【技术实现步骤摘要】
基于脉冲发送皮层模型的注意力模块的特征图处理方法
[0001]本专利技术属于图像处理与分析中的图像识别领域,更具体地,涉及一种基于脉冲发送皮层模型的注意力模块的特征图处理方法,通过构建基于脉冲发送皮层模型的注意力模块,尤其可应用于图像分类。
技术介绍
[0002]由于成像设备的发展,数字图像的数量呈现井喷式增长,基于计算机的自动化图像处理与分析,尤其是机器视觉方向成为研究热点。要分析理解图像内容,图像特征提取是核心步骤。近年来,得益于深度学习方法的发展,机器视觉任务如图像分类识别、语义分割等领域取得突破。深度学习方法基于构建的深层卷积神经网络,通过大量数据对网络中可调整的权重进行训练更新,可自动完成特征学习过程。由于网络模型中权重均服务于特定种类图像以及目标问题,其所提取的特征更具针对性,故在多种图像分类、分割等问题中的效果均优于传统图像处理算法。
[0003]然而,为保证神经网络的拟合能力,目前主流神经网络均为深层网络,其训练过程需要大量带标签数据。而对于遥感、医疗等领域,难以收集大量可用的有标签数据。以医疗领域为例,不同医院使用设备不同,或设备的设置参数不同,导致图像像素分布不一致,不同来源的图像混用可能导致模型难以收敛。同时,不同医生对医学图像的认识解读可能存在差异,导致图像标签的真实性难以保证。
[0004]为减小网络模型对数据的的依赖性,许多学者设计了多种应对方案。其一为数据扩增,即通过对图像进行旋转、平移等操作,增加训练数据量,使用扩增的数据训练的网络模型具有对旋转、平移等变换具有较好抗性 ...
【技术保护点】
【技术特征摘要】
1.一种基于脉冲发送皮层模型的注意力模块的特征图处理方法,其特征在于,包括如下步骤:(1)对于待处理的特征图F0,根据其通道个数,由每一个通道对应得到一个独立的特征子图F;然后,对每一个特征子图F进行并行处理,将每张特征子图F中所有像素点的值归一化到[0,1]区间,得到的归一化特征子图作为外部激励矩阵S;(2)构建基于脉冲发送皮层模型的注意力模块,包括脉冲发送皮层模型及可训练权重,开始并行处理,即:对于每一个外部激励矩阵S,初始化脉冲发送皮层模型相关参数、以及可训练权重{w[n]|n=1,2,...,N
iter
};然后,利用脉冲发送皮层模型对S进行处理,迭代N
iter
次,获得系列内部活动项矩阵{U[n]|n=1,2,...,N
iter
}、阈值矩阵{E[n]|n=1,2,...,N
iter
}、点火矩阵{Y[n]|n=1,2,...,N
iter
}以及脉冲强度矩阵{A[n]|n=1,2,...,N
iter
};其中,N
iter
为预先设定的正整数;(3)通过可训练权重{w[n]|n=1,2,...,N
iter
}对脉冲强度矩阵{A[n]|n=1,2,...,N
iter
}进行加权求和,得到注意力图M;(4)将注意力图M作用于对应的特征子图F,得到注意力筛选后的特征子图然后,结束并行处理,将并行处理得到的注意力筛选后的各个特征子图进行通道合并,即可得到特征图作为基于脉冲发送皮层模型的注意力模块的输出,完成对原始特征图F0的处理。2.如权利要求1所述基于脉冲发送皮层模型的注意力模块的特征图处理方法,其特征在于,所述步骤(1)中,所述归一化过程是按如下计算公式进行的:其中,max(
·
)和min(
·
)分别表示取最大值和最小值运算。3.如权利要求1所述基于脉冲发送皮层模型的注意力模块的特征图处理方法,其特征在于,所述步骤(2)中,可训练权重{w[n]|n=1,2,...,N
iter
}初始值为1;脉冲发送皮层模型相关参数的初始化包括:内部活动项衰减系数τ
U
、阈值项的衰减系数τ
E
、阈值的放大系数h均为预先设定的、大于0且小于1的有理数,连接权重W为二范数为1的3
×
3的矩阵;优选的,内部活动项衰减系数τ
U
=0.5,阈值项的衰减系数τ
E
=0.3,阈值的放大系数h=0.5,连接权重迭代次数N
iter
与特征子图F的尺寸相关,记特征子图F的高和宽分别为s
h
像素与s
w
像素,则N
iter
为log2(max(s
h
,s
w
))取整后的整数;优选的,所述取整为向上取整;迭代计数器n初始化为0;初始的内部活动项矩阵U[0]、阈值矩阵E[0]以及点火矩阵Y[0]均为全零矩阵,每个矩阵的尺寸均与特征子图F的尺寸相同,它们共同表征了与特征图等大小的神经元矩阵相关信息;内部活动项矩阵、阈值矩阵及点火矩阵分别表示各神经元的所受激励水平、对兴奋的
抑制水平及记录神经元是否发送脉冲信号。4.如权利要求1所述基于脉冲发送皮层模型的注意力模块的特征图处理方法,其特征在于,所述步骤(2)中,利用脉冲发送皮层模型对S进行处理,迭代N
iter
次,其中,第n次迭代,n=1,2,...,N
iter
,包括如下子步骤:步骤(2
‑
1)计算内部活动项矩阵U[n],即,对该矩阵内的任一位置(i,j),活动项U
i,j
[n]表示该处神经元所受激励水平,其计算公式如下:其中,k,l∈{
‑
1,0,1};(i+k,j+l)表示矩阵Y[n
‑
1]中位置(i,j)周围3
×
3邻域内的位置索引,若位置索引中对应的位置缺少矩阵元素,则补零;(2+k,2+l)表示连接权重W中元素的位置索引;步骤(2
‑
2)...
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。