一种基于改进卷积块的特征提取方法、装置及其存储介质制造方法及图纸

本发明专利技术公开了一种基于改进卷积块的特征提取方法、装置和存储介质。在VGG16网络中设置压缩卷积块，所述压缩卷积块接收到前一层池化层输入的图像特征后，通过压缩卷积块的第一卷积层对输入图像特征的通道数进行压缩，得出第一卷积层输出特征作为第二卷积层和第三卷积层的输入，再将第二卷积层输出特征和第三卷积层输出特征进行拼接得出压缩卷积块输出特征。本发明专利技术中卷积层的通道数小于池化层的通道数，实现了对输入图像特征的维度进行压缩，有效降低特征图的维数，从而减少了网络训练的计算量，从而减少了特征图训练的时间，大大提升了特征提取的效率。

A Feature Extraction Method, Device and Storage Medium Based on Improved Convolution Block

The invention discloses a feature extraction method, device and storage medium based on improved convolution block. A compressed convolution block is set up in VGG16 network. After receiving the input image features of the previous pooling layer, the compressed convolution block compresses the number of channels of the input image features through the first convolution layer of the compressed convolution block. The output features of the first convolution layer are obtained as the input of the second convolution layer and the third convolution layer, and then the output features of the second convolution layer and the third convolution layer are output features. The output characteristics of the compressed convolution block are obtained by stitching the features. The number of channels in the convolution layer is less than that in the pooling layer. The dimension of the input image features is compressed, the dimension of the feature graph is effectively reduced, thus the calculation amount of network training is reduced, the training time of the feature graph is reduced, and the efficiency of feature extraction is greatly improved.

【技术实现步骤摘要】
一种基于改进卷积块的特征提取方法、装置及其存储介质
本专利技术涉及神经网络领域，特别是用于图像识别的一种基于改进卷积块的特征提取方法、装置及其存储介质。
技术介绍
目前，随着图像识别技术的应用场景越来越广泛，为了从海量数据库中准确检索出图像，需要利用卷积神经网络提取出原始图像的图像特征，再对图像特征进行量化编码后通过计算汉明距离得出的相似度的大小输出识别结果。而在图像提取的过程中，网络的深度决定了该网络的非线性能力，而非线性能力对图像特征的提取至关重要。为了获得较好的非线性能力，现有技术中大多数采用的卷积神经网络为VGG16网络，VGG16网络虽然能够获取较好的非线性能力，但是传统VGG16网络中包括多个卷积块，卷积块中卷积层的层数较多，通过多次卷积之后特征维度较大，导致特征图训练所消耗的时间较多，因此无法在短时间内获得较好的非线性能力，影响图像识别的效率。
技术实现思路
为了克服现有技术的不足，本专利技术的目的在于提供一种基于改进卷积块的特征提取方法、装置及其存储介质，在实际应用中能够实现减少VGG16网络中的计算量，在保持原有特征提取效果的前提下提升特征提取的速度。本专利技术解决其问本文档来自技高网...

【技术保护点】
1.一种基于改进卷积块的特征提取方法，其特征在于，包括以下步骤：获取池化层输入至压缩卷积块的输入图像特征，所述压缩卷积块包括第一卷积层、第二卷积层和第三卷积层；获取所述压缩卷积块中各卷积层的卷积参数，所述卷积参数包括卷积核和通道数，所述第一卷积层的通道数小于所述池化层的通道数，所述第二卷积层和第三卷积层的通道数之和与后一层池化层的通道数相等；将所述输入特征图发送至第一卷积层进行卷积，获取第一卷积层输出特征；将所述第一卷积层输出特征分别输入至第二卷积层和第三卷积层进行卷积，将获取的第二卷积层输出特征和第三卷积层输出特征相拼接，得出压缩卷积块输出特征并发送至后一层池化层中。

【技术特征摘要】
1.一种基于改进卷积块的特征提取方法，其特征在于，包括以下步骤：获取池化层输入至压缩卷积块的输入图像特征，所述压缩卷积块包括第一卷积层、第二卷积层和第三卷积层；获取所述压缩卷积块中各卷积层的卷积参数，所述卷积参数包括卷积核和通道数，所述第一卷积层的通道数小于所述池化层的通道数，所述第二卷积层和第三卷积层的通道数之和与后一层池化层的通道数相等；将所述输入特征图发送至第一卷积层进行卷积，获取第一卷积层输出特征；将所述第一卷积层输出特征分别输入至第二卷积层和第三卷积层进行卷积，将获取的第二卷积层输出特征和第三卷积层输出特征相拼接，得出压缩卷积块输出特征并发送至后一层池化层中。2.根据权利要求1所述的一种基于改进卷积块的特征提取方法，其特征在于：所述第一卷积层的通道数为前一层池化层的通道数的3/4；所述第二卷积层和第三卷积层的通道数相等且均为后一层池化层的通道数的1/2。3.根据权利要求1所述的一种基于改进卷积块的特征提取方法，其特征在于：所述第一卷积层和第二卷积层的卷积核为1×1，所述第三卷积层的卷积核为3×3。4.根据权利要求1所述的一种基于改进卷积块的特征提取方法，其特征在于：所述压缩卷积块为VGG16网络中第2-5个卷积块。5.根据权利要求4所述的一种基于改进卷积块的特征提取方法，其特征在于：所述VGG16网络中的第1个卷积块的卷积核为3×3，通道数为1。6.根据权利要求1所述的一种基于改进卷积块的特征提取方法，其特征...

【专利技术属性】
技术研发人员：应自炉，甄俊杰，陈俊娟，甘俊英，龙祥，黄尚安，赵毅鸿，宣晨，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东,44