一种并行多元特征处理方法及系统技术方案

本发明专利技术公开了一种并行多元特征处理方法及系统，属于深度学习图像处理领域。其方法包括获取输入图像；对所述输入图像进行下采样操作，得到四维特征向量；所述四维特征向量依次经过尺度缩放层、标准一维卷积层处理，得到四维属性特征向量；所述四维特征向量依次经过标准空间卷积层A、多层残差单元、尺度缩放层、标准空间卷积层B的对称支路处理，得到四维具象特征向量；将四维具象特征向量和四维属性特征向量相乘，得到筛选对比后的四维特征向量；将四维特征向量与筛选对比后的四维特征向量相加得到四维融合特征向量，然后进行上采样操作，得到输出结果。本发明专利技术能够以多视角、并行方式学习同一特征向量中蕴含的不同类型特征分量之间内在关联。量之间内在关联。量之间内在关联。

【技术实现步骤摘要】
一种并行多元特征处理方法及系统


[0001]本专利技术涉及深度学习图像处理
，具体涉及一种并行多元特征处理方法及系统。

技术介绍

[0002]深度学习网络作为特征处理和传递的主要技术手段，不仅决定着输出性能能否达到预期目标，更关系到系统的实际应用效果。由于应用不同，特征分量从内容、属性上都趋于复杂，现有网络难以实现特征分量的精确拆分和重组，使得特征分量精确提取和融合陷入“选择困境”，导致性能提升受阻。当前方法大多从某一具体问题出发，设计专属模块和网络优化过程，缺乏对深度学习领域特征提取方法的有效整合，难以实现特征分量准确提取和有效加工。由此，增强深度学习网络对于特征元素的深度解析能力，实现不同特征分量精确拆分和传递具有重大意义，不仅关乎人工智能领域的探索进程，更能促进深度学习各领域的结构应用任务的良性发展。
[0003]风格迁移方面，名称为一种多路并行图像内容特征优化风格迁移方法及系统，公开号为CN113284042A的专利技术专利申请提出一种特征优化单元，能够在保持多通道特征完整传递的基础上，融合多条支路中传递的单一特征通道的图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种并行多元特征处理方法，其特征在于，包括：获取输入图像其中n∈Z
+
，Z
+
是正整数，c为通道数，h、w为特征尺寸；对所述输入图像进行包含标准空间卷积层和非线性激活函数处理的下采样操作，得到四维特征向量所述四维特征向量依次经过尺度缩放层、标准一维卷积层处理，得到四维属性特征向量所述四维特征向量依次经过标准空间卷积层A、多层残差单元、尺度缩放层、标准空间卷积层B的对称支路处理，得到四维具象特征向量将所述四维具象特征向量和四维属性特征向量相乘，得到筛选对比后的四维特征向量用于校正四维具象特征向量和四维属性特征向量配对过程中产生的偏差；将所述四维特征向量与筛选对比后的四维特征向量相加得到四维融合特征向量然后进行上采样操作，得到输出结果{Y
1c
×
2h
×
2w
,...,Y
1c
×
2h
×
2w
}。2.根据权利要求1所述一种并行多元特征处理方法，其特征在于，对所述输入图像进行包含标准空间卷积层和非线性激活函数处理的下采样操作，具体为：使用卷积核M
c
×3×3的标准空间卷积层提取所述输入图像中的四维特征向量公式为：其中为卷积过程，每个矩阵表示一个3
×
3大小的特征向量；将输出的特征向量使用非线性激活函数处理，当激活处理的特征值小于或等于0时，激活函数输出值为0，如式(2)所示；反之，激活函数输出值与输入值相同时，如式(3)所示：时，如式(3)所示：其中，函数A(
·
)为激活函数。3.根据权利要求2所述一种并行多元特征处理方法，其特征在于，所述四维特征向量依次经过尺度缩放层、标准一维卷积层处理，得到四维属性特征向量
具体为：使用尺度缩放层对每一单位特征向量均值化处理，获得四维特征向量公式为：其中，F1(
·
)为尺度缩放过程函数，此步骤选用全局最大池化函数对特征向量进行尺度缩小，M
c
×2×2为k＝2的卷积核对特征逐像素操作，选取最大值并输出；对四维特征向量使用标准一维卷积层逐个特征通道进行处理，得到四维属性特征向量公式为：其中，F2(
·
)为标准一维卷积处理过程函数，选用k＝1的卷积核进行操作。4.根据权利要求2所述一种并行多元特征处理方法，其特征在于，所述四维特征向量依次经过标准空间卷积层A、多层残差单元、尺度缩放层、标准空间卷积层B的对称支路处理，得到四维具象特征向量具体为：使用标准空间卷积层A处理四维特征向量加深网络的同时增强特征向量非线性，从而提升对于不同位置空间结构信息的提取，输出四维特征向量公式为：其中，k为卷积核大小，k∈{1...

【专利技术属性】
技术研发人员：杨大伟，王萌，毛琳，张汝波，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：