图像处理方法、电子设备和存储介质技术

本发明专利技术提出了一种图像处理方法、电子设备和存储介质，该方法用于CNN卷积神经网络，包括：基于多种指定特征提取方式对目标图像进行特征提取，得到所述多种指定特征提取方式各自对应的特征集合，其中，所述多种指定特征提取方式包括Gabor特征提取方式、小波变换特征提取方式和CNN卷积特征提取方式中的至少两种；将所述多种指定特征提取方式各自对应的特征集合进行融合，得到多特征融合信息，所述多特征融合信息用于向所述CNN卷积神经网络的隐含层传递。本技术方案提升了CNN卷积神经网络应用的泛化性，在提升模型识别率的同时，减少了其开发过程中的人力成本和时间成本。其开发过程中的人力成本和时间成本。其开发过程中的人力成本和时间成本。

【技术实现步骤摘要】
图像处理方法、电子设备和存储介质


[0001]本专利技术涉及神经网络
，尤其涉及一种图像处理方法、电子设备和存储介质。

技术介绍

[0002]在用于对目标图像进行物体识别的CNN卷积神经网络中，通常以指定方式提取特征信息，用以输入模型的隐含层进行进一步处理。比如，可通过Gabor滤波器提取目标图像的特征信息。指定方式对于CNN卷积神经网络的模型架构、池化策略、分类方式均具有个性化要求，为此，在开发CNN卷积神经网络过程中，往往需要采用大量人工干预对CNN卷积神经网络的模型架构、池化策略、分类方式进行设置和调整，所耗人力成本和时间成本巨大，且易出现失误，导致CNN卷积神经网络的识别率受到负面影响。
[0003]因此，如何减少CNN卷积神经网络开发过程中的人工干预，成为目前亟待解决的技术问题。

技术实现思路

[0004]本专利技术实施例提供了一种图像处理方法、电子设备和存储介质，旨在解决相关技术中指定特征提取方式在CNN卷积神经网络开发过程中消耗大量人力成本的技术问题。
[0005]第一方面，本专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，用于CNN卷积神经网络，包括：基于多种指定特征提取方式对目标图像进行特征提取，得到所述多种指定特征提取方式各自对应的特征集合，其中，所述多种指定特征提取方式包括Gabor特征提取方式、小波变换特征提取方式和CNN卷积特征提取方式中的至少两种；将所述多种指定特征提取方式各自对应的特征集合进行融合，得到多特征融合信息，所述多特征融合信息用于向所述CNN卷积神经网络的隐含层传递。2.根据权利要求1所述的方法，其特征在于，所述将所述多种指定特征提取方式各自对应的特征集合进行融合，包括：获取所述多种指定特征提取方式针对同一指定对象的识别率；基于每个所述指定特征提取方式的所述识别率，确定每个所述指定特征提取方式对应的加权参数；基于每个所述指定特征提取方式对应的加权参数，确定每个所述指定特征提取方式所得的所述特征集合在所述多特征融合信息中的占比率；基于多个所述特征集合各自对应的所述占比率，通过加权融合方式对多个所述特征集合进行融合。3.根据权利要求1所述的方法，其特征在于，所述将所述多种指定特征提取方式各自对应的特征集合进行融合，包括：通过PCA融合方式对所述多种指定特征提取方式各自对应的特征集合进行融合。4.根据权利要求2或3所述的方法，其特征在于，在所述将所述多种指定特征提取方式各自对应的特征集合进行融合之前，...

【专利技术属性】
技术研发人员：孟祥飞，孙华文，刘金明，孙娜，冯源，
申请(专利权)人：天河超级计算淮海分中心，
类型：发明
国别省市：