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