卷积神经网络中自适应特征融合方法及系统技术方案

本发明专利技术涉及一种卷积神经网络中自适应特征融合方法及系统，其包括：获取当前特征融合层的各个尺度的特征的权重系数；对所述当前特征融合层的各个尺度的所述特征的所述权重系数进行激活和归一化；在所述当前特征融合层对各个尺度的所述特征进行加权融合，并将加权融合后的结果进行拼接，得到自适应特征融合结果，完成卷积神经网络中自适应特征融合，提高检测精度。本发明专利技术在提高了特征融合的对于不同训练目标的适应和收敛性，以及深度学习算法的整体精度的同时，能有效节省人力、物力和时间成本。本发明专利技术可以广泛在目标检测、跟踪、语义分割等人工智能技术领域中。割等人工智能技术领域中。割等人工智能技术领域中。

【技术实现步骤摘要】
卷积神经网络中自适应特征融合方法及系统


[0001]本专利技术涉及人工智能
，特别是关于一种用于深度学习的卷积神经网络中自适应特征融合方法及系统。

技术介绍

[0002]近年来，随着基于卷积神经网络(convolutional neural networks，简称CNN)的深度学习的应用，计算机视觉领域内的图像分类、目标检测、语义分割等方向的研究都取得了显著的进展。与基于手工特征的算法相比，卷积神经网络能够非常鲁棒的学习到具有表达能力的特征，因此被广泛使用在目标检测流程中用来提取目标特征。
[0003]目标检测的解决方案已经逐渐汇聚在两种主流框架下：一种是以R
‑
CNN,Fast
‑
RCNN,Faster
‑
RCNN和R
‑
FCN等为代表的双阶段检测框架(two
‑
stage detection frameworks)，另一种是以YOLO、SSD、Retina
‑
Net等为代表的单阶段检测框架(oner/>‑
s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中自适应特征融合方法，其特征在于，包括：获取当前特征融合层的各个尺度的特征的权重系数；对所述当前特征融合层的各个尺度的所述特征的所述权重系数进行激活和归一化；在所述当前特征融合层对各个尺度的所述特征进行加权融合，并将加权融合后的结果进行拼接，得到自适应特征融合结果，完成卷积神经网络中自适应特征融合，提高检测精度。2.如权利要求1所述方法，其特征在于，所述获取当前特征融合层的各个尺度的特征的权重系数，包括：在当前的特征融合层处，对来自不同特征提取层的不同尺度的特征进行融合，将所有尺度的特征对应的卷积图通过下采样或上采样操作缩放到相同大小；将来自各个特征提取层的不同尺度的特征的卷积图分别送往一个轻量级卷积分支；将不同卷积分支的结果在任意像素位置处的数值，作为当前特征融合层的卷积图像素位置处各个尺度的特征的权重系数。3.如权利要求1所述方法，其特征在于：所述对所述当前特征融合层的各个尺度的所述特征的所述权重系数进行激活和归一化，包括：对当前特征融合层的卷积图上任意像素位置处的各个尺度的特征的权重系数进行非线性激活；对非线性激活后的特征的权重系数进行线性归一化，得到每个尺度的特征的归一化权重系数；获取当前特征融合层卷积图上全部像素位置处的归一化权重系数。4.如权利要求1所述方法，其特征在于：所述在所述当前特征融合层对各个尺度的所述特征进行加权融合，包括：在当前特征融合层的卷积图上任意像素位置处分别将每个尺度的特征与其他尺度的特征进行加权融合；获取当前取特征融合层卷积图上全部像素位置处，每个尺度的特征与其他尺度的特征进行加权融合的结果。5.如权利要求4所述方法，其特征在于：所述在当前特征融合层的卷积图上任意像素位置处分别将每个尺度的特征与其他尺度的特征进行加权融合，包括：如果第m个尺度的特征在特征融合层l的卷积图像素(i,j)位置处的归一化权重系数α
l，m，ij
大于或等于全部M个不同尺度的特征的归一化权重系数的均值1/M，则在(i，j)位置处的该尺度的特征与其他尺度的特征加权融合后的结果等于其自身。6.如权利要求4所述方法，其特征在于：所述在当前特征融合层的卷积图上任意像素位置处分别将每个尺度的特征与其他尺度的特征进行加权融合，包括：如果第m个尺度的特征在特征融合层l的卷积图像素(i，j)位置处的归一化权重系数α
l，m，ij
小于全部M个不同尺度的特征的归一化权重系数的均值1/M，则在(i，j)位置处的该尺度的特征x
l，m，ij

【专利技术属性】
技术研发人员：刘阳，孔祥斌，李洪研，沈志忠，李洁，王雪嵩，马黎文，陈树骏，
申请(专利权)人：通号通信信息集团有限公司，
类型：发明
国别省市：