图像数据处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。该方法包括：获取图像样本，对图像样本进行图像分割，得到图像样本对应的多个图像子块；基于多层神经网络中每一层各自对应的分组信息，采用分组信息相同的各层共用同注意力层的方式，使用多层神经网络分别对多个图像子块中的各目标子块进行注意力池化处理和特征编码处理，得到每一目标子块各自对应的编码特征。采用上述方法可以通过对多层神经网络中各层分别配置对应的分组信息，实现灵活的参数共享，能匹配不同场景下的实际计算资源，有利于扩展图像数据处理方法的应用场景。有利于扩展图像数据处理方法的应用场景。有利于扩展图像数据处理方法的应用场景。

【技术实现步骤摘要】
图像数据处理方法、装置、计算机设备和存储介质


[0001]本申请涉及深度学习
，特别是涉及一种图像数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

技术介绍

[0002]随着深度学习技术的快速发展，出现了以深度学习技术为基础的图像数据处理方法，通过对图像样本进行编码处理得到图像样本的编码特征，以便实现后续的图像识别、图像分类或图像重建等任务。
[0003]传统的图像数据处理方法，基于卷积神经网络进行编码处理，得到编码特征，受限于卷积神经网络复杂的网络结构，训练时间长且对计算资源的要求高，极大的限制了图像数据处理方法在实际落地中的应用。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够扩展应用场景的图像数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种图像数据处理方法。所述方法包括：
[0006]获取图像样本，对所述图像样本进行图像分割，得到所述图像样本对应的多个图像子块；
[0007]基于多层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像数据处理方法，其特征在于，所述方法包括：获取图像样本，对所述图像样本进行图像分割，得到所述图像样本对应的多个图像子块；基于多层神经网络中每一层各自对应的分组信息，使用所述多层神经网络分别对所述多个图像子块中的各目标子块进行注意力池化处理和特征编码处理，得到每一所述目标子块各自对应的编码特征；所述多层神经网络中分组信息相同的各层共用同一个注意力层。2.根据权利要求1所述的方法，其特征在于，确定所述分组信息的过程，包括：获取所述多层神经网络的层数和分组数量；所述分组数量小于所述层数；根据所述层数和所述分组数量，确定每一组各自对应的层数；各组之间的层数差小于设定层数差；基于各所述层数，确定所述多层神经网络中每一层各自对应的分组信息；同一组的各层为所述多层神经网络中的连续层。3.根据权利要求2所述的方法，其特征在于，所述注意力层具有至少两个注意力头；对所述目标子块进行注意力池化处理的过程，包括：基于目标注意力头对所述目标子块进行特征提取，得到所述目标子块的第一候选子特征信息，并确定所述特征提取过程中的共享参数；所述目标注意力头为所述至少两个注意力头中的任意一个；使用所述共享参数，基于所述至少两个注意力头中除所述目标注意力头以外的其它各注意力头分别对所述目标子块进行特征提取，得到各所述注意力头各自对应的第二候选子特征信息；融合所述第一候选子特征信息和各所述第二候选子特征信息，得到所述目标子块的目标子特征信息。4.根据权利要求1所述的方法，其特征在于，进行特征编码处理的过程，包括：获取对所述目标子块进行注意力池化处理得到的池化结果，对所述池化结果进行深度可分卷积处理，获得所述目标子块的初始编码特征；基于多层感知机对所述初始编码特征进行二次编码处理，得到所述目标子块的编码特征。5.根据权利要求1所述的方法，其特征在于，所述对所述图像样本进行图像分割，得到所述图像样本对应的多个图像子块，包括：对所述图像样本进行特征提取，得到所述图像样本的图像特征，并确定所述图像特征所表征的特征图像；对所述特征图像进行图像分割，得到所述图像样本对应的多个图像子块。6.根据权利要求5所述的方法，其特征在于，所述对所述图像样本进行特征提取，得到所述图像样本的图像特征，包括：对所述图像样本依次进行第一次卷积处理和第二次卷积处理，得到所述图像样本的候选图像特征；所述第一...

【专利技术属性】
技术研发人员：宋一然，郭太安，何肃南，马利庄，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：