一种卷积神经网络非局部信息构建方法技术

本发明专利技术提供了一种卷积神经网络非局部信息构建方法，所述方法利用普通的卷积神经网络提取图像的卷积特征；采用自注意力机制计算图像的像素级全局注意力图；通过注意力图构建图像内部的全局图结构；采用图卷积神经网络在图像内部的全局图结构上提取具有非局部性的图特征；采用矩阵乘法将图像的图特征与卷积特征进行融合，并将融合的特征输入到后续网络中。本发明专利技术方法不仅仅能提取图像固定感受野下的局部特征，还能够提取非局部特征，减少卷积神经网络在图像特征提取上的误差，显著增加图像生成与分类有效性。生成与分类有效性。生成与分类有效性。

【技术实现步骤摘要】
一种卷积神经网络非局部信息构建方法


[0001]本专利技术属于卷积神经网络
，具体涉及一种基于自注意力机制与图卷积的卷积神经网络非局部信息构建方法。

技术介绍

[0002]随着大数据时代的来临，神经网络被应用到人工智能的各个领域当中，如：图像识别，自动翻译，无人汽车等。其中的卷积神经网络更是在计算机视觉中占据越来越重要的地位，成为提取图像特征的一种重要方法。卷积神经网络中的卷积操作利用卷积滤波器进行参数共享和层与层之间的稀疏连接，提取固定感受野之下的卷积特征。这些卷积特征将输入到后续的网络中完成特定的任务，如人脸识别，图像分割，视频插帧等。
[0003]目前的卷积神经网络提取的特征是通过卷积滤波器提取固定感受野中的局部特征。为了使得网络能够提取到整张图像的特征，卷积神经网络需要堆叠卷积滤波器构建马尔科夫链。由于卷积滤波器本身不具备非局部性质，所以其获得的特征并不能很好地建模图像的全局特征，造成非局部信息的缺失。缺失非局部信息将导致网络的有效性降低，产生较大的误差。

技术实现思路

[0004]本专利技术提供了一种卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络非局部信息构建方法，其特征在于，依次包括以下步骤：S1、利用普通的卷积神经网络提取图像的卷积特征；S2、采用自注意力机制计算图像的像素级全局注意力图；S3、通过注意力图构建图像内部的全局图结构；S4、采用图卷积神经网络在图像内部的全局图结构上提取具有非局部性的图特征；S5、采用矩阵乘法将图像的图特征与卷积特征进行融合，并将融合的特征输入到后续网络中。2.根据权利要求1所述的卷积神经网络非局部信息构建方法，其特征在于，步骤2采用自注意力机制计算图像的像素级全局注意力图的方法为：通过四个卷积块将卷积特征图映射到四个特征空间中，分别记为F、G、J、M，其中特征图F经过矩阵转置后与特征图G进行矩阵乘法，再经过s...

【专利技术属性】
技术研发人员：彭旭阳，刘伟锋，鲁效平，刘宝弟，王珺，王延江，齐玉娟，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：