面向顶视鱼眼视觉任务的双曲空间可变形卷积方法技术

本发明专利技术公开了一种面向顶视鱼眼视觉任务的双曲空间可变形卷积方法，方法旨在解决顶视鱼眼视觉任务中卷积神经网络对畸变特征表征能力不足的问题。本发明专利技术提出了基于双曲空间中庞加莱球的可变形卷积方法，该方法将顶视鱼眼特征嵌入到图神经网络后将其映射到庞加莱球空间，在庞加莱球空间中进行图卷积神经网络实现特征信息更新后，再构造庞加莱超平面并计算特征到超平面的距离作为可变形卷积的参数。该卷积方法使得卷积核可以自适应变形，改进了卷积核从顶视鱼眼图像中畸变对象提取相似特征的能力，极大提高了卷积神经网络在顶视鱼眼视觉检测和分割任务中的准确率。觉检测和分割任务中的准确率。觉检测和分割任务中的准确率。

【技术实现步骤摘要】
面向顶视鱼眼视觉任务的双曲空间可变形卷积方法


[0001]本专利技术属于人工智能
，具体涉及一种面向顶视鱼眼视觉任务的双曲空间可变形卷积方法。

技术介绍

[0002]针对顶视鱼眼图像中的畸变进行优化对提高目标感知的精度至关重要。相比于其他畸变图像，顶视鱼眼的畸变问题有一定的特殊性，其不服从于当前的任一种畸变模型，目前的研究通常用四阶多项式映射作为鱼眼相机模型的近似，但在计算机视觉任务中，这样的假设即缺乏标定信息，也限制了鱼眼相机的视野范围。而目前针对畸变图像视觉任务提出的可变形卷积对鱼眼图像畸变的表征能力依然不足。使用标定板、展开法等手段对顶视鱼眼图像进行去畸变矫正是一种常见的思路，但这种方式会引入较多计算量，并且降低顶视鱼眼图像的视野范围或完整性。
[0003]采用可变形卷积对卷积神经网络进行优化是让深度学习模型适应图像畸变的有效方法，目前在顶视鱼眼图像上应用可变形卷积也有多种变体，例如对每个标准卷积的网格采样位置学习不同的权重，或限制标准卷积的网格采样中心位置的偏置学习。这些方法对网格采样权重和偏置的学习都是通过增加一个普通的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向顶视鱼眼视觉任务的双曲空间可变形卷积方法，其特征在于，依次包括以下步骤：步骤一、将顶视鱼眼特征图嵌入到庞加莱球；步骤二、映射特征信息到庞加莱球正切空间；步骤三、图卷积神经网络更新特征信息；步骤四、将特征信息映射回庞加莱球空间；步骤五、构造庞加莱超平面并计算特征到超平面的距离；步骤六、提取距离信息作为可变形卷积的形变参数。2.根据权利要求1所述的面向顶视鱼眼视觉任务的双曲空间可变形卷积方法，其特征在于：所述步骤一中，顶视鱼眼特征属于图像结构数据，仅在欧式空间中实现卷积操作，为了在庞加莱球空间中实现特征的聚合更新，将顶视鱼眼特征图嵌入到无向图结构中，使特征图上每个像素的信息转化为无向图中的节点信息，通过后续的图卷积神经网络在庞加莱球空间中实现节点特征的聚合更新；在图嵌入的过程中根据图像的8连通性计算图的邻接矩阵A。3.根据权利要求2所述的面向顶视鱼眼视觉任务的双曲空间可变形卷积方法，其特征在于：所述步骤二中，由于双曲空间上的参数无法用欧式空间的图卷积神经网络进行优化，先将庞加莱球上的特征向量通过对数映射映射为庞加莱球正切空间中的向量；对于半径为c的庞加莱球，向量y在向量x处的对数映射的计算公式为：其中，是在半径为c的庞加莱球上的莫比乌斯加法，||
·
||代表向量在欧式空间中的模长。4.根据权利要求3所述的面向顶视鱼眼视觉任务的双曲空间可变形卷积方法，其特征在于：所述步骤四中，通过步骤一中计算得到的邻接矩阵A可以计算出图的度矩阵D，计算公式为：其中D为对角矩阵，因此只要计算对角线上的元素；为了实现图卷积的操作，通过邻接矩阵A和度矩阵D计算图的拉普拉斯矩阵计算公式为：对于无向图中的每个节点，图卷积神经网络通过聚集来自其邻节点的特征信息来更新每个节点的特征信息；在特征聚合之前，先对来自其邻节点的特征信息进行线性变换；在特征聚合之后对该节点的...

【专利技术属性】
技术研发人员：路小波，魏煊，黄卫，魏运，
申请(专利权)人：东南大学，
类型：发明
国别省市：