一种图像处理系统及其卷积神经网络技术方案

本申请公开了一种图像处理系统及其卷积神经网络，该卷积神经网络包括智能密集连接模块，智能密集连接模块包括基本卷积模块和智能注意力模块，基本卷积模块用于对接收到的待处理图像进行卷积运算以得到相应的特征图，然后将特征图传输至与自身输出侧连接的智能注意力模块；智能注意力模块用于获取与自身输入侧连接的基本卷积模块传输的特征图作为输入侧特征图以及获取位于自身位置之前的其它模块传输的特征图作为待融合特征图，并从输入侧特征图的所有通道中筛选出部分通道作为目标通道，然后将目标通道对应的特征图与待融合特征图进行通道叠加以得到新的特征图并输出。通过本申请的上述技术方案，能够减少输入通道数，降低计算量。

An image processing system and its convolution neural network

【技术实现步骤摘要】
一种图像处理系统及其卷积神经网络
本专利技术涉及图像处理
，特别涉及一种图像处理系统及其卷积神经网络。
技术介绍
目前，卷积神经网络(CNN)已经成为深度学习方向上最主要的网络结构，如最近的GoogLenet，VGG-19，Inception等卷积神经网络模型，它们被广泛的应用在图像处理系统，如图像分割系统或图像分类系统中。2016年出现了一种更激进的卷积神经网络，即基于密集连接的卷积神经网络DenseNet，这种网络所采用的密集连接机制，要求互相连接所有的层，具体来说，就是每个层都会接受其前面所有层额外输入的特征图作为待融合特征图。在DenseNet中，每个层由自身产生的特征图都会与前面所有层输入的待融合特征在通道(channel)的维度上连接(concat)在一起以得到新的特征图，并将该新的特征图作为下一层的输入。对于一个L层的Dense网络，DenseNet共包含个L*(L+1)/2连接，形成了一种密集连接，而且DenseNet是直接拼接来自不同层的特征图。对于采用密集连接卷积神经网络进行图像分割或图像分类等图像处理本文档来自技高网...

【技术保护点】
1.一种图像处理系统，其特征在于，包括卷积神经网络，所述卷积神经网络包括智能密集连接模块，所述智能密集连接模块包括基本卷积模块和智能注意力模块，其中，/n所述基本卷积模块，用于对接收到的待处理图像进行卷积运算以得到相应的特征图，然后将所述特征图传输至与自身输出侧连接的所述智能注意力模块；/n所述智能注意力模块，用于获取与自身输入侧连接的所述基本卷积模块传输的特征图作为输入侧特征图以及获取位于自身位置之前的其它模块传输的特征图作为待融合特征图，并从所述输入侧特征图的所有通道中筛选出部分通道作为目标通道，然后将所述目标通道对应的特征图与所述待融合特征图进行通道叠加，以得到新的特征图并输出。/n

【技术特征摘要】
1.一种图像处理系统，其特征在于，包括卷积神经网络，所述卷积神经网络包括智能密集连接模块，所述智能密集连接模块包括基本卷积模块和智能注意力模块，其中，
所述基本卷积模块，用于对接收到的待处理图像进行卷积运算以得到相应的特征图，然后将所述特征图传输至与自身输出侧连接的所述智能注意力模块；
所述智能注意力模块，用于获取与自身输入侧连接的所述基本卷积模块传输的特征图作为输入侧特征图以及获取位于自身位置之前的其它模块传输的特征图作为待融合特征图，并从所述输入侧特征图的所有通道中筛选出部分通道作为目标通道，然后将所述目标通道对应的特征图与所述待融合特征图进行通道叠加，以得到新的特征图并输出。


2.根据权利要求1所述的图像处理系统，其特征在于，所述智能密集连接模块，还包括：
通道控制模块，用于产生通道筛选控制参数，以便所述智能注意力模块根据所述通道筛选控制参数筛选出所述目标通道。


3.根据权利要求2所述的图像处理系统，其特征在于，所述通道筛选控制参数为通道丢弃率。


4.根据权利要求3所述的图像处理系统，其特征在于，所述智能注意力模块，包括权重向量计算层、卷积层、批归一化层、sigmoid层、加权层、智能丢弃层和融合层；其中，
所述权重向量计算层，用于按照输入通道的维度对所述输入侧特征图的像素求平均值，以得到用于表征每个通道的权重向量；
所述卷积层和所述批归一化层，用于利用所述权重向量，对权重进行训练，以得到相应的训练后向量；
所述sigmoi...

【专利技术属性】
技术研发人员：王立，郭振华，赵雅倩，范宝余，张润泽，高开，王丽，曹芳，陈永芳，
申请(专利权)人：浪潮电子信息产业股份有限公司，
类型：发明
国别省市：山东;37