一种基于稀疏矩阵向量乘的特征检测的方法、装置及介质

1.一种基于稀疏矩阵向量乘的特征检测的方法，其特征在于，包括：获取数据采集设备采集的用于表征预设场景特征的数据，并根据所述数据确定出目标稀疏矩阵；其中，所述预设场景为海洋声学场景，所述数据采集设备为传感器，所述获取数据采集设备采集的用于表征预设场景特征的数据，并根据所述数据确定出目标稀疏矩阵包括：获取所述传感器采集的水下声场数据，根据所述水下声场数据复原出所述目标稀疏矩阵，所述水下声场数据包括声强、水温密度、流速；将所述目标稀疏矩阵转化为矩阵图像以及提取所述目标稀疏矩阵的矩阵特征；将所述矩阵图像和所述矩阵特征输入至预设的神经网络模型中；其中，所述神经网络模型是通过将样本稀疏矩阵对应的样本矩阵图像和样本稀疏矩阵对应的样本矩阵特征作为输入，所述样本稀疏矩阵的所有格式进行相同次数的稀疏矩阵向量乘的耗时结果中耗时最短时对应的格式作为输出训练得到；通过所述神经网络模型输出所述目标稀疏矩阵的预测存储格式；按照所述预测存储格式对所述目标稀疏矩阵进行稀疏矩阵向量乘，并根据稀疏矩阵向量乘的结果确定所述预设场景的特征信息；其中，将稀疏矩阵转换为矩阵图像包括：将所述稀疏矩阵按照预设大小进行分块；获取当前分块中当前非零元素的列坐标相对于所述稀疏矩阵对角线的第一距离；获取所述第一距离与所述当前分块的宽度的第一整除结果以及所述当前非零元素的行坐标与所述当前分块的长度的第二整除结果；根据所述第一整除结果和所述第二整除结果确定RGB三通道的第一通道中待修改的非零元素的坐标，并对所述第一通道中待修改的非零元素的坐标上的元素值加1；返回所述获取当前分块中当前非零元素的列坐标相对于所述稀疏矩阵对角线的距离的步骤，直至遍历完所述稀疏矩阵中所有的非零元素为止；获取所述当前分块中所述当前非零元素的行坐标相对于所述稀疏矩阵对角线的第二距离；获取所述第二距离与所述当前分块的长度的第三整除结果以及所述当前非零元素的列坐标与所述当前分块的宽度的第四整除结果；根据所述第三整除结果和所述第四整除结果确定所述RGB三通道的第二通道中待修改的非零元素的坐标，并对所述第二通道中待修改的非零元素的坐标上的元素值加1；返回所述获取所述当前分块中所述当前非零元素的行坐标相对于所述稀疏矩阵对角线的距离的步骤，直至遍历完所述稀疏矩阵中所有的非零元素为止；获取所述当前分块中非零元素的数量；获取所述当前分块中所述非零元素的数量与所述当前分块大小的比值；将所述比值作为所述RGB三通道中第三通道的所述当前分块对应的值。 2.根据权利要求1所述的基于稀疏矩阵向量乘的特征检测的方法，其特征在于，建立所述神经网络模型包括：获取样本稀疏矩阵数据集；对所述样本稀疏矩阵数据集中的各所述样本稀疏矩阵的所有格式进行相同次数的稀疏矩阵向量乘；从各所述样本稀疏矩阵的所有格式中选取稀疏矩阵向量乘的耗时结果中耗时最短时对应的格式作为对应的所述样本稀疏矩阵的标签值；将各所述样本稀疏矩阵转换为对应的所述样本矩阵图像以及提取各所述样本稀疏矩阵的所述样本矩阵特征；根据各所述样本稀疏矩阵对应的所述样本矩阵图像、所述样本矩阵特征、各所述样本稀疏矩阵对应的所述标签值对所述神经网络模型进行训练。 3.根据权利要求2所述的基于稀疏矩阵向量乘的特征检测的方法，其特征在于，所述神经网络模型的结构包括：图像通道和特征通道；其中，所述图像通道用于接收矩阵的图像表示，所述特征通道用于接收所述矩阵的特征表示；所述矩阵包含所述样本稀疏矩阵、所述目标稀疏矩阵；所述图像通道包含一层卷积层、预设数量的附带注意力机制的卷积层、一层全卷积、一层池化层和一层全连接层；所述特征通道包含两层全连接层、一个残差全连接层、一个全连接层；其中，所述残差全连接层中包含两个全连接层构成的残差块；所述图像通道的输出与所述特征通道的输出经过一层全连接层以得到所述预测存储格式。 4.根据权利要求1至3任意一项所述的基于稀疏矩阵向量乘的特征检测的方法，其特征在于，提取稀疏矩阵的矩阵特征包括：获取所述稀疏矩阵中的目标数据；其中，所述目标数据至少包括所述稀疏矩阵中的非零元素的值、所述稀疏矩阵中所述非零元素的列值、所述稀疏矩阵中所述非零元素的行值；根据所述非零元素的值、所述非零元素的列值、所述非零元素的行值确定所述稀疏矩阵的矩阵特征；其中，所述稀疏矩阵的矩阵特征至少包括所述稀疏矩阵的密度、所述稀疏矩阵每行非零元个数的平均值。 5.根据权利要求1所述的基于稀疏矩阵向量乘的特征检测的方法，其特征在于，将稀疏矩阵转换为矩阵图像包括：获取待生成的矩阵图像的大小以及获取所述稀疏矩阵的非零元素的数量；在所述非零元素的数量等于所述待生成的矩阵图像的大小的情况下，在RGB三通道中的第一通道中对应的位置填入所述非零元素的行坐标以及在第二通道中对应的位置填入所述非零元素的列坐标；在所述非零元素的数量小于所述待生成的矩阵图像的大小的情况下，在所述RGB三通道中的所述第一通道中对应的位置填入所述非零元素的行坐标以及在所述第二通道中对应的位置填入所述非零元素的列坐标；对于空余部分的位置填入0；在所述非零元素的数量大于所述待生成的矩阵图像的大小的情况下，选取所述稀疏矩阵的所有非零元素中部的与所述待生成的矩阵图像的大小相等数量的元素；在所述RGB三通道中的所述第一通道中对应的位置填入所述元素的行坐标以及在所述第二通道中对应的位置填入所述元素的列坐标。 6.根据权利要求1或5所述的基于稀疏矩阵向量乘的特征检测的方法，其特征在于，在确定所述RGB三通道的元素的值后，所述方法还包括：分别对各通道的元素的值进行归一化处理，以便于各所述通道的元素的值在预设范围内。 7.一种基于稀疏矩阵向量乘的特征检测的装置，其特征在于，包括：获取模块，用于获取数据采集设备采集的用于表征预设场景特征的数据，并根据所述数据确定出目标稀疏矩阵；其中，所述预设场景为海洋声学场景，所述数据采集设备为传感器，所述获取数据采集设备采集的用于表征预设场景特征的数据，并根据所述数据确定出目标稀疏矩阵包括：获取所述传感器采集的水下声场数据，根据所述水下声场数据复原出所述目标稀疏矩阵，所述水下声场数据包括声强、水温密度、流速；转化及提取模块，用于将所述目标稀疏矩阵转化为矩阵图像以及提取所述目标稀疏矩阵的矩阵特征；输入模块，用于将所述矩阵图像和所述矩阵特征输入至预设的神经网络模型中；其中，所述神经网络模型是通过将样本稀疏矩阵对应的样本矩阵图像和样本稀疏矩阵对应的样本矩阵特征作为输入，所述样本稀疏矩阵的所有格式进行相同次数的稀疏矩阵向量乘的耗时结果中耗时最短时对应的格式作为输出训练得到；输出模块，用于通过所述神经网络模型输出所述目标稀疏矩阵的预测存储格式；确定模块，用于按照所述预测存储格式对所述目标稀疏矩阵进行稀疏矩阵向量乘，并根据稀疏矩阵向量乘的结果确定所述预设场景的特征信息；其中，将稀疏矩阵转换为矩阵图像包括：将所述稀疏矩阵按照预设大小进行分块；获取当前分块中当前非零元素的列坐标相对于所述稀疏矩阵对角线的第一距离；获取所述第一距离与所述当前分块的宽度的第一整除结果以及所述当前非零元素的行坐标与所述当前分块的长度的第二整除结果；根据所述第一整除结果和所述第二整除结果确定RGB三通道的第一通道中待修改的非零元素的坐标，并对所述第一通道中待修改的非零元素的坐标上的元素值加1；返回所述获取当前分块中当前非零元素的列坐标相对于所述稀疏矩阵对角线的距离的步骤，直至遍历完所述稀疏矩阵中所有的非零元素为止；获取所述当前分块中所述当前非零元素的行坐标相对于所述稀疏矩阵对角线的第二距离；获取所述第二距离与所述当前分块的长度的第三整除结果以及所述当前非零元素的列坐标与所述当前分块的宽度的第四整除结果；根据所述第三整除结果和所述第四整除结果确定所述RGB三通道的第二通道中待修改的非零元素的坐标，并对所述第二通道中待修改的非零元素的坐标上的元素值加1；返回所述获取所述当前分块中所述当前非零元素的行坐标相对于所述稀疏矩阵对角线的距离的步骤，直至遍历完所述稀疏矩阵中所有的非零元素为止；获取所述当前分块中非零元素的数量；获取所述当前分块中所述非零元素的数量与所述当前分块大小的比值；将所述比值作为所述RGB三通道中第三通道的所述当前分块对应的值。 8.一种基于稀疏矩阵向量乘的特征检测的装置，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的一种基于稀疏矩阵向量乘的特征检测的方法的步骤。 9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种基于稀疏矩阵向量乘的特征检测的方法的步骤。