特征处理方法、特征提取方法、装置及电子设备制造方法及图纸

本公开涉及计算机技术领域，提供了特征处理方法、特征提取方法、装置及电子设备，该特征处理方法包括：确定第一特征图像的每个通道分别对应的影响系数；基于影响系数，对第一特征图像的通道进行排序处理，得到按序排列的通道；在按序排列的通道中，将排序在不同比例区间的通道进行拆分，得到至少两个通道集合，一个通道集合对应一个比例区间；对至少两个通道集合进行卷积处理，得到每个通道集合对应的第二特征图像；其中，通道集合对应的影响系数越大，对通道集合进行卷积处理的卷积结构的感受野越大；基于每个通道集合对应的第二特征图像，得到第三特征图像。对不同通道集合进行不同的卷积处理，有利于获取到更为丰富有效的特征信息。征信息。征信息。

【技术实现步骤摘要】
特征处理方法、特征提取方法、装置及电子设备


[0001]本公开涉及计算机
，尤其涉及特征处理方法、特征提取方法、装置及电子设备。

技术介绍

[0002]随着计算机技术的发展，数据变得越来越重要，对数据的分析、挖掘和利用对各行各业均至关重要。在对数据进行分析、挖掘以及利用的过程中，往往会涉及到数据特征的提取，相关技术中，在对数据特征进行提取时，会存在丢失重要信息的情况，致使提取出数据特征的准确性较低。

技术实现思路

[0003]有鉴于此，本公开实施例提供了特征处理方法、特征提取方法、装置及电子设备，以解决现有技术中对数据特征进行提取时，准确性较低的技术问题。
[0004]本公开实施例的第一方面，提供了一种特征处理方法，包括：
[0005]确定第一特征图像的每个通道分别对应的影响系数；
[0006]基于影响系数，对第一特征图像的通道进行排序处理，得到按序排列的通道；
[0007]在按序排列的通道中，将排序在不同比例区间的通道进行拆分，得到至少两个通道集合，一个通道集合对应一个比例区间；
[0008]对至少两个通道集合进行卷积处理，得到每个通道集合对应的第二特征图像；其中，通道集合对应的影响系数越大，对通道集合进行卷积处理的卷积结构的感受野越大；
[0009]基于每个通道集合对应的第二特征图像，得到第三特征图像。
[0010]本公开实施例的第二方面，提供了一种特征提取方法，包括：
[0011]获取目标图像；
[0012]将目标图像输入第一特征提取模块，得到第一特征图像；
[0013]将第一特征图像输入第二特征提取模块，得到目标图像对应的图像特征向量；
[0014]其中，第二特征提取模块包括至少一个特征提取阶段；每个特征提取阶段包括降采样模块和至少一个神经网络计算模块；降采样模块用于进行降采样处理；神经网络计算模块用于执行上述的特征处理方法。
[0015]本公开实施例的第三方面，提供了一种特征处理装置，包括：
[0016]系数确定模块，被配置为确定第一特征图像的每个通道分别对应的影响系数；
[0017]排序处理模块，被配置为基于影响系数，对第一特征图像的通道进行排序处理，得到按序排列的通道；
[0018]拆分处理模块，被配置为在按序排列的通道中，将排序在不同比例区间的通道进行拆分，得到至少两个通道集合，一个通道集合对应一个比例区间；
[0019]卷积处理模块，被配置为对至少两个通道集合进行卷积处理，得到每个通道集合对应的第二特征图像；其中，通道集合对应的影响系数越大，对通道集合进行卷积处理的卷
积结构的感受野越大；
[0020]图像确定模块，被配置为基于每个通道集合对应的第二特征图像，得到第三特征图像。
[0021]本公开实施例的第四方面，提供了一种特征提取装置，包括：
[0022]图像获取模块，被配置为获取目标图像；
[0023]第一提取模块，被配置为将目标图像输入第一特征提取模块，得到第一特征图像；
[0024]第二提取模块，被配置为将第一特征图像输入第二特征提取模块，得到目标图像对应的图像特征向量；
[0025]其中，第二特征提取模块包括至少一个特征提取阶段；每个特征提取阶段包括降采样模块和至少一个神经网络计算模块；降采样模块用于进行降采样处理；神经网络计算模块用于执行上述的特征处理方法。
[0026]本公开实施例的第五方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0027]本公开实施例的第六方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0028]本公开实施例与现有技术相比存在的有益效果是：利用第一特征图像的每个通道分别对应的影响系数，确定不同通道的重要程度；然后根据影响系数，按照通道的重要程度，对通道进行排序处理，得到按序排列的通道，不同的排序位置，表征了不同的重要程度，因此在按序排列的通道中，将排序在不同比例区间的通道进行拆分，得到至少两个通道集合，不同通道集合对应不同比例区间，对应不同的重要程度。进而对至少两个通道集合进行不同的卷积处理，若通道集合对应的影响系数越大，该通道集合越重要，对通道集合进行卷积处理的卷积结构的感受野越大；若通道集合对应的影响系数越小，对通道集合进行卷积处理的卷积结构的感受野越小，实现根据通道集合对应的影响系数精细化适配不同感受野的卷积结构，有利于对该通道集合中重要信息的提取，得到包含丰富重要信息的第二特征图像。进一步根据每个通道集合对应的第二特征图像，得到第三特征图像，该第三特征图像融合了丰富的重要信息，增强特征表达能力，准确性较高。
附图说明
[0029]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0030]图1是本公开实施例提供的一种特征处理方法的流程示意图；
[0031]图2是本公开实施例提供的一种神经网络计算模块的结构示意图；
[0032]图3是本公开实施例提供的一种特征提取方法的流程示意图；
[0033]图4是本公开实施例提供的一种特征处理装置的结构示意图；
[0034]图5是本公开实施例提供的一种特征提取装置的结构示意图；
[0035]图6是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0036]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0037]特征的提取，实际上需要更多层次的感受野，需要不同空间层次信息之间的高效交互，而不同感受野的信息交互目前主要通过特征金字塔的之间的信息融合进行，在相关技术中，每张特征图具有特定的感受野。然而图像中不同信息具有不同的重要程度，对每张特征图均使用特定的感受野，会导致重要信息的丢失，因此对于特征图的不同像素应该具有不同的感受野。在本实施例中，按照通道重要性进行分流，对不同信息进行多种感受野的学习，对信息和感受野的适配进行更加精细的设计，有利于提取到更为丰富有效的重要信息，获取到准确的数据特征。
[0038]图1是本公开实施例提供的一种特征处理方法的流程示意图。图1的图像特征处理方法可以由服务器或有能力的终端执行，进一步地，该方法可以由一个神经网络计算模块进行执行，该方法包括：
[0039]S101，确定第一特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征处理方法，其特征在于，包括：确定第一特征图像的每个通道分别对应的影响系数；基于所述影响系数，对所述第一特征图像的通道进行排序处理，得到按序排列的通道；在所述按序排列的通道中，将排序在不同比例区间的通道进行拆分，得到至少两个通道集合，一个通道集合对应一个比例区间；对所述至少两个通道集合进行卷积处理，得到每个通道集合对应的第二特征图像；其中，所述通道集合对应的影响系数越大，对所述通道集合进行卷积处理的卷积结构的感受野越大；基于每个通道集合对应的第二特征图像，得到第三特征图像。2.根据权利要求1所述的方法，其特征在于，所述确定第一特征图像的每个通道分别对应的影响系数的步骤前，所述方法还包括：获取输入的第四特征图像；对所述第四特征图像进行逐通道卷积计算和逐点卷积计算，得到所述第一特征图像；所述第一特征图像的尺寸信息和通道数量信息与所述第四特征图像的尺寸信息和通道数量信息相同。3.根据权利要求1所述的方法，其特征在于，所述确定第一特征图像的每个通道分别对应的影响系数，包括：对所述第一特征图像进行全局池化，得到全局池化结果；将所述全局池化结果输入至少一个全连接层，得到所述第一特征图像的每个通道分别对应的影响系数。4.根据权利要求1所述的方法，其特征在于，所述确定第一特征图像的每个通道分别对应的影响系数的步骤后，所述方法还包括：基于所述第一特征图像和所述影响系数，确定第五特征图像；所述基于所述影响系数，对所述第一特征图像的通道进行排序处理，得到按序排列的通道，包括：基于所述影响系数，对所述第五特征图像的通道进行排序处理，得到按序排列的通道。5.根据权利要求1所述的方法，其特征在于，所述至少两个通道集合包括第一通道集合、第二通道集合和第三通道集合；所述第一通道集合对应的影响系数大于所述第二通道集合对应的影响系数，所述第二通道集合对应的影响系数大于所述第三通道集合对应的影响系数；所述对所述至少两个通道集合进行卷积处理，得到每个通道集合对应的第二特征图像，包括：利用第一卷积结构对所述第一通道集合进行卷积处理，得到所述第一通道集合对应的第二特征图像；利用第二卷积结构对所述第二通道集合进行卷积处理，得到所述第二通道集合对应的第二特征图像；利用第三卷积结构对所述第三通道集合进行卷积处理，得到所述第三通道集合对应的第二特征图像；所述第一卷积结构的感受野大于所述第二卷积结构的感受野，所述第二卷积结构的感受野大于所述第三卷积结构的感受野。
6.根据...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：深圳须弥云图空间科技有限公司，
类型：发明
国别省市：