；将卷积差交特征图像、交集图像和反卷积差交特征图像连接；将连接后的卷积差交特征图像、交集图像和反卷积差交特征图像进行反卷积处理，得到第三时刻的三维图像。采用本方法能够解决因梯度爆炸及梯度消失导致预测图像准确率低的问题。

技术领域

本申请涉及计算机应用领域，特别是涉及一种三维时序图像处理方法、装置、计算机设备和存储介质。

背景技术

随着三维神经网络技术的发展，三维视觉被广泛应用于辅助机器人完成任务，但在实际应用场景中常常会遇到遮挡、超出视野范围及光线变化的问题，为了解决因运动带来的这些问题，需要设计新的三维网络结构来学习未被干扰时目标的图像之间的时序关系，以预测目标被遮挡时的运动状态，因此，三维神经网络往往需要设计得比较深才能取得较好的学习及预测性能，但是深层的网络经常会遇到梯度爆炸及梯度消失问题。

在相关技术中，基于LSTM(Long Short-Term Memory,长短期记忆网络)解决了二维神经网络中梯度爆炸及梯度消失问题。然而，基于三维卷积长短期记忆网络处理图像的过程中因存在梯度爆炸及梯度消失导致预测图像准确率低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种三维时序图像处理方法、装置、计算机设备和存储介质。

一种三维时序图像处理方法，该方法包括：

将第一时刻的三维图像和第二时刻的三维图像进行卷积处理，得到卷积特征图像；将该卷积特征图像进行反卷积处理，得到与该卷积特征图像尺寸一致的反卷积特征图像；将该卷积特征图像和该反卷积特征图像进行交集运算，得到交集图像；将该卷积特征图像和该反卷积特征图像分别与交集图像进行差分运算，分别得到卷积差交特征图像和反卷积差交特征图像；将该卷积差交特征图像、该交集图像和该反卷积差交特征图像连接；将连接后的卷积差交特征图像、交集图像和反卷积差交特征图像进行反卷积处理，得到第三时刻的三维图像。

在其中一个实施例中，该将第一时刻的三维图像和第二时刻的三维图像进行卷积处理，得到卷积特征图像，包括：

将张量尺寸一致的第一时刻的三维图像和第二时刻的三维图像进行卷积处理，得到卷积特征图像。

在其中一个实施例中，该方法还包括：

将第一时刻的三维图像和第二时刻的三维图像进行第一卷积处理，得到第一卷积特征图像；将该第一卷积特征图像进行第二卷积处理，得到第二卷积特征图像；将该第二卷积特征图像进行第一反卷积处理，得到第一反卷积特征图像；将该第二卷积特征图像和该第一反卷积特征图像进行交集运算，得到第一交集图像；将该第二卷积特征图像和该第一反卷积特征图像分别与第一交集图像进行差分运算，分别得到第二卷积差交特征图像和第一反卷积差交特征图像；将该第二卷积差交特征图像、该第一交集图像和该第一反卷积差交特征图像连接；将连接后的第二卷积差交特征图像、第一交集图像和第一反卷积差交特征图像进行第二反卷积处理，得到第二反卷积特征图像；将该第一卷积特征图像和该第二反卷积特征图像进行交集运算，得到第二交集图像；将该第一卷积特征图像和该第二反卷积特征图像分别与第二交集图像进行差分运算，分别得到第一卷积差交特征图像和第二反卷积差交特征图像；将该第一卷积差交特征图像、该第二交集图像和该第二反卷积差交特征图像连接；将连接后的第一卷积差交特征图像、第二交集图像和第二反卷积差交特征图像进行第三反卷积处理，得到第三时刻的三维图像。

在其中一个实施例中，该方法还包括：