图像特征提取模型的构建方法、装置、计算机设备及介质制造方法及图纸

本申请属于人工智能的深度学习技术领域，特别涉及一种图像特征提取模型的构建方法、装置、计算机设备及介质。包括：获取初始卷积神经网络；将所述初始卷积神经网络的卷积层按照第一倍率进行删除，获得简约卷积神经网络；在所述简约神经网络的卷积层间加入注意力机制，获得初始图像特征提取模型；对所述初始图像特征提取模型进行训练，得到所述图像特征提取模型。上述的方法、装置和计算机设备可提升神经网络对图像全局信息的提取以及提高神经网络的计算速率。可用于金融领域票据识别、自动理赔；医疗领域的病例数据提取、医疗影像读取等。医疗影像读取等。医疗影像读取等。

【技术实现步骤摘要】
图像特征提取模型的构建方法、装置、计算机设备及介质


[0001]本申请涉及人工智能的机器学习
，具体而言，本申请涉及一种图像特征提取模型的构建方法、装置、计算机设备及介质。

技术介绍

[0002]在深度学习领域，神经网络对图片全局信息的学习越来越被研究者所重视，而大量实验也证明，网络对图片全局信息的学习对提高网络效果至关重要。神经网络对图像进行处理应用十分广泛，如金融领域票据识别、自动理赔；医疗领域的病例数据提取、医疗影像读取等。但随着网络模型和数据量越来越大，为了提高模型计算速率，绝大多数的网络选择对输入进行下采样，将本来高分辨率的输入变成低分辨率的输入，以提高网络运算速度,这无疑损失了一部分重要的输入信息，尽管后期试图对缺失的信息进行补全，但这无疑是亡羊补牢的弥补方式。如何既能尽可能地保持图像的全局信息，又能具有较高的计算速率，成为了利用神经网络进行图像处理需解决的问题。

技术实现思路

[0003]本申请的主要目的为提供一种图像特征提取模型的构建方法、装置、计算机设备及介质，旨在解决常规的神经网络进行图像处理时由于采用高分辨率而导致计算速率较低的技术问题。
[0004]为了实现上述专利技术目的，本申请提供一种图像特征提取模型的构建方法，包括：
[0005]获取初始卷积神经网络；
[0006]将所述初始卷积神经网络的卷积层按照第一倍率进行删除，获得简约卷积神经网络；
[0007]在所述简约神经网络的卷积层间加入注意力机制，获得初始图像特征提取模型；
[0008]对所述初始图像特征提取模型进行训练，得到所述图像特征提取模型。
[0009]在一个实施例中，所述注意力机制包括通道注意力机制和/或空间注意力机制。
[0010]在一些实施例中，对所述初始图像特征提取模型进行训练，得到所述图像特征提取模型的步骤，包括：
[0011]基于预设需求构建图像数据集，其中，所述图像数据集包括训练子集，所述训练子集中的图像用于训练所述图像特征提取模型；
[0012]将所述训练子集中的一张图像输入所述图像特征提取模型，获得训练损失；
[0013]判断所述训练损失是否满足第一预设条件；
[0014]若所述训练损失满足第一预设条件，则停止训练，得到目标图像特征提取模型；
[0015]若所述训练损失不满足第一预设条件，则根据所述训练损失调整所述图像特征提取模型的参数并保存；
[0016]向所述图像特征提取模型继续输入所述训练集中的图像，直至获取到的所述训练损失满足所述第一预设条件。
[0017]在一个实施例中，所述图像数据集还包括测试子集，所述测试子集用于验证所述目标图像特征提取模型，在所述得到目标图像特征提取模型的步骤之后，所述方法还包括：
[0018]将所述验证子集中的图像逐次输入所述目标图像特征提取模型，获得验证结果集；
[0019]判断所述验证结果集是否满足第二预设条件；
[0020]若所述验证结果集满足第二预设条件，则将所述目标图像特征提取模型的参数进行保存；
[0021]若所述验证结果集不满足第二预设条件，则继续对所述目标图像特征提取模型进行训练。
[0022]在一些实施例中，所述基于预设需求构建图像数据集的步骤，包括：
[0023]基于预设需求获得多张原始图像；
[0024]对所述多张原始图像预处理，获得训练输入图像子集；
[0025]将所述图像子集中的图像进行复制，获得复制图像子集；
[0026]根据模型训练需求对所述复制图像子集中的图像进行标注，得到对照图像子集；
[0027]将所述输入图像子集和所述对照图像子集结合，构成图像数据集。
[0028]在一些实施例中，在所述得到所述图像特征提取模型的步骤之后，所述图像特征提取模型的构建方法包括：
[0029]获取待处理的图像；
[0030]将所述待处理的图像输入所述图像特征提取模型，获得目标特征图。
[0031]在一些实施例中，将所述待处理的图像输入所述图像特征提取模型，获得目标特征图的步骤，包括：
[0032]将所述待处理的图像进行初始特征提取，获得第一特征图；
[0033]分别对所述第一特征图进行平均池化和最大池化，获得第一权重向量和第二权重向量；
[0034]基于所述第一权重向量，映射得到所述第一特征图中每个通道的第一通道权重；
[0035]基于所述第二权重向量，映射得到所述第一特征图中每个通道的第二通道权重；
[0036]将所述第一通道权重和所述第二通道权重叠加，并经过Sigmoid函数处理，获得叠加通道权重；
[0037]将所述叠加通道权重与所述第一特征图按通道相乘，得到目标特征图。
[0038]在一个实施例中，所述将所述叠加通道权重与所述第一特征图相乘，得到目标特征图的步骤之后，还包括:
[0039]分别对所述目标特征图进行平均池化和最大池化，获得第三权重向量和第四权重向量；
[0040]将所述第三权重向量和所述第四权重向量进行堆叠，获得空间权重；
[0041]将所述空间权重进行降维处理，获得一维空间权重；
[0042]将所述一维空间权重与所述目标特征图按通道相乘，获得新的目标特征图。
[0043]本申请还提供一种图像特征提取装置，包括：
[0044]初始卷积神经网络获取模块，用于获取初始卷积神经网络；
[0045]简约卷积神经网络获取模块，用于将所述初始卷积神经网络的卷积层按照第一倍
率进行删除，获得简约卷积神经网络；
[0046]初始图像特征提取模型获取模块，用于在所述简约神经网络的卷积层间加入注意力机制，获得初始图像特征提取模型；
[0047]图像特征提取模型获取模块，用于对所述初始图像特征提取模型进行训练，得到所述图像特征提取模型。
[0048]本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例提供的图像特征提取模型的构建方法的步骤。
[0049]本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例提供的图像特征提取模型的构建方法的步骤。
[0050]本申请所提供的一种图像特征提取模型的构建方法、装置、计算机设备及介质。包括：获取初始卷积神经网络；将所述初始卷积神经网络的卷积层按照第一倍率进行删除，获得简约卷积神经网络；在所述简约神经网络的卷积层间加入注意力机制，获得初始图像特征提取模型；对所述初始图像特征提取模型进行训练，得到所述图像特征提取模型。通过将高分辨率与自注意力机制结合，弥补了现有的神经网络为加快模型训练而将输入下采样所带来的信息损失，极大的提升了神经网络对图像全局信息的提取；另一方面，由于一般的高分辨率的神经网络注意力计算复杂，我们将已有高分辨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像特征提取模型的构建方法，其特征在于，包括：获取初始卷积神经网络；将所述初始卷积神经网络的卷积层按照第一倍率进行删除，获得简约卷积神经网络；在所述简约神经网络的卷积层间加入注意力机制，获得初始图像特征提取模型；对所述初始图像特征提取模型进行训练，得到所述图像特征提取模型。2.根据权利要求1所述的图像特征提取模型的构建方法，其特征在于，所述注意力机制包括通道注意力机制和/或空间注意力机制。3.根据权利要求1所述的图像特征提取模型的构建方法，其特征在于，所述对所述初始图像特征提取模型进行训练，得到所述图像特征提取模型的步骤，包括：基于预设需求构建图像数据集，其中，所述图像数据集包括训练子集，所述训练子集中的图像用于训练所述图像特征提取模型；将所述训练子集中的一张图像输入所述图像特征提取模型，获得训练损失；判断所述训练损失是否满足第一预设条件；若所述训练损失满足第一预设条件，则停止训练，得到目标图像特征提取模型；若所述训练损失不满足第一预设条件，则根据所述训练损失调整所述图像特征提取模型的参数并保存；向所述图像特征提取模型继续输入所述训练集中的图像，直至获取到的所述训练损失满足所述第一预设条件。4.根据权利要求3所述的图像特征提取模型的构建方法，其特征在于，所述图像数据集还包括测试子集，所述测试子集用于验证所述目标图像特征提取模型，在所述得到目标图像特征提取模型的步骤之后，所述方法还包括：将所述验证子集中的图像逐次输入所述目标图像特征提取模型，获得验证结果集；判断所述验证结果集是否满足第二预设条件；若所述验证结果集满足第二预设条件，则将所述目标图像特征提取模型的参数进行保存；若所述验证结果集不满足第二预设条件，则继续对所述目标图像特征提取模型进行训练。5.根据权利要求3所述的图像特征提取模型的构建方法，其特征在于，所述基于预设需求构建图像数据集的步骤，包括：基于预设需求获得多张原始图像；对所述多张原始图像预处理，获得训练输入图像子集；将所述图像子集中的图像进行复制，获得...

【专利技术属性】
技术研发人员：郑喜民，先健铭，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：