一种特征图处理方法、装置、存储介质及终端制造方法及图纸

本发明专利技术公开了一种特征图处理方法、装置、存储介质及终端，所述方法包括：获取输入特征图后按照卷积参数值(conv1*1卷积)进行降维后生成输入通道特征图集合；将所述输入通道特征图集合按照预设分组数量进行分组生成分组后的通道特征图集合后基于预设多尺度移位模块将所述分组后的通道特征图集合进行处理生成分组处理后的特征图集合；将所述分组处理后的特征图集合拼接后生成拼接后的特征图；将所述拼接后的特征图对应的通道数升维后输入预设SE增强模块中生成增强后的特征图；基于所述增强后的特征图和所述输入特征图生成输出特征图。因此，采用本申请实施例，可以提高多尺度特征信息提取的有效性。

A processing method, device, storage medium and terminal of characteristic diagram

【技术实现步骤摘要】
一种特征图处理方法、装置、存储介质及终端
本专利技术涉及计算机
，特别涉及一种特征图处理方法、装置、存储介质及终端。
技术介绍
随着深度学习的兴起，卷积神经网络(CNN)在计算机视觉领域取得了巨大成功，尤其是ResNet网络的提出，使得CNN网路设计可以不受梯度消失的影响，可以训练出很深的CNN网络，从而最大程度地提取有效的卷积特征信息。目前在计算机视觉领域中，骨干网络均使用了ResNet网络提取图像特征，用于后续分类、检测、分割等任务。但是这种方式在提取图像特征时，当需要提取不同尺度下更多的图像信息时，需要增加计算量和参数量才能完成不同尺度下更多的图像信息的提取，从而降低了多尺度特征信息提取的有效性。
技术实现思路
本申请实施例提供了一种特征图处理方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。第一方面，本申请实施例提供了一种特征图处理方法，所述方法包括：获取输入特征图；将所述输入特征图按照卷积参数值进行降维后生成输入通道特征图集合；将所述输入通道特征图集合按照预设分组数量进行分组生成分组后的通道特征图集合；基于预设多尺度移位模块将所述分组后的通道特征图集合进行处理生成分组处理后的特征图集合；将所述分组处理后的特征图集合拼接后生成拼接后的特征图；将所述拼接后的特征图对应的通道数升维成所述特征图对应的通道数，生成升维后的特征图；将所述升维后的特征图输入预设SE增强模块中生成增强后的特征图；基于所述增强后的特征图和所述输入特征图生成输出特征图。可选的，所述获取输入特征图之前，还包括：获取目标图像；将所述目标图像输入预设卷积神经网络模型中生成输入特征图。可选的，所述基于所述增强后的特征图和所述输入特征图生成输出特征图，包括：将所述增强后的特征图和所述输入特征图相加生成输出特征图。可选的，所述卷积参数值是conv1*1卷积。第二方面，本申请实施例提供了一种特征图处理装置，所述装置包括：特征图获取模块，用于获取输入特征图；第一集合生成模块，用于将所述输入特征图按照卷积参数值进行降维后生成输入通道特征图集合；第二集合生成模块，用于将所述输入通道特征图集合按照预设分组数量进行分组生成分组后的通道特征图集合；第三集合生成模块，用于基于预设多尺度移位模块将所述分组后的通道特征图集合进行处理生成分组处理后的特征图集合；第一特征图生成模块，用于将所述分组处理后的特征图集合拼接后生成拼接后的特征图；第二特征图生成模块，用于将所述拼接后的特征图对应的通道数升维成所述特征图对应的通道数，生成升维后的特征图；第三特征图生成模块，用于将所述升维后的特征图输入预设SE增强模块中生成增强后的特征图；第四特征图生成模块，用于基于所述增强后的特征图和所述输入特征图生成输出特征图。可选的，所述装置还包括：图像获取模块，用于获取目标图像；第五特征图生成模块，用于将所述目标图像输入预设卷积神经网络模型中生成输入特征图。可选的，所述第四特征图生成模块，具体用于：将所述增强后的特征图和所述输入特征图相加生成输出特征图。第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。本申请实施例提供的技术方案可以包括以下有益效果：在本申请实施例中，首先获取输入特征图，然后将所述输入特征图按照卷积参数值进行降维后生成输入通道特征图集合，再将所述输入通道特征图集合按照预设分组数量进行分组生成分组后的通道特征图集合，基于预设多尺度移位模块将所述分组后的通道特征图集合进行处理生成分组处理后的特征图集合，将所述分组处理后的特征图集合拼接后生成拼接后的特征图，将所述拼接后的特征图对应的通道数升维成所述特征图对应的通道数，生成升维后的特征图，将所述升维后的特征图输入预设SE增强模块中生成增强后的特征图，最后基于所述增强后的特征图和所述输入特征图生成输出特征图。由于本专利技术使用四连通域移位操作代替空域卷积操作，通过多尺度增强模块进一步减少res2net网络中多尺度提取特征信息时卷积操作的计算量和参数量，同时使用跳跃连接将原始输入特征图信息与多尺度提取的特征信息进行聚合，进一步提高了多尺度特征信息提取的有效性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1是本申请实施例提供的特征图处理方法的流程示意图；图2是本申请实施例提供的特征图处理过程的过程示意图；图3是本申请实施例提供的一种特征图处理装置的结构示意图；图4是本申请实施例提供的另一种特征图处理装置的结构示意图；图5是本申请实施例提供的一种终端的结构示意图。具体实施方式以下描述和附图充分地示出本专利技术的具体实施方案，以使本领域的技术人员能够实践它们。应当明确，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。在本专利技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。此外，在本专利技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。到目前为止，对于图像特征的提取，骨干网络均使用了ResNet网络提取图像特征，用于后续分类、检测、分割等任务。但是这种方式在提取图像特征时，当需要提取不同尺度下更多的图像信息时，需要增加计算量和参数量才能完成不同尺度下更多的图像信息的提取，从而降低了图像信息提取的效率。为此，本申请提供了一种图像处理方法、装置、存本文档来自技高网...

【技术保护点】
1.一种特征图处理方法，其特征在于，所述方法包括：/n获取输入特征图；/n将所述输入特征图按照卷积参数值进行降维后生成输入通道特征图集合；/n将所述输入通道特征图集合按照预设分组数量进行分组生成分组后的通道特征图集合；/n基于预设多尺度移位模块将所述分组后的通道特征图集合进行处理生成分组处理后的特征图集合；/n将所述分组处理后的特征图集合拼接后生成拼接后的特征图；/n将所述拼接后的特征图对应的通道数升维成所述特征图对应的通道数，生成升维后的特征图；/n将所述升维后的特征图输入预设SE增强模块中生成增强后的特征图；/n基于所述增强后的特征图和所述输入特征图生成输出特征图。/n

【技术特征摘要】
1.一种特征图处理方法，其特征在于，所述方法包括：
获取输入特征图；
将所述输入特征图按照卷积参数值进行降维后生成输入通道特征图集合；
将所述输入通道特征图集合按照预设分组数量进行分组生成分组后的通道特征图集合；
基于预设多尺度移位模块将所述分组后的通道特征图集合进行处理生成分组处理后的特征图集合；
将所述分组处理后的特征图集合拼接后生成拼接后的特征图；
将所述拼接后的特征图对应的通道数升维成所述特征图对应的通道数，生成升维后的特征图；
将所述升维后的特征图输入预设SE增强模块中生成增强后的特征图；
基于所述增强后的特征图和所述输入特征图生成输出特征图。


2.根据权利要求1所述的方法，其特征在于，所述获取输入特征图之前，还包括：
获取目标图像；
将所述目标图像输入预设卷积神经网络模型中生成输入特征图。


3.根据权利要求1所述的方法，其特征在于，所述基于所述增强后的特征图和所述输入特征图生成输出特征图，包括：
将所述增强后的特征图和所述输入特征图相加生成输出特征图。


4.根据权利要求1所述的方法，其特征在于，所述卷积参数值是conv1*1卷积。


5.一种特征图处理装置，其特征在于，所述装置包括：
特征图获取模块，用于获取输入特征图；
第一集合生成模块，用于将所述输入特征图按照卷积参数值进行降维后生成输入通道特征图集合；
...

【专利技术属性】
技术研发人员：贾琳，赵磊，
申请(专利权)人：重庆特斯联智慧科技股份有限公司，
类型：发明
国别省市：重庆;50