一种基于权重翻转的特征图重构方法、系统、存储介质及终端技术方案

本发明专利技术公开了一种基于权重翻转的特征图重构方法、系统、存储介质及终端，所述方法包括：获取输入特征图输入预设SE模块中，生成输入特征图的多个特征通道对应的权重值并对输入特征图加权，生成加权后的第一特征图和第二特征图；将加权后的第一特征图和第二特征图进行通道分离和重构，生成通道数压缩后的第一特征图和第二特征图；将通道数压缩后的第一特征图和第二特征图进行特征变换并将特征变换后的第一特征图和第二特征图对应的特征通道逐一拼接，生成重构特征图。因此，采用本申请实施例，可以去除通道冗余，减少了参数量和计算量，有效提升了卷积神经网络的性能，使得神经网络模型对原始图像识别的准确率大幅度提升。

【技术实现步骤摘要】
一种基于权重翻转的特征图重构方法、系统、存储介质及终端
本专利技术涉及计算机视觉的深度学习
，特别涉及一种基于权重翻转的特征图重构方法、系统、存储介质及终端。
技术介绍
随着深度学习的兴起，作为深度学习技术之一，卷积神经网络在计算机视觉领域得到越来越多的发展和应用，研究人员提出了许多卷积操作，比如转置卷积、膨胀卷积、分组卷积、深度分离卷积、逐点卷积、可变形卷积等。卷积神经网络(CNN)通过卷积操作来有效提取图像特征信息，在图像分类、语义分割、物体检测等计算机视觉任务中有着很好地性能表现。目前在计算机视觉领域中，通过卷积神经网络提取图像特征，用于后续分类、检测、分割等任务。其中评比一个神经网络模型是否优秀最重要的指标就是对原始图像识别的准确率，由于当前这种卷积方式对原始图像进行卷积操作后得到的特征图存在通道冗余，这将占用大量的内存空间和消耗大量的计算资源，降低卷积神经网络的性能，从而导致神经网络模型对原始图像识别的准确率大幅度下降。
技术实现思路
本申请实施例提供了一种基于权重翻转的特征图重构方法、系统、存储介质本文档来自技高网...

【技术保护点】
1.一种基于权重翻转的特征图重构方法，其特征在于，所述方法包括：/n获取输入特征图；/n将所述输入特征图输入预设SE模块中，生成所述输入特征图的多个特征通道对应的权重值；/n根据所述多个特征通道对应的权重值对所述输入特征图加权，生成加权后的第一特征图和第二特征图；/n将所述加权后的第一特征图和第二特征图进行通道分离和重构，生成通道数压缩后的第一特征图和第二特征图；/n将所述通道数压缩后的第一特征图和第二特征图进行特征变换，生成特征变换后的第一特征图和第二特征图；/n将所述特征变换后的第一特征图和第二特征图对应的特征通道逐一拼接，生成重构特征图。/n

【技术特征摘要】
1.一种基于权重翻转的特征图重构方法，其特征在于，所述方法包括：
获取输入特征图；
将所述输入特征图输入预设SE模块中，生成所述输入特征图的多个特征通道对应的权重值；
根据所述多个特征通道对应的权重值对所述输入特征图加权，生成加权后的第一特征图和第二特征图；
将所述加权后的第一特征图和第二特征图进行通道分离和重构，生成通道数压缩后的第一特征图和第二特征图；
将所述通道数压缩后的第一特征图和第二特征图进行特征变换，生成特征变换后的第一特征图和第二特征图；
将所述特征变换后的第一特征图和第二特征图对应的特征通道逐一拼接，生成重构特征图。


2.根据权利要求1所述的方法，其特征在于，所述生成重构特征图之后，还包括：
将所述重构特征图进行1x1卷积升维，生成输出特征图。


3.根据权利要求1或2所述的方法，其特征在于，所述根据所述多个特征通道对应的权重值对所述输入特征图加权，生成加权后的第一特征图和第二特征图，包括：
将所述多个特征通道对应的权重值与所述输入特征图相乘，得到加权后的第一特征图；
将所述多个特征通道对应的权重值进行权重翻转，生成翻转后的多个权重值；
将所述翻转后的多个权重值与所述输入特征图相乘，得到加权后的第二特征图。


4.根据权利要求1所述的方法，其特征在于，所述将所述加权后的第一特征图和第二特征图进行通道分离和重构，生成通道数压缩后的第一特征图和第二特征图，包括：
分离所述第一特征图，生成第一子特征图和第二子特征图；
分离所述第二特征图，生成第三子特征图和第四子特征图；
将所述第一子特征图和第二子特征图对应的通道逐元素逐一相加进行重构，生成通道数压缩后的第一特征图；
将所述第三子特征图和第四子特征图对应的通道逐元素逐一相加进行重构，生成通道数压缩后的第二特征图。


5.根据权利要求1所述的方法，其特征在于，所述将所述通道数...

【专利技术属性】
技术研发人员：赵磊，方红波，廖旻可，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：北京;11