【技术实现步骤摘要】
神经网络模型中数据处理方法、存储介质和电子装置
本申请实施例涉及属于机器学习中的神经网络领域，尤指一种神经网络模型中数据处理方法、存储介质和电子装置。
技术介绍
图像分类问题在计算机视觉中是一个十分基础且重要的问题。它构成了图像定位、目标检测、图像分割和其他计算机视觉任务的基础。目前先进的图像分类问题解决方法几乎都采用了机器学习的方法。使用传统的机器学习方法解决图像分类问题一般分为两步。第一步是使用特征描述符提取图像的特征，第二步是将图像的特征输入到一个可训练的分类器中并加以训练。这种方法的主要劣势是图像分类任务的准确性很大程度上取决于特征提取阶段特征描述符的设计，而特征提取任务往往是一项艰巨的任务。近些年来，多层神经网络模型将特征提取和特征分类两个阶段的任务融合成为了一个任务，克服了传统方法的缺点。其中，卷积神经网络在图像分类、目标检测等任务上的性能尤为领先。理解图片样本中物体的大小、姿势等几何形态是计算机视觉的一大挑战。对于卷积神经网络来说，由于其结构的限制，模型对于输入样本的几何形态缺乏充分的理解。局部...
【技术保护点】
1.一种神经网络模型中数据处理方法，其中所述神经网络模型的卷积层采用分情况赋予参数的卷积核，所述方法包括：/n将卷积层的输入特征图通过预设的寻径函数进行处理，得到所述输入特征图在预设的旋转维度上的空间特征；/n利用所述空间特征对所述卷积层中的E组卷积权重参数进行空间变换，得到空间变换后的卷积权重参数，其中E为大于等于2的整数；/n根据所述空间变换后的E组卷积权重参数，获取所述输入特征图的目标卷积权重参数；/n将所述目标卷积权重参数与所述输入特征图执行卷积运算，得到所述卷积层的输出特征图。/n
【技术特征摘要】
1.一种神经网络模型中数据处理方法，其中所述神经网络模型的卷积层采用分情况赋予参数的卷积核，所述方法包括：
将卷积层的输入特征图通过预设的寻径函数进行处理，得到所述输入特征图在预设的旋转维度上的空间特征；
利用所述空间特征对所述卷积层中的E组卷积权重参数进行空间变换，得到空间变换后的卷积权重参数，其中E为大于等于2的整数；
根据所述空间变换后的E组卷积权重参数，获取所述输入特征图的目标卷积权重参数；
将所述目标卷积权重参数与所述输入特征图执行卷积运算，得到所述卷积层的输出特征图。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在将卷积层的输入特征图通过预设的寻径函数进行处理时，还获取E个专家对所述输入特征图的重要程度特征；
在获取所述输入特征图的目标卷积权重参数时，根据每个专家在所述输入特征图对应的重要程度特征，执行加权求和操作。
3.根据权利要求1或2所述的方法，其特征在于，每组卷积权重参数Wi均是一个四维张量，其中所述四维张量的各个维度的长度分别为Cout、Cin、K以及K；
其中，Cout为所述卷积层的输出通道数，Cin为所述卷积层的输入通道数，K为卷积核尺寸。
4.根据权利要求1或2所述的方法，其特征在于，所述将卷积层的输入特征图通过预设的寻径函数进行处理，包括：
对所述输入特征图Xraw做全局平均池化，得到降维后的特征Xavg，其中，其中B表示每批输入特征图对应的“批”维度的长度，C表示样本通道数，H表示图像的高度，W表示图像的宽度，其中B、C、H和W均为大于等于1的正整数；
压缩掉降维后的特征Xavg中的无用维度，得到新的特征X′avg，其中
将新的特征X′avg输入到第一全连接层，得到E个专家对所述输入特征图的重要程度特征α，其中其中所述第一全连接层的输入维度是新的特征X′avg的通道...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。