一种用于深度神经网络的图像特征提取方法技术

本发明专利技术涉及一种用于深度神经网络的图像特征提取方法，包括：S1.对原始图像进行卷积及池化处理生成第一特征图像，其中进行卷积处理的卷积层为n组，进行池化处理的池化层为n‑1层；S2.对所述第一特征图像进行第一组扩张卷积处理生成第二特征图像，以及将所述第一特征图像进行池化处理生成第三特征图像；S3.将所述第三特征图像与所述第二特征图像进行拼接生成第四特征图像。对原始图像进行扩张卷积操作，扩大了感受视野，保证了输出的第一特征图像中的图像特征丰富，降低了由于池化处理使第一特征图像的分辨率降低而导致的图像特征的丢失。

An image feature extraction method for deep neural network

The invention relates to an image feature extraction method for a deep neural network, which includes convolution and pool processing of S1. to generate first feature images, in which the convolution layer of convolution processing is n group, and the pool layer of the pool processing is n 1 layers; S2. is the first set of expansion of the first feature image. The convolution processing generates second feature images, and the first feature image is pooled to generate third feature images; S3. splices the third feature images with the second feature images to generate fourth feature images. The expansion convolution operation of the original image enlarges the visual field, ensures the rich image features in the first feature image of the output, and reduces the loss of the image features due to the reduction in the resolution of the first feature image by the pool processing.

【技术实现步骤摘要】
一种用于深度神经网络的图像特征提取方法
本专利技术涉及一种图像处理方法，尤其涉及一种用于深度神经网络的图像特征提取方法。
技术介绍
随着科技的发展，计算机视觉的关注度不断提高，并且计算机视觉已经在多个领域进行应用。计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。因此，在计算机视觉首先需要对图像进行处理，即对输入的图像进行目标检测和分割。现有技术中，需要通过多个神经网络对图像分别进行目标检测和分割处理，在对目标检测和分割处理之前都需要对图像进行分别处理。现有技术中，都是基于得到区域建议框后，在建议框中进行多任务的目标检测和语义分割，实现全图特征提取后再进行多任务输出，由于信息不足不能得到工程上合理的结果，不能实现一个神经网络对图像处理的多任务输出的要求，使得神经网络的结构繁杂，导致图像处理的效率低。在交通运输领域，由于车辆行驶环境复杂，且现有技术的图像特征提取方法效率低或准确性差，导致计算机视觉的识别效率低，难以在实际中应运。
技术实现思路
本专利技术的目的在于提供一种用于深度神经网络的图像特征提取方法，解决图像特征提取准确性差的问题。为实现上述专利技术目的，本专利技术提供一种用于深度神经网络的图像特征提取方法，包括：S1.对原始图像进行卷积及池化处理生成第一特征图像，其中进行卷积处理的卷积层为n组，进行池化处理的池化层为n-1层；S2.对所述第一特征图像进行第一组扩张卷积处理生成第二特征图像，以及将所述第一特征图像进行池化处理生成第三特征图像；S3.将所述第三特征图像与所述第二特征图像进行拼接生成第四特征图像。根据本专利技术的一个方面，所述第三特征图像与所述第二特征图像的分辨相同。根据本专利技术的一个方面，对所述第一特征图像进行第一组扩张卷积处理生成第二特征图像的步骤中，所述第一组扩张卷积处理的扩张卷积处理次数为三次。根据本专利技术的一个方面，对原始图像进行卷积及池化处理生成第一特征图像的步骤中，进行卷积处理的卷积层为四组，进行池化处理的池化层为三层。根据本专利技术的一个方面，还包括：S4.对所述第四特征图像进行映射处理生成第五特征图像。根据本专利技术的一个方面，对原始图像进行卷积及池化处理生成第一特征图像的步骤包括：S11.将原始图像输入第一组卷积层进行第一组卷积处理；S12.将第一组卷积处理后生成的特征图像输入第一池化层进行第一次池化处理；S13.将第一次池化处理后生成的特征图像输入第二组卷积层进行第二组卷积处理；S14.将第二组卷积处理后生成的特征图像输入第二池化层进行第二次池化处理；S15.将第二次池化处理后生成的特征图像输入第三组卷积层进行第三组卷积处理；S16.将第三组卷积处理后生成的特征图像输入第三池化层进行第三次池化处理；S17.将第三次池化处理后生成的特征图像输入第四组卷积层进行第四组卷积处理生成所述第一特征图像。根据本专利技术的一个方面，所述第一组卷积处理的卷积处理次数为2或3次，所述第二组卷积处理的卷积处理次数为2或3次，所述第三组卷积处理的卷积处理次数为2或3次，所述第四组卷积处理的卷积处理次数为2或3次。根据本专利技术的一个方面，对所述第一特征图像进行第一组扩张卷积处理生成第二特征图像，以及将所述第一特征图像进行池化处理生成第三特征图像的步骤包括：S21.将所述第一特征图像输入第一组扩张卷积层进行第一次扩张卷积处理；S22.将第一次扩张卷积处理后生成的特征图像进行第二次扩张卷积处理；S23.将第二次扩张卷积处理后生成的特征图像进行第三次扩张卷积处理生成所述第二特征图像；S24.将所述第一特征图像输入第四池化层进行池化处理生成所述第三特征图像。根据本专利技术的一个方面，对所述第四特征图像进行映射处理生成第五特征图像的步骤包括：S41.将所述第四特征图像输入第二组扩张卷积层进行扩张卷积处理；S42.将经过扩张卷积处理后生成的特征图像输入第五组卷积层进行映射处理生成所述第五特征图像。根据本专利技术的一个方面，所述第五组卷积层为1*1卷积层；所述第五组卷积层中的卷积核个数为1024或2048。根据本专利技术的一个方案，对原始图像的池化处理次数减少，改用扩张卷积处理保证了输出的第二特征图像中的图像特征丰富，避免了由于池化处理使第二特征图像的分辨率降低而导致的图像特征的丢失，从而进一步保证了后续处理过程中能够获得完整的图像特征信息；将第一特征图像进行池化后生成的第三特征图像与第二特征图像进行拼接得到第四特征图像，通过拼接层使得第四特征图像的特征层涵盖更多的图像特征，从而进一步保证了后续处理过程中能够获得完整的图像特征信息。由于丰富了特征，使得整个卷积架构能良好的适应不同种类的任务。本专利技术所提出的特征提取方法丰富了特征图像的信息，为后续的分类或回归提供了鲁棒的特征图像信息，提高结果的准确度。根据本专利技术的一个方案，通过第一组扩张卷积层对第一特征图像进行多次扩张卷积处理，使得在对第一特征图像进行卷积处理的过程中起到扩大感受视野的作用。同时，通过上述第一组扩张卷积层的设置，替代原有的池化层既使得图像中的特征的尺寸缩小，又使得第二特征图像中涵盖更多的信息，避免了信息的损失，保证了后续过程中图像特征提取的准确。通过本专利技术的方法，有效保留了对原始图像卷积和池化处理后生成的特征图像中的信息，进一步提高了后续进行的图像特征提取过程中的精度。同时，通过第一组扩张卷积层丰富了第二特征图像的质量，不需要对图像进行池化处理，提高了图像特征提取的信息密集度，又将第三特征图像与第二特征图像拼接，加大了第四特征图像的特征个数。根据本专利技术的一个方案，由于第一组扩张卷积层使用扩张卷积处理，使得第二特征图像能保留更多第一特征图像的边缘信息。通过本专利技术的方法，有效的保证了经过处理后的图像能够同时具有丰富的边缘信息和类别特征信息。根据本专利技术的方法，使得生成的图像能够同时满足目标检测和语义分割两种要求，从而使得采用本专利技术的方法生成的图像能够满足多任务输出的要求，从而简化了传统深度神经网络图像特征提取过程中单任务输出的弊端，丰富了特征图像的信息，为后续的分类或回归提供了鲁棒的特征图像信息，提高结果的准确度。附图说明图1示意性表示根据本专利技术的一种实施方式的图像特征提取方法的步骤框图；图2示意性表示根据本专利技术的一种实施方式的图像特征提取方法的深度神经网络前端的结构图；图3示意性表示传统图像特征提取方法生成的第二特征图像；图4示意性表示根据本专利技术的一种实施方式的图像特征提取方法生成的第二特征图像；图5示意性表示根据本专利技术的一种实施方式的图像特征提取方法中第二特征图像经过第二组扩张卷积层后生成的特征图像；图6示意性表示根据本专利技术的一种实施方式的图像特征提取方法中第四特征图像经过第二组扩张卷积层后生成的特征图像。具体实施方式为了更清楚地说明本专利技术实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在针对本专利技术的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“本文档来自技高网...

【技术保护点】
一种用于深度神经网络的图像特征提取方法，包括：S1.对原始图像进行卷积及池化处理生成第一特征图像，其中进行卷积处理的卷积层为n组，进行池化处理的池化层为n‑1层；S2.对所述第一特征图像进行第一组扩张卷积处理生成第二特征图像，以及将所述第一特征图像进行池化处理生成第三特征图像；S3.将所述第三特征图像与所述第二特征图像进行拼接生成第四特征图像。

【技术特征摘要】
1.一种用于深度神经网络的图像特征提取方法，包括：S1.对原始图像进行卷积及池化处理生成第一特征图像，其中进行卷积处理的卷积层为n组，进行池化处理的池化层为n-1层；S2.对所述第一特征图像进行第一组扩张卷积处理生成第二特征图像，以及将所述第一特征图像进行池化处理生成第三特征图像；S3.将所述第三特征图像与所述第二特征图像进行拼接生成第四特征图像。2.根据权利要求1所述的图像特征提取方法，其特征在于，所述第三特征图像与所述第二特征图像的分辨相同。3.根据权利要求2所述的图像特征提取方法，其特征在于，对所述第一特征图像进行第一组扩张卷积处理生成第二特征图像的步骤中，所述第一组扩张卷积处理的扩张卷积处理次数为三次。4.根据权利要求3所述的图像特征提取方法，其特征在于，对原始图像进行卷积及池化处理生成第一特征图像的步骤中，进行卷积处理的卷积层为四组，进行池化处理的池化层为三层。5.根据权利要求4所述的图像特征提取方法，其特征在于，还包括：S4.对所述第四特征图像进行映射处理生成第五特征图像。6.根据权利要求5所述的图像特征提取方法，其特征在于，对原始图像进行卷积及池化处理生成第一特征图像的步骤包括：S11.将原始图像输入第一组卷积层进行第一组卷积处理；S12.将第一组卷积处理后生成的特征图像输入第一池化层进行第一次池化处理；S13.将第一次池化处理后生成的特征图像输入第二组卷积层进行第二组卷积处理；S14.将第二组卷积处理后生成的特征图像输入第二池化层进行第二次池化处理；S15.将第二次池化处理后生成的特征...

【专利技术属性】
技术研发人员：孙皓，王佛伟，胡振程，王艳明，
申请(专利权)人：维森软件技术上海有限公司，
类型：发明
国别省市：上海,31